Bagaimana OLX Indonesia Memanfaatkan Amazon SageMaker AI untuk Mempercepat Penjualan Motor Bekas

Pendahuluan

Indonesia merupakan salah satu pasar kendaraan roda dua terbesar di Asia Tenggara, dengan pasar motor bekas yang memiliki peran penting dalam industri otomotif nasional. Sebagai bagian dari ekosistem Astra, OLX Indonesia merupakan platform digital yang membantu mempertemukan penjual dan pembeli kendaraan di berbagai wilayah Indonesia. Namun, di balik setiap transaksi, terdapat satu keputusan penting yang harus dihadapi penjual, yaitu menentukan harga kendaraan yang tepat.

Menetapkan harga motor bekas bukanlah hal yang sederhana. Nilai sebuah kendaraan dapat dipengaruhi oleh berbagai faktor, seperti merek dan model, tahun produksi, jarak tempuh, serta perbedaan kondisi pasar antar wilayah. Harga yang terlalu tinggi dapat membuat iklan membutuhkan waktu lebih lama untuk mendapatkan pembeli, sementara harga yang terlalu rendah dapat membuat penjual kehilangan potensi nilai jual lebih tinggi dari kendaraannya.

Dengan menangani jutaan aktivitas jual-beli kendaraan setiap bulannya, OLX Indonesia melihat tantangan ini secara langsung. OLX Indonesia ingin membantu penjual mendapatkan referensi tambahan ketika menentukan harga jual motor bekas mereka yaitu dengan memanfaatkan data historis yang tersedia pada platform OLX Indonesia.

Untuk menjawab kebutuhan tersebut, OLX Indonesia mengembangkan fitur Rekomendasi Harga berbasis AI di AWS. Fitur ini memberikan rekomendasi rentang harga berdasarkan karakteristik kendaraan motor bekas, membantu penjual memiliki referensi tambahan ketika menentukan harga motor bekasnya pada saat memasang iklan.

Dalam blog ini, kita akan membahas bagaimana OLX Indonesia membangun sistem tersebut di AWS, mulai dari pemrosesan data dan pengembangan model machine learning hingga penyajian rekomendasi harga kepada pengguna.

Gambar 1. Platform OLX Indonesia melayani jutaan pengguna di seluruh Indonesia.

Tantangan: Membantu Penjual Menentukan Harga yang Relevan

Menentukan harga motor bekas melibatkan lebih dari sekadar membandingkan harga kendaraan serupa. Karakteristik seperti merek, model, tahun produksi, jarak tempuh, dan lokasi dapat mempengaruhi nilai sebuah kendaraan. Selain itu, kondisi pasar juga dapat berubah dari waktu ke waktu.

Bagi OLX Indonesia, tantangan ini menjadi lebih kompleks karena platform OLX menangani berbagai jenis kendaraan dengan karakteristik dan jumlah data historis yang sangat bervariasi. Beberapa merek dan model memiliki volume iklan yang cukup tinggi, sementara kendaraan lainnya hanya memiliki jumlah data historis yang terbatas.

Artinya, satu pendekatan tidak selalu dapat digunakan untuk seluruh jenis kendaraan. Pendekatan machine learning dapat bekerja lebih efektif ketika tersedia cukup data historis, tetapi pendekatan yang sama belum tentu sesuai untuk kendaraan dengan data historis yang lebih terbatas.

Di sisi lain, rekomendasi harga juga perlu tersedia dalam pengalaman pengguna yang andal ketika penjual membuat atau mengedit iklan. Hal ini berarti OLX Indonesia perlu membangun sistem yang tidak hanya dapat menghasilkan rekomendasi berdasarkan data yang tersedia, tetapi juga dapat menyajikan hasilnya secara efisien kepada pengguna. Tantangan tersebut mendorong tim untuk merancang pendekatan yang menggabungkan machine learning dan metode analitik, dengan mempertimbangkan karakteristik serta ketersediaan data untuk setiap jenis kendaraan.

