Wie Snoonu sein Geschäft mit Amazon Bedrock und Amazon Personalize revolutionierte

Snoonu ist Katars führende E-Commerce-Plattform und bietet 15 wichtige Services in einer einzigen umfassenden Anwendung. Diese Services reichen von schnellen Mahlzeiten über dringende Apothekenbesuche bis hin zu Lebensmitteleinkäufen und persönlicher Einkaufsunterstützung (Snoosend). Innovation und Exzellenz sind die Leitprinzipien von Snoonu, das bestrebt ist, das beste Einkaufs- und Liefererlebnis in Katar zu bieten. „Wir werden viele neue Services innerhalb der Snoonu-Anwendung einführen und wir expandieren international“, sagte Nikita Gordeev, CTO bei Snoonu. „Die Verwendung von Amazon Bedrock hilft uns, einen unserer neuen Services auf den Markt zu bringen.“ 

Menschenintensive Kategorisierung und Empfehlungen in Echtzeit

Als schnell wachsender E-Commerce-Marktplatz stand Snoonu vor zwei Hauptherausforderungen: 1) der Notwendigkeit einer genauen Kategorisierung und 2) der Notwendigkeit kontextuell genauer, personalisierter Empfehlungen in Echtzeit.

Snoonu hatte eine schnell wachsende Anzahl von Marktplätzen, von denen jeder seine eigene Katalogstruktur hatte, was angesichts des wachsenden Produktvolumens eine Herausforderung darstellte. „Ein einzelner Mensch kann nicht schnell genug entscheiden, welcher Kategorie ein Produkt zugeordnet werden soll. Wir hatten ungefähr eine Million Produkte, die überhaupt nicht kategorisiert wurden“, sagte Gordeev. „Wenn wir das manuell machen, kann das bis zu zwei Menschenjahre Arbeit in Anspruch nehmen.“ Dem Unternehmen fehlte auch eine Möglichkeit, unangemessene Inhalte auf seinen Marktplätzen automatisch zu erkennen. 

„Im Zuge unserer Skalierung wird es immer wichtiger, das Ranking und die Empfehlungen von Produkten und Händlern in der App zu optimieren, um das Benutzererlebnis zu verbessern und das Wachstum voranzutreiben“, so Gordeev. Snoonu entschied sich zunächst für ein einheitliches globales Modell, das Produkte aus allen Branchen – Restaurants, Lebensmittelgeschäfte und Marktplatz – abdeckt und zentrale Interaktionen wie Produktansichten, Hinzufügungen in den Einkaufswagen und Käufe verfolgte. Diese Konfiguration führte zwar zu verbesserten Konversionskennzahlen, beschränkte sich aber immer noch auf wöchentliche Updates, was bedeutete, dass den Benutzern an aufeinanderfolgenden Tagen dieselben Vorschläge unterbreitet wurden, was die Suche nach Produkten einschränkte. Das Unternehmen hat dieses Problem gelöst, indem es auf tägliche Updates umgestellt und branchenspezifische Modelle entwickelt hat, um die Ergebnisse kontextbezogen genauer zu machen und die Leistung zu steigern. „Dies war zwar eine wertvolle Iteration, aber die Verzögerung von 24 Stunden entsprach immer noch nicht der Reaktionsfähigkeit, die Snoonu als Unternehmen anstrebt“, so Gordeev. Dann wurde Snoonu klar, dass es an der Zeit war, das Produkt weiterzuentwickeln.

Optimierte Produktkategorisierung, unterstützt von Amazon Bedrock

Snoonu stellte eine generative KI-Lösung vor, die von Amazon Bedrock und Anthropic Claude 3.5 Sonnet unterstützt wird, um die Produktkategorisierung zu rationalisieren und das Benutzererlebnis zu verbessern. Das Unternehmen integrierte Amazon Bedrock Knowledge Bases, um seine Produktkategorisierung zu transformieren, indem es den Basismodellen Kontextinformationen aus seinen privaten Datenquellen zur Verfügung stellte, um relevantere, genauere und individuellere Antworten zu liefern. Die Lösung verwendet KI-Modelle, um neue Katalogeinträge zu verbessern, indem das Produkt anhand von Bild, Name und Beschreibung automatisch in eine vom Unternehmen definierte dreistufige Hierarchie eingeordnet wird. Die Lösung reduzierte den Aufwand von zwei Menschenjahren auf etwa einen Monat.

Wenn ein Partner ein neues Produkt auf dem Marktplatz von Snoonu platziert, kann die Lösung von Snoonu es sofort klassifizieren. Die Lösung nutzt Amazon Bedrock Knowledge Bases für eine verbesserte und maßgeschneiderte automatische Kategorisierung. Durch die deutliche Reduzierung des manuellen Arbeitsaufwands hat das Unternehmen den Mitarbeitern mehr Zeit eingeräumt, die zuvor für langwierige Überprüfungen und Katalogaktualisierungen aufgewendet wurde, sodass das Team in der Lage ist, neue Features zu entwickeln. Snoonu entwickelt außerdem ein automatisiertes System zur Inhaltsmoderation, das generative KI für die präzise Kennzeichnung von Inhalten nutzt und so eine sicherere Benutzerumgebung schafft. „Mit der Leistungsfähigkeit der KI verbessern wir es weiterhin monatlich mit Hilfe der Teams von AWS“, sagte Gordeev.

