隨著 AI 時代來臨，電商品牌都趕緊專注於創新的客戶體驗。特別是服裝市場，傳統的實體零售體驗讓消費者對購物帶固有期望。網絡服飾零售商 Zappos 的機器學習研究與平台主管 Ameen Kazerouni 表示：「電商的終極目標是讓客戶感受到如在商店般自在，並能夠了解商品的用途、外觀，就像他們現場試用一樣安心。」
然而，提供這種個人體驗是艱鉅的任務，Zappos 正是業內少見真正能辦到的企業。創立於 1999 年的 Zappos.com 領先業界，以 365 天退貨政策、快速送貨、免運費以及全年無休而聞名。這家公司使用以 AWS 為基礎所建立的分析服務和機器學習，大幅改善了電子商務客戶體驗。這個解決方案讓 Zappos 能將個別使用者的尺寸和搜尋結果個人化，同時維持高度靈活且快速回應客戶的優質體驗。
只推薦客戶所需 提升客戶滿意度避免退貨
Zappos 深明提供準確的推薦是提升購物體驗的關鍵。公司的退貨政策、快速送貨與免運費雖然增強客戶購買信心，但營運成本高昂，亦沒有讓他們從同業間脫穎而出。Kazerouni 表示:「我們要如何降低退貨率，同時又不影響客戶體驗？這些是我們希望使用 AWS 的機器學習和分析功能解決的問題。」
當客戶處於搜尋階段，公司的目標是在此過程中提供個人化建議，以提高搜尋關聯性。Zappos 並沒有使用一般的搜尋演算法，而是致力於從個人角度了解客戶，並針對特定字詞來提供專屬搜尋結果。
與此同時，Zappos 必須避免搜尋緩慢的風險。Kazerouni 指:「因此我們結合了高效能快取、策略性預先計算特定結果，以及使用多種簡單模型的全套機器學習方法。」
由資料輸送與儲存到訓練 AI 及進行演算 全靠 AWS 服務實現
在資料傳送與儲存方面，資料管道 (data pipeline) 從輕型的用戶端開始，傳送相關活動到 API 進行處理。API 位於自動調整規模群組中，可處理大量資料。資料會從 API 傳送至 Amazon Data Firehose ，再導入到 Amazon Redshift 資料倉儲中，為機器學習研究提供高效能資料存取權。而 Amazon S3 則作為 Amazon Data Firehose 和 Amazon Redshift 的中繼站。
Zappos 又使用多種技術培訓和執行模型。公司採用 Amazon SageMaker 預測客戶的服飾尺寸。透過微型服務 API，預測能快速存取並用以推薦合適產品給客戶。其中包括 Zappos 使用的 Amazon EMR，針對部分傳統內部部署叢集成本進行巨大量資料分析。Zappos 還使用 GPU 在 Amazon EC2 執行模型。
搜尋結果質素提升 極低時延帶來優質購買體驗
Zappos 透過幾乎無法察覺的時延增加，就提供到更好的搜尋結果給客戶，當中 99% 的搜尋在不到 48 毫秒內完成。透過使用相似的架構，公司可大幅改善根據簡單符合調查和過去購買記錄提供的個人化尺寸建議。因此，公司減少了重複搜尋和商品退貨次數，並達成了更高的由搜尋至商品點擊率 (search-to-product-clickthrough rates)，並在搜尋結果中提高客戶過往選項的位置。Kazerouni 總結：「我們能改善服務，就是改善業務。利用 AWS 讓我們得以加快創新體驗的速度。」
分享到 :
最新影片
