Cómo Snoonu revolucionó su negocio con Amazon Bedrock y Amazon Personalize

Snoonu es la plataforma de comercio electrónico líder de Qatar y ofrece 15 servicios esenciales a través de una única aplicación integral. Estos servicios van desde comidas rápidas hasta visitas urgentes a farmacias, compras de comestibles y asistencia personal para la compra (Snoosend). La innovación y la excelencia son los principios rectores de Snoonu, que se esfuerza por ofrecer la mejor experiencia de compra y entrega en Qatar. “Vamos a lanzar muchos servicios nuevos dentro de la aplicación Snoonu y nos estamos expandiendo internacionalmente”, dijo Nikita Gordeev, director de tecnología de Snoonu. “El uso de Amazon Bedrock nos ayuda a lanzar uno de nuestros nuevos servicios”. 

Clasificación intensiva en humanos y recomendaciones en tiempo real

Como mercado de comercio electrónico de rápido crecimiento, Snoonu se enfrentó a dos desafíos principales: 1) la necesidad de una clasificación precisa y 2) la necesidad de recomendaciones personalizadas contextualmente precisas y en tiempo real.

Snoonu tenía un conjunto de mercados en rápido crecimiento, y cada uno tenía su propia estructura de catálogo, lo que supuso un desafío a medida que crecía el volumen de productos. “Una sola persona no puede tomar una decisión lo suficientemente rápida sobre a qué categoría se le debe asignar un producto. Teníamos alrededor de un millón de productos que no estaban clasificados en absoluto”, dijo Gordeev. “Si lo hacemos manualmente, puede llevar hasta dos años de trabajo humano”. La empresa tampoco tenía una forma de detectar automáticamente el contenido inapropiado en sus mercados. 

“A medida que escalamos, la optimización de la clasificación y las recomendaciones de los productos y los comerciantes en la aplicación se ha vuelto cada vez más importante para mejorar la experiencia del usuario e impulsar el crecimiento”, afirma Gordeev. Al principio, Snoonu optó por un modelo global único que abarcara productos de todos los mercados verticales (restaurantes, tiendas de comestibles y mercados) y que rastreaba las interacciones principales, como las visualizaciones de los productos, las adiciones a los carritos y las compras. Si bien esta configuración permitió mejorar las métricas de conversión, seguía limitándose a las actualizaciones semanales, lo que significaba que los usuarios recibían las mismas sugerencias durante días consecutivos, lo que limitaba el descubrimiento de productos. Para solucionar este problema, la empresa adoptó las actualizaciones diarias y creó modelos específicos para cada sector, lo que permitió obtener resultados más precisos desde el contexto y aumentar el rendimiento. “Si bien esta fue una iteración valiosa, el retraso de 24 horas aún no alcanzó el nivel de capacidad de respuesta que Snoonu busca como empresa”, afirma Gordeev. Entonces, Snoonu se dio cuenta de que había llegado el momento de subir el nivel del producto.

Clasificación de productos simplificada con la tecnología de Amazon Bedrock

Snoonu presentó una solución de IA generativa, impulsada por Amazon Bedrock y Anthropic Claude 3.5 Sonnet, para agilizar la clasificación de los productos y mejorar la experiencia del usuario. La empresa integró las bases de conocimiento de Amazon Bedrock para transformar la clasificación de sus productos al proporcionar a los modelos básicos información contextual de sus orígenes de datos privados para ofrecer respuestas más relevantes, precisas y personalizadas. La solución utiliza modelos de inteligencia artificial para mejorar las nuevas entradas del catálogo, mediante el uso de la imagen, el nombre y la descripción para clasificar automáticamente el producto en una jerarquía de 3 niveles definida por la empresa. La solución redujo el esfuerzo de dos años humanos a alrededor de un mes.

Si un socio coloca un nuevo producto en el mercado de Snoonu, la solución de Snoonu puede clasificarlo inmediatamente. La solución aprovecha las bases de conocimiento de Amazon Bedrock para una clasificación automática mejorada y personalizada. Al reducir considerablemente la mano de obra, la empresa ha reducido el tiempo que el personal dedicaba antes a tediosas comprobaciones y actualizaciones de catálogos, de modo que el equipo puede crear nuevas características. Snoonu también está creando un sistema automatizado de moderación de contenido, que aprovecha la IA generativa para marcar el contenido con precisión y crea un entorno de usuario más seguro. “Gracias a la potencia de la IA, continuamos mejorándolo mensualmente con la ayuda de los equipos de AWS”, afirma Gordeev.

