Como a Snoonu revolucionou seus negócios usando o Amazon Bedrock e o Amazon Personalize

A Snoonu é a plataforma de comércio eletrônico líder no Catar, oferecendo 15 serviços essenciais por meio de uma única aplicação abrangente. Esses serviços vão desde refeições rápidas até entregas urgentes de medicamentos, compras de supermercado e assistência pessoal para compras (Snoosend). Inovação e excelência são os princípios orientadores da Snoonu, que se esforça para oferecer a melhor experiência de compra e entrega no Catar. “Vamos lançar muitos novos serviços dentro da aplicação Snoonu e estamos a expandir-nos internacionalmente”, afirmou Nikita Gordeev, diretor de tecnologia da Snoonu. “O Amazon Bedrock ajuda-nos a lançar um dos nossos novos serviços.” 

Categorização intensiva em recursos humanos e recomendações em tempo real

Como um mercado de comércio eletrônico em rápido crescimento, a Snoonu enfrentou dois desafios principais: 1) a necessidade de categorização precisa e 2) a necessidade de recomendações personalizadas em tempo real e contextualmente precisas.

A Snoonu tinha um conjunto de mercados em rápido crescimento, cada um com sua própria estrutura de catálogo, o que representava um desafio à medida que o volume de produtos aumentava. “Uma única pessoa não consegue decidir com rapidez suficiente em qual categoria um produto deve ser classificado. Tínhamos cerca de um milhão de produtos que não estavam categorizados”, disse Gordeev. “Se fizéssemos isso manualmente, poderia levar até dois anos de trabalho humano.” A empresa também não tinha como detectar automaticamente conteúdo impróprio em seus mercados. 

“À medida que escalamos, otimizar a classificação e a recomendação de produtos e comerciantes em todo o aplicativo tornou-se cada vez mais crítico para melhorar a experiência do usuário e impulsionar o crescimento”, disse Gordeev. A Snoonu inicialmente optou por um modelo global único que abrangia produtos de todos os setores – restaurantes, mercearias e marketplace – que rastreava interações essenciais, como visualizações de produtos, adições ao carrinho e compras. Embora essa configuração tenha levado a melhores métricas de conversão, ela ainda era limitada a atualizações semanais, o que significava que os usuários recebiam as mesmas sugestões por dias consecutivos, limitando a descoberta de produtos. A empresa resolveu isso mudando para atualizações diárias e criando modelos específicos para cada vertical, tornando os resultados mais precisos contextualmente e aumentando o desempenho. “Embora essa tenha sido uma iteração valiosa, o atraso de 24 horas ainda estava aquém do nível de responsividade que a Snoonu busca como empresa”, disse Gordeev. A Snoonu então percebeu que era hora de elevar o nível do produto.

Categorização simplificada de produtos com tecnologia Amazon Bedrock

A Snoonu revelou uma solução de IA generativa, desenvolvida pela Amazon Bedrock e Anthropic Claude 3.5 Sonnet, com o objetivo de otimizar a categorização de produtos e melhorar a experiência do usuário. A empresa integrou as bases de conhecimento do Amazon Bedrock para transformar sua categorização de produtos, fornecendo aos modelos de base informações contextuais de suas fontes de dados privadas para oferecer respostas mais relevantes, precisas e personalizadas. A solução usa modelos de IA para melhorar novas entradas no catálogo, usando a imagem, o nome e a descrição para categorizar automaticamente o produto em uma hierarquia de três níveis definida pela empresa. A solução reduziu o esforço de dois anos-homem para cerca de um mês.

Se um parceiro coloca um novo produto no marketplace da Snoonu, a solução da Snoonu pode classificá-lo imediatamente. A solução utiliza as bases de conhecimento Amazon Bedrock para uma categorização automática aprimorada e personalizada. Ao reduzir significativamente o trabalho manual, a empresa liberou o tempo da equipe que antes era gasto em verificações tediosas e atualizações de catálogos, permitindo que a equipe desenvolva novos recursos. A Snoonu também está criando um sistema automatizado de moderação de conteúdo, que utiliza IA generativa para sinalizar conteúdo com precisão, criando um ambiente mais seguro para os usuários. “Com o poder da IA, continuamos aprimorando o sistema mensalmente com a ajuda das equipes da AWS”, disse Gordeev.

