Come Snoonu ha rivoluzionato il suo business utilizzando Amazon Bedrock e Amazon Personalize

Snoonu è la principale piattaforma di e-commerce del Qatar, che offre 15 servizi essenziali attraverso un'unica applicazione completa. Questi servizi vanno dai pasti veloci alle visite urgenti in farmacia, alla spesa e all'assistenza personale per gli acquisti (Snoosend). Innovazione ed eccellenza sono i principi guida di Snoonu, che si impegna a offrire la migliore esperienza di acquisto e consegna in Qatar. "Lanceremo numerosi nuovi servizi all'interno dell'applicazione Snoonu e ci espanderemo a livello internazionale", ha dichiarato Nikita Gordeev, CTO di Snoonu. "L'utilizzo di Amazon Bedrock ci aiuta a lanciare i nostri nuovi servizi". 

Categorizzazione ad alta intensità umana e raccomandazioni in tempo reale

Essendo un mercato di e-commerce in rapida crescita, Snoonu ha dovuto affrontare due difficoltà principali: 1) la necessità di una categorizzazione accurata e 2) la necessità di raccomandazioni personalizzate in tempo reale, contestualmente accurate.

Snoonu aveva una serie di mercati in rapida crescita, ognuno dei quali aveva una propria struttura di catalogo, il che rappresentava una sfida man mano che il volume dei prodotti cresceva. "Un singolo essere umano non è in grado di decidere con sufficiente rapidità a quale categoria assegnare un prodotto. Avevamo quasi un milione di prodotti che non erano proprio classificati", ha detto Gordeev. "Se avessimo dovuto farlo manualmente, sarebbero stati necessari fino a due anni umani di lavoro". L'azienda non disponeva inoltre di un modo per rilevare automaticamente i contenuti inappropriati sui propri marketplace.

"Man mano che cresciamo, l'ottimizzazione del posizionamento e delle raccomandazioni di prodotti e commercianti nell'app è diventato sempre più importante per migliorare l'esperienza degli utenti e stimolare la crescita», ha affermato Gordeev. Inizialmente Snoonu ha optato per un unico modello globale che coprisse i prodotti di tutti i settori verticali (ristoranti, alimentari e marketplace) e che tenesse traccia delle interazioni principali come le visualizzazioni dei prodotti, le aggiunte al carrello e gli acquisti. Sebbene questa configurazione consentisse di migliorare i parametri di conversione, era comunque limitata agli aggiornamenti settimanali, il che significava che agli utenti venivano presentati gli stessi suggerimenti per giorni consecutivi, limitando così la scoperta di altri prodotti. L'azienda ha risolto questo problema passando agli aggiornamenti giornalieri e creando modelli verticali specifici, rendendo i risultati più accurati dal punto di vista contestuale e migliorando le prestazioni. "Sebbene si sia trattato di un'iterazione preziosa, il ritardo di 24 ore non è stato ancora sufficiente a raggiungere il livello di reattività a cui Snoonu aspirava come azienda.", ha affermato Gordeev. Snoonu si è quindi reso conto che era giunto il momento di migliorare il prodotto.

Categorizzazione semplificata dei prodotti basata su Amazon Bedrock

Snoonu ha presentato una soluzione di IA generativa, basata su Amazon Bedrock e Anthropic Claude 3.5 Sonnet, per semplificare la categorizzazione dei prodotti e migliorare l'esperienza degli utenti. L'azienda ha integrato le Knowledge Base di Amazon Bedrock per trasformare la categorizzazione dei prodotti fornendo ai modelli di base informazioni contestuali provenienti dalle sue fonti di dati private per fornire risposte più pertinenti, accurate e personalizzate. La soluzione utilizza modelli di intelligenza artificiale per migliorare le nuove voci del catalogo, utilizzando l'immagine, il nome e la descrizione per classificare automaticamente il prodotto in una gerarchia a 3 livelli definita dall'azienda. La soluzione ha ridotto lo sforzo da due anni umani a circa un mese.

Se un partner inserisce un nuovo prodotto sul marketplace di Snoonu, la soluzione di Snoonu riesce a classificarlo immediatamente. La soluzione sfrutta le Knowledge Base di Amazon Bedrock per una categorizzazione automatica avanzata e personalizzata. Grazie alla significativa riduzione del lavoro manuale, l'azienda ha liberato il personale dal tempo che prima veniva impiegato in noiosi controlli e aggiornamenti del catalogo, consentendo al team di sviluppare nuove funzionalità. Snoonu sta inoltre creando un sistema automatizzato di moderazione dei contenuti, che sfrutta l'IA generativa per contrassegnare con precisione i contenuti, creando un ambiente utente più sicuro. "Grazie alla potenza dell'intelligenza artificiale, continuiamo a migliorarla su base mensile con l'aiuto dei team di AWS", ha affermato Gordeev.