Personalización en tiempo real

Para aumentar la participación de los usuarios y ofrecer sugerencias dinámicas y adaptadas a las sesiones, Snoonu asumió su siguiente desafío: implementar la personalización en tiempo real. Para lograrlo, la empresa creó una arquitectura que integra a la perfección las interacciones de los usuarios, la formación por lotes y las recomendaciones en tiempo real mediante Amazon Personalize. Amazon Personalize es un servicio de aprendizaje profundo (DL) totalmente gestionado que aprovecha los datos de una empresa para generar recomendaciones de productos para sus usuarios. Un minorista proporciona datos sobre los usuarios finales, incluidos los eventos (p. ej., las visualizaciones, las suscripciones o los productos agregados al carrito), los metadatos de los artículos (p. ej., las descripciones, el precio) y los metadatos de los usuarios (p. ej., el tipo de dispositivo o el país). Amazon Personalize usa estos datos para entrenar modelos privados y personalizados que generen recomendaciones que se pueden enviar a la aplicación a través de una API.

“Nuestra arquitectura consiste en la recopilación de datos mediante Amplitude Analytics para capturar las interacciones de los usuarios en nuestra aplicación, filtrando los eventos relevantes por sector empresarial. Los eventos filtrados se transmiten en tiempo real a través de Amazon Kinesis, mientras que las exportaciones diarias a BigQuery almacenan datos históricos para volver a entrenar los modelos. Para el entrenamiento del modelo por lotes, almacenamos conjuntos de datos estructurados de usuarios, elementos e interacciones en BigQuery, que se procesan a diario en Databricks. Tras la validación y la transformación de las características, los datos se exportan a Amazon S3 y se utilizan para volver a entrenar el modelo a través de AWS Personalize. Este proceso diario garantiza que nuestro motor de recomendaciones se mantenga actualizado y alineado con el comportamiento y el contexto de los usuarios más recientes. Para las recomendaciones en tiempo real, contamos con una función de AWS Lambda que valida el esquema, actualiza Amazon Personalize y activa las actualizaciones de las recomendaciones”, afirma Gordeev. “Nuestra experiencia con Amazon Personalize ha sido un testimonio de nuestra mentalidad: empezar de forma sencilla, aprender rápido y escalar de forma inteligente”.

Ahorro de tiempo, crecimiento y detección automatizada

El impacto del proyecto de clasificación de productos es:

•  Ahorro de casi 2 años humanos para la clasificación inicial

•  Ahorros de 55 días/persona cada mes para la clasificación de nuevos productos

•  Crecimiento del 10 % en la tasa de conversión de ventas

• Aumento de 1,5 veces en el volumen de pedidos

El impacto del proyecto de recomendaciones en tiempo real de julio a diciembre de 2024 es:

•  2,6 millones USD en valor bruto de mercancía (GMV) incremental, lo que destaca su fuerte contribución al crecimiento de los ingresos

•  Los eventos para añadir productos al carrito aumentaron hasta un 1600 % gracias a las recomendaciones de carrito, y las tasas de conversión siguieron mejorando con el tiempo

•  Un retorno de la inversión de 47 veces mayor en GMV

•  Una contribución media del 30 % respecto al tamaño de la cesta en los pedidos con al menos un producto recomendado

Por último, Snoonu está preparado para lograr su objetivo de escala internacional.

“AWS nos permite, como startup, pasar de un despliegue muy básico durante la fase inicial a una arquitectura para que escale el negocio a nivel internacional”, afirma Gordeev. “Por ejemplo, es muy fácil pasar de las máquinas virtuales a Amazon ECS (Elastic Container Service) y, después, a Amazon EKS (Elastic Kubernetes Service). Cambiamos constantemente nuestra infraestructura para usar más soluciones de primer nivel, como Amazon Aurora sin servidor, como base de datos para escalar, y podemos migrar a ella sin interrumpir nuestro negocio. Confiamos en que la creación de servicios en AWS nos ayude a satisfacer las necesidades de nuestros clientes hoy, mañana y dentro de 10 años”.