Comment Snoonu a révolutionné son activité grâce à Amazon Bedrock et Amazon Personalize

Snoonu est la principale plateforme de commerce électronique du Qatar, proposant 15 services essentiels via une seule application complète. Ces services vont des repas rapides aux achats urgents en pharmacie, en passant par les courses et l'assistance personnelle aux achats (Snoosend). L'innovation et l'excellence sont les principes directeurs de Snoonu, qui s'efforce d'offrir la meilleure expérience d'achat et de livraison au Qatar. « Nous allons lancer de nombreux nouveaux services dans l'application Snoonu, et nous nous développons à l'international », a déclaré Nikita Gordeev, directrice technique de Snoonu. « L'utilisation d'Amazon Bedrock nous aide à lancer l'un de nos nouveaux services. » 

Catégorisation à forte intensité humaine et recommandations en temps réel

En tant que place de marché de commerce électronique en pleine croissance, Snoonu était confrontée à deux défis principaux : 1) la nécessité d'une catégorisation précise et 2) le besoin de recommandations personnalisées contextuellement précises et en temps réel.

Snoonu possédait un ensemble de places de marché en pleine croissance, chacune ayant sa propre structure de catalogue, ce qui représentait un défi à mesure que le volume de produits augmentait. « Un seul humain ne peut pas décider assez rapidement de la catégorie à attribuer à un produit. Nous avions environ un million de produits qui n'étaient pas du tout classés », explique Gordeev. « Si nous le faisons manuellement, cela peut prendre jusqu'à deux années de travail. » L'entreprise ne disposait pas non plus d'un moyen de détecter automatiquement les contenus inappropriés sur ses places de marché. 

« À mesure que nous évoluons, l'optimisation du classement et de la recommandation des produits et des commerçants dans l'application devient de plus en plus essentielle pour améliorer l'expérience utilisateur et stimuler la croissance », a déclaré Gordeev. Snoonu avait initialement opté pour un modèle mondial unique couvrant les produits de tous les secteurs verticaux, restaurants, épiceries et marchés, qui suivait les interactions de base telles que les consultations de produits, les ajouts au panier et les achats. Bien que cette configuration ait permis d'améliorer les indicateurs de conversion, elle était toujours limitée aux mises à jour hebdomadaires, ce qui signifiait que les utilisateurs recevaient les mêmes suggestions pendant plusieurs jours consécutifs, limitant ainsi la découverte de produits. L'entreprise a résolu ce problème en passant à des mises à jour quotidiennes et en créant des modèles spécifiques au secteur, ce qui permet d'obtenir des résultats plus précis en fonction du contexte et d'améliorer les performances. « Bien qu'il s'agisse d'une itération intéressante, le décalage de 24 heures n'est toujours pas à la hauteur du niveau de réactivité auquel Snoonu aspire en tant qu'entreprise », a déclaré Gordeev. Snoonu a alors réalisé qu'il était temps d'améliorer le produit.

Catégorisation rationalisée des produits grâce à Amazon Bedrock

Snoonu a dévoilé une solution d'IA générative, alimentée par Amazon Bedrock et Anthropic Claude 3.5 Sonnet, afin de rationaliser la catégorisation des produits et d'améliorer l'expérience utilisateur. L'entreprise a intégré les bases de connaissances Amazon Bedrock pour transformer la catégorisation de ses produits en fournissant aux modèles de base des informations contextuelles provenant de ses sources de données privées afin de fournir des réponses plus pertinentes, précises et personnalisées. La solution utilise des modèles d'IA pour améliorer les nouvelles entrées du catalogue, en utilisant l'image, le nom et la description pour classer automatiquement le produit dans une hiérarchie à 3 niveaux définie par l'entreprise. La solution a permis de réduire l'effort de deux années humaines à environ un mois.

Si un partenaire place un nouveau produit sur la place de marché de Snoonu, la solution de Snoonu peut immédiatement le classer. La solution s'appuie sur les bases de connaissances Amazon Bedrock pour une catégorisation automatique améliorée et personnalisée. En réduisant de manière significative le travail manuel, l'entreprise a libéré le temps qu'elle consacrait auparavant aux vérifications fastidieuses et aux mises à jour du catalogue, afin que l'équipe soit en mesure de créer de nouvelles fonctionnalités. Snoonu développe également un système de modération de contenu automatisé, qui exploite l'IA générative pour signaler avec précision le contenu, créant ainsi un environnement utilisateur plus sûr. « Grâce à la puissance de l'IA, nous continuons à l'améliorer tous les mois avec l'aide des équipes d'AWS », a déclaré Gordeev.

