Zappos crea experiencias de clientes exitosas con AWS

Para crear una marca de comercio electrónico fiable, es necesario centrarse en la innovación de la experiencia del cliente. Especialmente en el segmento de la moda, la experiencia minorista, tradicional y práctica, ha conformado las expectativas de los clientes. Según Ameen Kazerouni, director de investigación de aprendizaje automático y plataformas en Zappos, “El gran secreto del comercio electrónico es lograr que los clientes se sientan tan cómodos como si estuvieran en una tienda, que sepan cómo queda una prenda y cómo es su aspecto con la misma certeza que sienten cuando se la están probando”.

Lograr este tipo de experiencia personal en una tienda digital no es tarea fácil. Pero si alguna compañía puede lograrlo, esa es Zappos. Zappos.com, fundado en 1999, es un importante vendedor minorista de moda online famoso por su política de devolución de 365 días. Es líder en el sector, realiza envíos rápidos y gratuitos y su servicio está disponible todos los días del año, las 24 horas del día. Desde 2009, Zappos ha sido una subsidiaria de Amazon.

La compañía mejoró notablemente la experiencia de sus clientes de comercio electrónico mediante análisis y aprendizaje automático basados en Amazon Web Services (AWS). La solución permite a Zappos personalizar el tamaño y los resultados de búsqueda para usuarios individuales y, al mismo tiempo, garantizar una experiencia de usuario altamente fluida y adaptable.

Zappos sabe que hacer recomendaciones precisas es clave para ofrecer una experiencia de compra eficiente. La compañía da confianza a los clientes con su generosa política de devolución y envío rápido y gratuito, pero estas ofertas son caras y no están diferenciadas.

“Siempre nos preguntamos: ¿cómo podemos diferenciarnos más?” dice Kazerouni. “¿Cómo optimizamos las tasas de devoluciones sin afectar negativamente la experiencia del cliente? Estos son los problemas que nos propusimos resolver mediante el aprendizaje automático y el análisis en AWS”.

En la fase de búsqueda del recorrido del cliente, el objetivo de la empresa era hacer recomendaciones personalizadas en tiempo de ejecución para aumentar la relevancia de la búsqueda. En lugar de emplear un algoritmo de búsqueda genérico, Zappos busca comprender a los clientes personalmente y ofrecer un conjunto único de resultados de búsqueda para un término concreto. (También muestra de manera prominente un botón de exclusión para los clientes que no desean este nivel de personalización).

Sin embargo, no puede permitirse ralentizar demasiado el rendimiento de las búsquedas. “Necesitábamos minimizar la cantidad de tiempo empleado en las operaciones adicionales”, señala Kazerouni. “Así que combinamos el almacenamiento en caché de alto rendimiento, el cálculo previo estratégico de ciertos resultados y los enfoques de aprendizaje automático basados en conjuntos, los cuales utilizan modelos múltiples y simples”.

La canalización de datos comienza con un cliente ligero que envía eventos relevantes a una API de incorporación para su procesamiento. La API se encuentra en un grupo de escalado automático para gestionar grandes volúmenes de datos. Desde la API, los datos se envían a Amazon Data Firehose para incorporarlos a un almacenamiento de datos de Amazon Redshift. Este proporciona acceso a datos de alto rendimiento para la investigación de machine learning. Amazon Simple Storage Service (Amazon S3) es el intermediario entre Amazon Data Firehose y Amazon Redshift.

Zappos emplea varias tecnologías para entrenar y ejecutar modelos. Se basa en Amazon SageMaker para predecir la talla de la indumentaria que usa el cliente. Estas predicciones se almacenan en caché y luego se exponen en tiempo de ejecución a través de las API de microservicios para usarlas en las recomendaciones. Zappos usa Amazon EMR para ejecutar análisis de big data por una fracción del coste de los clústeres locales tradicionales. También ejecuta modelos que emplean unidades de procesamiento gráfico (GPU) en Amazon Elastic Compute Cloud (Amazon EC2).

La compañía permite la búsqueda altamente rápida de predicciones procesadas previamente mediante el uso de dos servicios distintos. Amazon DynamoDB almacena resultados procesados previamente a los que se accederá en tiempo de ejecución. Esta base de datos de documentos y clave-valor, completamente administrada, ofrece un rendimiento de milisegundos de un solo dígito a prácticamente cualquier escala. Puede administrar más de 10 billones de solicitudes por día, y admite picos de más de 20 millones de solicitudes por segundo. Para lograr tiempos de respuesta aún más rápidos, Zappos aprovecha Amazon ElastiCache for Redis, un almacén de datos en memoria que funciona como capa de caché. Este servicio garantiza una latencia inferior a milisegundos cuando sea necesario.

Los microservicios que ejecutan modelos y consolidan resultados se ejecutan en instancias de Amazon EC2 organizadas en grupos de escalado automático con balanceadores de carga basados en la ubicación. Zappos usa Amazon Route 53 como sistema de nombres de dominio para enrutar el tráfico a través de la solución.

Crear y mantener esta intrincada arquitectura con métodos tradicionales de desarrollo e implementación sería extremadamente complejo. En cambio, Zappos se basa en la infraestructura como código y usa AWS CloudFormation. “Cada aspecto de la solución está representado en las plantillas de AWS CloudFormation”, indica Kazerouni. “Para hacer un cambio, simplemente modificamos la plantilla. Si necesitamos corregir la forma en que los servicios se comunican con Redis, no repetimos el cambio manualmente, sino que modificamos la plantilla y la implementamos en todas partes”.

Señala que sería imposible diseñar la solución sin la gran cantidad de servicios que AWS pone a disposición del equipo. “El uso de los servicios de AWS como componentes básicos permite a los ingenieros centrarse en mejorar el rendimiento y los resultados en lugar de preocuparse por los gastos generales de DevOps”.

Zappos entregó estos resultados de búsqueda mejorados a los clientes con un aumento de latencia casi indetectable: el 99 % de las búsquedas se finalizaron en menos de 48 milisegundos. Al usar una arquitectura similar, también ha mejorado significativamente las recomendaciones personalizadas de talla basadas en encuestas simples sobre talla y compras anteriores. Como resultado, la compañía ha reducido las búsquedas repetidas y las devoluciones de productos. También ha logrado mayores tasas de búsquedas de productos mediante clics y ha elevado la posición de las selecciones de los clientes en los resultados de búsqueda.

Tal como lo resume Kazerouni: “Nos consideramos una empresa de servicio al cliente que vende zapatos y ropa. Cualquier cosa que podamos hacer para mejorar el servicio sirve también para mejorar nuestro negocio. El uso de AWS nos permite innovar la experiencia más rápidamente”.

Para obtener más información, visite aws.amazon.com/big-data/datalakes-and-analytics.