Personalizzazione in tempo reale

Per aumentare il coinvolgimento degli utenti e fornire suggerimenti dinamici e sensibili alla sessione, Snoonu ha accettato la sua prossima sfida: implementare la personalizzazione in tempo reale. Per raggiungere questo obiettivo, l'azienda ha creato un'architettura che integra perfettamente le interazioni con gli utenti, la formazione in batch e i consigli in tempo reale utilizzando Amazon Personalize. Amazon Personalize è un servizio di deep learning (DL) completamente gestito che sfrutta i dati di un'azienda per generare consigli sui prodotti per i suoi utenti. Un rivenditore fornisce dati sugli utenti finali, inclusi eventi (ad esempio visualizzazioni, iscrizioni, aggiunte al carrello), metadati degli articoli (ad esempio descrizioni, prezzo) e metadati degli utenti (ad esempio, tipo di dispositivo, paese). Amazon Personalize utilizza questi dati per addestrare modelli privati personalizzati che generano consigli che possono essere visualizzati all'applicazione tramite un'API.

"La nostra architettura consiste nella raccolta di dati tramite Amplitude Analytics per acquisire le interazioni degli utenti attraverso la nostra app, filtrando gli eventi rilevanti per verticale aziendale. Gli eventi filtrati vengono quindi trasmessi in tempo reale tramite Amazon Kinesis, mentre le esportazioni giornaliere verso BigQuery archiviano i dati storici per il riaddestramento dei modelli. Per l’addestramento dei modelli in batch, archiviamo set di dati strutturati di utenti, elementi e interazioni in BigQuery, che vengono elaborati quotidianamente in Databricks. Dopo la convalida e la trasformazione delle funzionalità, i dati vengono esportati in Amazon S3 e utilizzati per riaddestrare il modello tramite AWS Personalize. Questa pipeline giornaliera garantisce che il nostro motore di raccomandazione rimanga aggiornato e allineato al comportamento e al contesto degli utenti più recenti. Per le raccomandazioni in tempo reale, disponiamo di una funzione AWS Lambda che convalida lo schema, aggiorna Amazon Personalize e attiva gli aggiornamenti dei suggerimenti", ha affermato Gordeev. "Il nostro percorso con Amazon Personalize è una dimostrazione della nostra mentalità: iniziare in modo semplice, imparare velocemente e scalare in modo intelligente".

Risparmio di tempo, crescita e rilevamento automatico

L'impatto del progetto di categorizzazione dei prodotti è:

•  Risparmio di quasi 2 anni umani per la categorizzazione iniziale

•  Risparmio di 55 giorni/persona al mese per una nuova categorizzazione dei prodotti

•  Crescita del 10% del tasso di conversione delle vendite

• Aumento di 1,5 volte del volume degli ordini

L'impatto del progetto di raccomandazione in tempo reale da luglio a dicembre 2024 è:

•  2,6 milioni di dollari di Gross Merchandise Value (GMV) incrementale, evidenziando il suo forte contributo alla crescita dei ricavi

•  Gli eventi di aggiunta al carrello sono aumentati fino al 1.600% grazie ai suggerimenti per i carrelli, con tassi di conversione che continuano a migliorare nel tempo

•  Un ritorno sull'investimento di 47 volte in GMV

•  Un contributo medio del 30% alle dimensioni del carrello negli ordini con almeno un prodotto consigliato

Infine, Snoonu è pronta a raggiungere il suo obiettivo su scala internazionale.

"AWS ci consente come startup di passare da un'implementazione molto semplice durante la fase di avvio a un'architettura per scalare il business a livello internazionale", afferma Gordeev. "Ad esempio, è molto semplice passare dalle macchine virtuali ad Amazon ECS (Elastic Container Service) e quindi ad Amazon EKS (Elastic Kubernetes Service). Cambiamo continuamente la nostra infrastruttura per utilizzare più soluzioni all'avanguardia, come Amazon Aurora Serverless come database scalabile, e possiamo migrare ad essa senza alcuna interruzione della nostra attività. Crediamo che la creazione di servizi su AWS ci aiuti a soddisfare le esigenze dei nostri clienti oggi, domani e tra 10 anni".