Personalização em tempo real

Para elevar o engajamento do usuário e oferecer sugestões dinâmicas e sensíveis à sessão, a Snoonu assumiu seu próximo desafio: implementar a personalização em tempo real. Para isso, a empresa criou uma arquitetura que integra perfeitamente as interações do usuário, o treinamento em lote e as recomendações em tempo real usando o Amazon Personalize. O Amazon Personalize é um serviço de aprendizado profundo (DL) totalmente gerenciado que aproveita os dados de uma empresa para gerar recomendações de produtos para seus usuários. Um varejista fornece dados sobre os usuários finais, incluindo eventos (por exemplo, visualizações, inscrições, adições ao carrinho), metadados de itens (por exemplo, descrições, preço) e metadados do usuário (por exemplo, tipo de dispositivo, país). O Amazon Personalize usa esses dados para treinar modelos personalizados e privados que geram recomendações que podem ser exibidas na aplicação por meio de uma API.

“Nossa arquitetura consiste na coleta de dados usando o Amplitude Analytics para capturar as interações dos usuários em nosso aplicativo, filtrando eventos relevantes por vertente de negócios. Os eventos filtrados são transmitidos em tempo real pelo Amazon Kinesis, enquanto as exportações diárias para o BigQuery armazenam dados históricos para o retreinamento do modelo. Para o treinamento de modelos em lote, armazenamos conjuntos de dados estruturados de usuários, itens e interações no BigQuery, que são processados diariamente no Databricks. Após a validação e a transformação dos recursos, os dados são exportados para o Amazon S3 e usados para retreinar o modelo por meio do AWS Personalize. Esse pipeline diário garante que nosso mecanismo de recomendação permaneça atualizado e alinhado com o comportamento e o contexto mais recentes do usuário. Para recomendações em tempo real, temos uma função do Lambda da AWS que valida o esquema, atualiza o Amazon Personalize e aciona atualizações de recomendações”, disse Gordeev. “Nossa jornada com o Amazon Personalize tem sido uma prova da nossa mentalidade: começar de forma simples, aprender rápido e escalar com inteligência.”

Economia de tempo, crescimento e detecção automatizada

O impacto do projeto de categorização de produtos é:

•  Economia de quase 2 anos de trabalho humano na categorização inicial

•  Economia de 55 dias-homem por mês na categorização de novos produtos

•  Aumento de 10% na taxa de conversão de vendas

• Aumento de 1,5 no volume de pedidos

O impacto do projeto de recomendações em tempo real de julho a dezembro de 2024 é:

•  USD 2,6 milhões em valor bruto incremental das mercadorias (GMV), destacando sua forte contribuição para o crescimento da receita

•  Os eventos “Adicionar ao carrinho” aumentaram em até 1.600% por meio de recomendações no carrinho, com taxas de conversão que continuam melhorando ao longo do tempo.

•  Um retorno sobre o investimento de 47x em GMV

•  Contribuição média de 30% para o tamanho do carrinho em pedidos com pelo menos um produto recomendado

Finalmente, a Snoonu está pronta para alcançar seu objetivo de escalabilidade internacional.

“A AWS permite que nós, como uma startup, mudemos de uma implantação muito básica durante a fase inicial para uma arquitetura que permite escalar os negócios internacionalmente”, diz Gordeev. “Por exemplo, é muito fácil migrar de máquinas virtuais para o Amazon ECS (Elastic Container Service) e, em seguida, para o Amazon EKS (Elastic Kubernetes Service). Estamos sempre mudando nossa infraestrutura para usar mais soluções de ponta, como o Amazon Aurora sem Servidor como banco de dados para escalabilidade, e podemos migrar para ele sem qualquer interrupção nos nossos negócios. Acreditamos que a criação de serviços na AWS nos ajuda a atender às necessidades dos nossos clientes hoje, amanhã e daqui a 10 anos.”