Personnalisation en temps réel

Pour améliorer l'engagement des utilisateurs et proposer des suggestions dynamiques tenant compte des sessions, Snoonu a relevé son prochain défi : mettre en œuvre la personnalisation en temps réel. Pour y parvenir, l'entreprise a développé une architecture qui intègre de manière fluide les interactions avec les utilisateurs, la formation par lots et les recommandations en temps réel à l'aide d'Amazon Personalize. Amazon Personalize est un service de deep learning (DL) entièrement géré qui exploite les données d'une entreprise afin de générer des recommandations de produits pour ses utilisateurs. Un détaillant fournit des données sur les utilisateurs finaux, notamment les événements (par exemple les vues, les inscriptions, les ajouts au panier), les métadonnées des articles (par exemple les descriptions, le prix) et les métadonnées des utilisateurs (par exemple, le type d'appareil, le pays). Amazon Personalize utilise ces données pour entraîner des modèles privés personnalisés qui génèrent des recommandations pouvant être transmises à l'application via une API.

« Notre architecture consiste à collecter des données à l'aide d'Amplitude Analytics pour capturer les interactions des utilisateurs sur notre application en filtrant les événements pertinents par secteur d'activité. Les événements filtrés sont diffusés en temps réel via Amazon Kinesis, tandis que les exportations quotidiennes vers BigQuery stockent les données historiques pour la reconversion du modèle. Pour l'entraînement des modèles par lots, nous stockons des jeux de données structurés d'utilisateurs, d'articles et d'interactions dans BigQuery, qui sont traités quotidiennement dans Databricks. Après validation et transformation des fonctionnalités, les données sont exportées vers Amazon S3 et utilisées pour réentraîner le modèle via AWS Personalize. Ce pipeline quotidien garantit que notre moteur de recommandations reste à jour et adapté au comportement et au contexte les plus récents des utilisateurs. Pour les recommandations en temps réel, nous disposons d'une fonction AWS Lambda qui valide le schéma, met à jour Amazon Personalize et déclenche les mises à jour des recommandations », explique Gordeev. « Notre parcours avec Amazon Personalize témoigne de notre état d'esprit : commencer simplement, apprendre rapidement et évoluer de manière intelligente. »

Gain de temps, croissance et détection automatisée

L'impact du projet de catégorisation des produits est le suivant :

•  Près de 2 années humaines économisées pour la catégorisation initiale

•  55 jours-personnes économisés chaque mois pour la catégorisation des nouveaux produits

•  Croissance de 10 % du taux de conversion des ventes

• Augmentation de 1,5 fois du volume des commandes

L'impact du projet de recommandation en temps réel de juillet à décembre 2024 est le suivant :

•  2,6 millions d'USD de valeur brute des marchandises (GMV) supplémentaire, soulignant sa forte contribution à la croissance des revenus

•  Les événements d'ajout au panier ont été augmentés jusqu'à 1 600 % grâce aux recommandations de panier, et les taux de conversion continuent de s'améliorer au fil du temps

•  Un retour sur investissement de la GMV multiplié par 47

•  Une contribution moyenne de 30 % à la taille du panier pour les commandes comportant au moins un produit recommandé

Enfin, Snoonu est en passe d'atteindre son objectif d'envergure internationale.

« AWS nous permet, en tant que start-up, de passer d'un déploiement très basique pendant la phase de démarrage à une architecture permettant de développer l'activité à l'international », explique Gordeev. « Par exemple, il est très facile de passer des machines virtuelles à Amazon ECS (Elastic Container Service), puis à Amazon EKS (Elastic Kubernetes Service). Nous modifions constamment notre infrastructure pour utiliser davantage de solutions de pointe, telles queAmazon Aurora sans serveur en tant que base de données évolutive, et nous pouvons migrer vers cette infrastructure sans aucune interruption de nos activités. Nous sommes convaincus que la création de services sur AWS nous aide à répondre aux besoins de nos clients aujourd'hui, demain et dans 10 ans. »