Bagaimana Snoonu merevolusi bisnisnya menggunakan Amazon Bedrock dan Amazon Personalize

Snoonu adalah platform e-commerce terkemuka dari Qatar, yang menawarkan 15 layanan penting melalui satu aplikasi komprehensif. Layanan ini terdiri dari makanan cepat saji hingga proses apotek darurat, belanja bahan makanan, dan bantuan belanja pribadi (Snoosend). Inovasi dan keunggulan merupakan prinsip panduan dari Snoonu karena ia berusaha untuk memberikan pengalaman belanja serta pengiriman terbaik di Qatar. “Kami akan meluncurkan banyak layanan baru di dalam aplikasi Snoonu, dan kami melakukan ekspansi secara internasional,” kata Nikita Gordeev, CTO di Snoonu. “Menggunakan Amazon Bedrock membantu kami meluncurkan salah satu layanan baru kami." 

Kategorisasi Intensif Manusia dan Rekomendasi Waktu Nyata

Sebagai marketplace e-commerce yang berkembang pesat, Snoonu menghadapi dua tantangan utama: 1) kebutuhan untuk kategorisasi yang akurat, dan 2) kebutuhan untuk rekomendasi yang dipersonalisasi secara kontekstual dan akurat secara waktu nyata.

Snoonu memiliki sekumpulan marketplace yang berkembang pesat, dengan masing-masing memiliki struktur katalognya sendiri, yang menghadirkan tantangan seiring bertambahnya volume produk. “Seorang manusia tidak dapat mengambil keputusan yang cukup cepat mengenai kategori produk apa yang harus ditetapkan. Kami memiliki sekitar satu juta produk yang belum dikategorikan sama sekali,” kata Gordeev. “Jika kami melakukannya secara manual, itu bisa memakan waktu hingga dua tahun kerja manusia.” Perusahaan juga tidak memiliki cara untuk secara otomatis mendeteksi konten yang tidak pantas di marketplace miliknya.

“Seiring dengan penskalaan kami, mengoptimalkan peringkat dan rekomendasi produk dan merchant di seluruh aplikasi menjadi makin penting untuk meningkatkan pengalaman pengguna serta mendorong pertumbuhan,” kata Gordeev. Snoonu awalnya memilih satu model global yang mencakup produk dari semua vertikal – restoran, bahan makanan, serta marketplace – yang melacak interaksi inti seperti tampilan produk, penambahan keranjang, dan pembelian. Meskipun pengaturan ini menghasilkan metrik konversi yang lebih baik, pengaturan ini masih terbatas pada pembaruan mingguan, yang berarti bahwa pengguna disajikan dengan saran yang sama selama beberapa hari berturut-turut, sehingga membatasi penemuan produk. Perusahaan mengatasi hal ini dengan beralih ke pembaruan harian dan membuat model spesifik vertikal, yang membuat hasil lebih akurat secara kontekstual dan meningkatkan performa. “Meskipun hal ini merupakan iterasi yang berharga, sendat 24 jam masih kurang dari tingkat keresponsifan yang diperjuangkan Snoonu sebagai perusahaan,” kata Gordeev. Snoonu kemudian menyadari bahwa sudah waktunya untuk meningkatkan produk.

Kategorisasi Produk yang Efisien yang Didukung oleh Amazon Bedrock

Snoonu meluncurkan solusi AI generatif, yang didukung oleh Amazon Bedrock dan Anthropic Claude 3.5 Sonnet, untuk menyederhanakan kategorisasi produk dan meningkatkan pengalaman pengguna. Perusahaan mengintegrasikan Basis Pengetahuan Amazon Bedrock untuk mentransformasi kategorisasi produknya dengan memberikan informasi kontekstual ke model fondasi dari sumber data privatnya guna memberikan respons yang lebih relevan, akurat, serta disesuaikan. Solusi ini menggunakan model AI untuk meningkatkan entri katalog baru, dengan menggunakan gambar, nama, dan deskripsi untuk secara otomatis mengategorikan produk ke dalam hierarki 3 tingkat yang ditentukan oleh bisnis. Solusi ini mengurangi upaya dari dua tahun manusia menjadi sekitar satu bulan.

Jika partner menempatkan produk baru di marketplace Snoonu, solusi Snoonu dapat segera mengklasifikasikannya. Solusi ini memanfaatkan Basis Pengetahuan Amazon Bedrock untuk kategorisasi otomatis yang disempurnakan dan disesuaikan. Dengan mengurangi tenaga kerja manual secara signifikan, perusahaan telah membebaskan waktu staf yang sebelumnya dihabiskan untuk pemeriksaan yang membosankan dan pembaruan katalog, jadi tim dapat membangun fitur baru. Snoonu juga membangun sistem moderasi konten otomatis, yang memanfaatkan AI generatif untuk penandaan konten yang tepat, menciptakan lingkungan pengguna yang lebih aman. “Dengan kemampuan AI, kami terus meningkatkannya setiap bulan menggunakan bantuan tim di AWS,” kata Gordeev.

