Amazon Bedrock과 Amazon Personalize로 비즈니스를 혁신한 Snoonu

Snoonu는 카타르의 전자 상거래 선도 플랫폼으로, 종합적인 단일 애플리케이션을 통해 15가지 필수 서비스를 제공하고 있습니다. 간편식부터 급한 약국 심부름, 식료품 장보기, 개인 쇼핑 도우미(Snoosend)까지 폭넓은 서비스를 제공합니다. Snoonu에서는 혁신과 우수성을 지도 원리로 삼아 카타르 최고의 쇼핑 및 배달 경험을 제공하기 위해 노력합니다. Snoonu의 CTO인 Nikita Gordeev는 “Snoonu 애플리케이션 내에서 다양한 신규 서비스를 출시할 예정이고, 외로도 활동 범위를 넓히고 있습니다. 신규 서비스를 출시할 때 Amazon Bedrock이 큰 도움이 됐습니다.”라고 말했습니다. 

인력 집약적 분류와 실시간 추천

Snoonu는 급속도로 성장 중인 전자 상거래 마켓플레이스로서 크게 두 가지 난관에 직면했습니다. 1) 정확한 분류가 필요하고 2) 컨텍스트가 정확한 실시간 맞춤형 추천이 필요하다는 점이었습니다.

Snoonu는 빠르게 성장하는 마켓플레이스를 보유하고 있었고, 마켓플레이스마다 자체적인 카탈로그 구조가 있었기 때문에 상품 물량이 늘어나면서 문제가 점점 심각해졌습니다. Gordeev는 “한 사람의 힘으로는 어떤 상품이 어느 카테고리에 할당되어야 하는지 빠르게 결정을 내리는 데 한계가 있습니다. 전혀 분류되지 않은 상품만 백만 개 정도 됐어요. 수작업으로 한다면 최장 2년은 걸릴 수도 있죠.”라고 말했습니다. 또한 자사 마켓플레이스에서 부적절한 콘텐츠를 자동으로 탐지할 방법도 없었습니다. 

Gordeev는 “규모가 커지면서 앱 전체에서 상품과 판매자의 순위와 추천을 최적화하는 작업이 사용자 경험을 향상하고 성장을 도모하는 데 점점 더 중요해졌습니다.”라고 말했습니다. Snoonu는 처음에는 레스토랑, 식료품, 마켓플레이스 등 업종을 가리지 않고 모든 상품을 취급하는 하나의 글로벌 모델을 선택해 상품 리뷰, 장바구니에 추가, 구매와 같은 코어 상호작용을 추적하는 방식으로 운영되었습니다. 이로써 전환 지표는 개선되었지만, 여전히 주간 업데이트에 그치는 정도이므로 사용자에게 며칠 동안 연이어 같은 추천이 표시되고, 결국 상품을 발견하는 데 한계가 있었습니다. Snoonu는 이 문제를 해결하기 위해 일일 업데이트로 전환하고, 업종별 모델을 만들어 결과가 컨텍스트에 기반해 더 정확하게 표시되도록 개선하고 성능도 대폭 향상시켰습니다. Gordeev는 “이것도 가치 있는 반복 작업이었지만, 24시간 지연은 여전히 Snoonu에서 추구하는 응답성 수준에는 미치지 못했습니다.”라고 말했습니다. Snoonu는 그때 상품 수준을 업그레이드할 때라는 사실을 깨달았습니다.

Amazon Bedrock에 기반한 간소화된 상품 분류

Snoonu는 상품 분류를 간소화하고 사용자 경험을 향상하고자 Amazon Bedrcok과 Anthropic Claude 3.5 Sonnet에 기반한 생성형 AI 솔루션을 사용했습니다. 이 회사에서는 Amazon Bedrock Knowledge Bases를 통합하여 파운데이션 모델에 비공개 데이터 소스에서 입수한 컨텍스트 정보를 제공하여 더 관련성 있고 정확한 맞춤형 응답을 제공함으로써 상품 분류를 대대적으로 혁신했습니다. 이 솔루션은 AI 모델로 새 카탈로그 입력 항목을 개선합니다. 이미지, 이름과 설명을 통해 상품을 비즈니스에서 정의한 3레벨 계층 구조로 자동 분류하는 것입니다. 이 솔루션을 사용하면 인력으로 2년이 걸리는 작업을 약 한 달로 단축할 수 있습니다.

한 파트너가 Snoonu 마켓플레이스에 새 상품을 올리면 Snoonu 솔루션은 해당 상품을 즉시 분류할 수 있습니다. 이 솔루션은 Amazon Bedrock Knowledge Bases를 통해 자동 분류를 강화하고 사용자 지정합니다. 이렇게 수작업량을 대폭 줄임으로써 이전에는 지루한 검사나 카탈로그 업데이트에 할애하던 시간을 확보하여 새로운 기능을 빌드하는 데 사용할 수 있게 되었습니다. 또한 Snoonu에서는 자동 콘텐츠 조정 시스템도 빌드 중이며, 여기에서는 생성형 AI를 활용해 정밀한 콘텐츠 플래그 지정을 제공하고 안전한 사용자 환경을 조성합니다. Gordeev는 “AWS 팀의 도움을 받아 AI 기능을 통해 매달 시스템을 개선하고 있습니다.”라고 말했습니다.