Personalisierung in Echtzeit

Um die Benutzerbindung zu erhöhen und dynamische, sitzungsspezifische Vorschläge zu unterbreiten, stellte sich Snoonu der nächsten Herausforderung: der Implementierung von Personalisierung in Echtzeit. Um dies zu erreichen, entwickelte das Unternehmen eine Architektur, die Benutzerinteraktionen, Batch-Trainings und Empfehlungen in Echtzeit mithilfe von Amazon Personalize nahtlos integriert. Amazon Personalize ist ein vollständig verwalteter Deep-Learning-Service (DL), der die Daten eines Unternehmens nutzt, um Produktempfehlungen für seine Benutzer zu generieren. Ein Einzelhändler stellt Daten über Endnutzer bereit, darunter Ereignisse (z. B. Aufrufe, Anmeldungen, Hinzufügen zum Warenkorb), Artikelmetadaten (z. B. Beschreibungen, Preis) und Benutzermetadaten (z. B. Gerätetyp, Land). Amazon Personalize verwendet diese Daten, um benutzerdefinierte, private Modelle zu trainieren, die Empfehlungen generieren, die über eine API an die Anwendung weitergeleitet werden können.

„Unsere Architektur besteht aus der Datenerfassung mithilfe von Amplitude Analytics, um Benutzerinteraktionen in unserer App zu erfassen und relevante Ereignisse nach Geschäftsbereichen zu filtern. Gefilterte Ereignisse werden in Echtzeit über Amazon Kinesis gestreamt, während bei täglichen Exporten nach BigQuery historische Daten für das erneute Training der Modelle gespeichert werden. Für das Batch Model Training speichern wir strukturierte Datensätze von Benutzern, Elementen und Interaktionen in BigQuery, die täglich in Databricks verarbeitet werden. Nach der Validierung und Funktionstransformation werden die Daten nach Amazon S3 exportiert und verwendet, um das Modell mithilfe von AWS Personalize neu zu trainieren. Diese tägliche Pipeline stellt sicher, dass unsere Empfehlungsmaschine stets auf dem neuesten Stand ist und auf das aktuelle Benutzerverhalten und den aktuellen Kontext abgestimmt ist. Für Empfehlungen in Echtzeit verfügen wir über eine AWS-Lambda-Funktion, die das Schema validiert, Amazon Personalize aktualisiert und Empfehlungsaktualisierungen auslöst“, so Gordeev. „Unsere Reise mit Amazon Personalize war ein Beweis für unsere Denkweise: Einfach anfangen, schnell lernen und intelligent skalieren.“

Zeitersparnis, Wachstum und automatische Erkennung

Die Auswirkungen des Projekts zur Produktkategorisierung sind:

•  Einsparung von fast 2 Menschenjahren bei der ersten Kategorisierung

•  Ersparnis von 55 Personentagen pro Monat bei der Kategorisierung neuer Produkte

•  Steigerung der Umsatzkonversionsrate um 10 %

• 1,5-facher Anstieg des Bestellumfangs

Die Auswirkungen des Empfehlungsprojekts in Echtzeit von Juli bis Dezember 2024 sind:

•  2,6 Millionen USD an zusätzlichem Bruttowarenwert (GMV), was den starken Beitrag des Unternehmens zum Umsatzwachstum unterstreicht

•  Durch Empfehlungen zum Einkaufswagen wurden Ereignisse zum Hinzufügen zum Einkaufswagen um bis zu 1 600 % gesteigert, wobei sich die Konversionsraten im Laufe der Zeit weiter verbessern

•  Eine 47-fache Rendite aus Investitionen in GMV

•  Ein durchschnittlicher Beitrag von 30 % zur Warenkorbgröße bei Bestellungen mit mindestens einem empfohlenen Produkt

Schließlich ist Snoonu bereit, sein Ziel auf internationaler Ebene zu erreichen.

„Mit AWS können wir als Startup von einer sehr einfachen Bereitstellung in der Startphase zu einer Architektur wechseln, um das Unternehmen international zu skalieren“, sagt Gordeev. „Zum Beispiel ist es sehr einfach, von virtuellen Maschinen zu Amazon ECS (Elastic Container Service) und dann zu Amazon EKS (Elastic Kubernetes Service) zu wechseln. Wir ändern unsere Infrastruktur ständig, um mehr Top-Lösungen wie Amazon Aurora Serverless als skalierbare Datenbank zu verwenden, und wir können ohne Unterbrechung unseres Geschäfts dahin migrieren. Wir vertrauen darauf, dass die Bereitstellung von Services in AWS uns dabei hilft, die Bedürfnisse unserer Kunden heute, morgen und in 10 Jahren zu erfüllen.“