Personalisasi Waktu Nyata

Untuk meningkatkan keterlibatan pengguna dan memberikan saran yang dinamis dan sadar sesi, Snoonu mengambil tantangan berikutnya: mengimplementasikan personalisasi waktu nyata. Untuk mencapai hal ini, perusahaan membangun arsitektur yang secara lancar mengintegrasikan interaksi pengguna, pelatihan batch, serta rekomendasi waktu nyata menggunakan Amazon Personalize. Amazon Personalize adalah layanan deep learning (DL) terkelola penuh yang memanfaatkan data perusahaan untuk menghasilkan rekomendasi produk bagi penggunanya. Peretail menyediakan data tentang pengguna akhir termasuk peristiwa (misalnya, melihat, mendaftar, menambahkan-ke-keranjang), metadata item (misalnya, deskripsi, harga), dan metadata pengguna (misalnya, jenis perangkat, negara). Amazon Personalize menggunakan data ini untuk melatih model kustom dan privat yang menghasilkan rekomendasi yang dapat muncul di aplikasi melalui API.

“Arsitektur kami terdiri dari pengumpulan data menggunakan Amplitude Analytics untuk mengambil interaksi pengguna di seluruh aplikasi kami, memfilter peristiwa yang relevan berdasarkan vertikal bisnis. Peristiwa yang difilter mengalir secara waktu nyata melalui Amazon Kinesis, sementara ekspor harian ke BigQuery menyimpan data historis untuk pelatihan ulang model. Untuk Pelatihan Model Batch, kami menyimpan set data terstruktur pengguna, item, dan interaksi di BigQuery, yang diproses setiap hari di Databricks. Setelah validasi dan transformasi fitur, data diekspor ke Amazon S3 serta digunakan untuk melatih ulang model melalui AWS Personalize. Jalur harian ini memastikan mesin rekomendasi kami tetap segar dan selaras dengan perilaku dan konteks pengguna terbaru. Untuk rekomendasi waktu nyata, kami memiliki fungsi AWS Lambda yang memvalidasi skema, memperbarui Amazon Personalize, serta memicu pembaruan rekomendasi,” kata Gordeev. “Perjalanan kami dengan Amazon Personalize telah menjadi bukti pola pikir kami: Memulai dengan sederhana, belajar cepat, dan menskalakan dengan cerdas.”

Penghematan Waktu, Pertumbuhan, dan Deteksi Otomatis

Dampak proyek kategorisasi produk adalah:

•  Penghematan hampir 2 tahun manusia untuk kategorisasi awal

•  Penghematan 55 hari orang setiap bulan untuk kategorisasi produk baru

•  Pertumbuhan sebesar 10% dalam laju konversi penjualan

• 1,5x peningkatan volume pesanan

Dampak proyek rekomendasi waktu nyata dari bulan Juli hingga Desember 2024 adalah:

•  Gross Merchandise Value (GMV) meningkat sebesar 2,6 juta (USD), yang menyoroti kontribusinya yang kuat terhadap pertumbuhan pendapatan

•  Peristiwa Tambahkan-ke-Keranjang meningkat hingga 1.600% melalui rekomendasi keranjang, dengan laju konversi terus meningkat dari waktu ke waktu

•  Pengembalian investasi sebesar 47x di GMV

•  Rata-rata kontribusi sebesar 30% untuk ukuran keranjang dalam pesanan dengan setidaknya satu produk yang direkomendasikan

Akhirnya, Snoonu siap untuk mencapai tujuannya dalam skala internasional.

“AWS memungkinkan kami sebagai perusahaan rintisan untuk beralih dari deployment yang sangat dasar selama tahap perusahaan rintisan, ke arsitektur untuk menskalakan bisnis secara internasional.” kata Gordeev. “Misalnya, sangat mudah untuk pindah dari mesin virtual ke Amazon ECS (Elastic Container Service), lalu ke Amazon EKS (Elastic Kubernetes Service). Kami selalu mengubah infrastruktur kami untuk menggunakan lebih banyak solusi terbaik, seperti Amazon Aurora Nirserver sebagai basis data untuk skala, dan kami dapat bermigrasi ke sana tanpa gangguan pada bisnis kami. Kami percaya bahwa membangun layanan di AWS membantu kami memberdayakan kebutuhan pelanggan kami hari ini, besok, dan dalam 10 tahun.”