실시간 개인화

Snoonu에서는 사용자 참여도를 높이고 동적인 세션 인식형 추천을 제공하기 위해 다음 도전 과제인 실시간 개인화를 구현하기 시작했습니다. 이 목표를 달성하기 위해 Amazon Personalize를 사용해 사용자 상호작용, 배치 훈련과 실시간 추천을 원활하게 통합하는 아키텍처를 구축했습니다. Amazon Personalize는 완전관리형 딥 러닝(DL) 서비스로, 회사 데이터를 활용해 그 회사의 사용자에게 맞는 상품 추천을 생성합니다. 소매업체에서 이벤트(예: 조회수, 가입, 장바구니에 추가), 항목 메타데이터(예: 설명, 가격) 및 사용자 메타데이터(예: 디바이스 유형, 국가) 등 최종 사용자 관련 데이터를 제공하면 Amazon Personalize는 이 데이터를 사용해 사용자 지정, 프라이빗 모델을 훈련하여 추천을 생성하고, 이러한 추천이 API를 통해 애플리케이션에 표시됩니다.

Gordeev는 “저희 아키텍처는 Amplitude Analytics를 사용해 앱 전체에서 사용자 상호작용을 캡처하는 데이터 컬렉션으로 구성되고, 여기에서 비즈니스 업종별로 관련 이벤트를 필터링합니다. 필터링된 이벤트는 Amazon Kinesis를 통해 실시간으로 스트리밍되고, BigQuery로 매일 내보내기를 통해 모델 재훈련에 사용할 과거 데이터를 저장합니다. 배치 모델 훈련의 경우 사용자, 항목과 상호작용으로 구성된 구조적 데이터세트를 BigQuery에 저장해서 Databricks에서 매일 처리합니다. 데이터는 검증과 특성 형성을 거친 뒤 Amazon S3로 내보내 AWS Personalize를 통해 모델을 다시 훈련하는 데 사용됩니다. 이러한 일일 파이프라인 덕분에 추천 엔진이 최신 상태를 유지하고, 사용자의 최근 행동과 컨텍스트에 맞출 수 있습니다. 실시간 추천의 경우, AWS Lambda 함수를 사용해 스키마를 검증하고 Amazon Personalize를 업데이트하며 추천 업데이트를 트리거하고 있습니다. 그동안 Amazon Personalize와 함께 거쳐 온 여정은 단순하게 시작하고 빠르게 배워서 스마트하게 확장한다는 Snoonu의 사고방식을 실증합니다.”라고 말했습니다.

시간 절약, 성장과 자동 탐지

상품 분류 프로젝트의 효과:

•  1차 분류에 인력 투입 시 걸리는 시간 약 2년 절감

•  매달 신상품 분류에 55명의 인건비 절감

•  판매 전환율 10% 성장

• 주문 물량 1.5배 증가

2024년 7월부터 12월까지 실시간 추천 프로젝트의 효과는 아래와 같습니다.

•  증분 총 매출액(GMV) 260만 USD 기록, 매출 증대에 크게 기여

•  장바구니 추천을 통해 ‘장바구니에 추가’ 이벤트 최고 1,600% 증가, 전환율이 계속 개선 중

•  GMV 투자 수익 47배 달성

•  추천받은 상품을 하나 이상 포함한 주문이 장바구니 크기에 미치는 기여도 평균 30%

마지막으로, Snoonu는 해외 무대에서도 목표를 실현할 준비를 마쳤습니다.

Gordeev는 “AWS 덕분에 스타트업 단계의 극히 기초적인 배포에서 비즈니스를 해외로 확장할 수 있는 아키텍처로 전환하는 데 큰 도움이 되었습니다.”라고 말하면서, “예를 들어, 가상 머신을 Amazon ECS(Elastic Container Service)로 전환했다가 Amazon EKS(Elastic Kubernetes Service)로 전환하기가 매우 간편합니다. 저희는 항상 좀 더 좋은 솔루션을 사용하기 위해 인프라를 계속 변경하고 있습니다. 일례로, 스케일링용 데이터베이스로는 Amazon Aurora Serverless를 사용하고 있고, 비즈니스 중단 없이 마이그레이션할 수 있습니다. AWS에서 서비스를 빌드하면 오늘, 내일, 나아가 10년 후에도 고객 니즈를 지원하는 데 도움이 될 것이라고 굳게 믿습니다.”라고 덧붙였습니다.