Performances E-commerce

FR EN
Partager
en savoir plus
 

Une base de données véloce quelque soit le volume

img

Smile a intégré Magento et MongoDB, base NoSQL.Conçue pour répondre aux enjeux de stockage de catalogues les plus volumineux, cette solution évolutive vous apportera des performances inégalées.

Des millions de produits...

en toute légèreté

Grâce à l'intégration de MongoDB, la taille et l'utilisation de votre base de données est considérablement réduite lui assurant une meilleure disponibilité pour traiter plus de commandes et facilitant sa maintenance.

Mongogento a été conçu pour opérer sur des catalogues hétérogènes de plusieurs millions de produits tout en réduisant l'impact du modèle EAV de Magento.

L'utilisation de la base de données NoSQL documentaire MongoDB pour le stockage des attributs produits permet de réduire la sollicitation de la base de données MySQL tout en conservant la flexibilité du modèle documentaire.

Des performances inégalées

Combinée au moteur SolR et à notre système de cache statique MageCache, l'intégration MongoDB permet d'obtenir des performances front-office exceptionnelle même avec les plus gros catalogues.

Votre back-office reste par ailleurs réactif, permettant à vos équipes d'être plus productive dans l'animation de votre site eCommerce et de pousser plus encore votre avantage concurrentiel.

Les résultats de tests Smile

Performance back-office

graphique

Performance front-office

graphique
 

Installation rapide

Vous démarrez un nouveau projet ?
MongoGento s’installe et se configure en quelques minutes sur votre nouvelle installation de Magento.

 
 

Evolutif et sûr

Grâce à son architecture extrêmement scalable, MongoDB permet à votre site de croitre de manière maitrisée et linéaire. Les mécanismes de reprise d'activité automatiques de MongoDB vous assure par ailleurs une meilleure tolérance aux pannes.

 
 

Open Source

Et bien sûr Mongogento est pleinement open source, développé par les équipes de Smile et distribué sous la même licence libre que Magento, OSL.

Retrouvez le sur GitHub