Solusi: Membangun Sistem Rekomendasi Harga Berbasis AI di AWS

Untuk menjawab tantangan tersebut, OLX Indonesia membangun arsitektur prediksi harga yang menggabungkan pendekatan machine learning dan formula analitik untuk menangani kendaraan dengan karakteristik dan ketersediaan data historis yang bervariasi. Pendekatan machine learning digunakan untuk memprediksi harga kendaraan dengan data historis yang cukup, sementara formula analitik digunakan untuk menangani merek atau model kendaraan dengan data historis yang lebih terbatas. Dengan pendekatan ini, OLX Indonesia dapat menyesuaikan metode prediksi berdasarkan karakteristik data yang tersedia untuk setiap jenis kendaraan.

Gambar 2. Tampilan fitur “Rekomendasi Harga” pada aplikasi OLX Indonesia menampilkan rentang harga terendah, harga rekomendasi, dan harga tertinggi berdasarkan wilayah.

Arsitektur Data Pipeline End-to-End

Untuk mendukung sistem rekomendasi harga tersebut, OLX Indonesia membangun pipeline data secara menyeluruh di AWS yang menghubungkan proses pengelolaan data, pelatihan model, pembuatan prediksi, hingga penyajian rekomendasi kepada pengguna.

Gambar 3. Arsitektur end-to-end pipeline machine learning OLX Indonesia di AWS, mulai dari pengolahan data hingga penyajian rekomendasi harga kepada pengguna.

Arsitektur ini menggambarkan bagaimana data dari iklan motor bekas diproses melalui beberapa tahapan hingga menghasilkan rekomendasi harga yang siap digunakan pengguna dalam platform OLX Indonesia. Setiap tahapan memanfaatkan layanan AWS untuk mendukung pengelolaan fitur data, pelatihan dan pengelolaan model, batch inference, validasi output prediksi, hingga penyajian rekomendasi kepada pengguna.

Berikut adalah penjelasan setiap tahapan dalam pipeline serta layanan AWS yang digunakan dalam setiap proses:

1. Mengelola Data dan Fitur dengan Amazon SageMaker Feature Store
Data dari iklan motor bekas pada platform OLX Indonesia ditransformasikan menjadi fitur-fitur terstruktur yang kemudian dikelola menggunakan Amazon SageMaker Feature Store. Dengan repositori fitur terpusat dari Amazon Sagemaker Feature Store, OLX Indonesia dapat menjaga konsistensi fitur yang digunakan dalam proses pelatihan model dan inferensi, sekaligus memungkinkan fitur tersebut digunakan kembali untuk pengembangan dan eksperimen model berikutnya.

2. Melatih dan Mengelola Model dengan Amazon SageMaker Pipelines dan Model Registry
Fitur data dari Amazon SageMaker Feature Store digunakan dalam Amazon SageMaker Pipelines untuk menjalankan proses pelatihan ulang model secara terjadwal. Pipeline ini mengotomatisasi tahapan pre-processing, pelatihan model, dan evaluasi performa. Jika model baru memenuhi kriteria performa yang telah ditetapkan, model tersebut dapat diregistrasikan ke Amazon SageMaker Model Registry. Amazon SageMaker Model Registry digunakan untuk mengelola versi model beserta metadata dan hasil evaluasinya, sehingga tim dapat melacak setiap versi model dan melakukan rollback ke versi sebelumnya jika diperlukan.

3. Menghasilkan Prediksi dengan Amazon SageMaker Batch Transform
Untuk menghindari kebutuhan menjalankan endpoint inferensi secara real-time, OLX Indonesia mengadopsi skema batch inference menggunakan Amazon SageMaker Batch Transform. Dalam skema ini, prediksi dihitung terlebih dahulu secara terjadwal untuk berbagai kombinasi atribut kendaraan yang relevan. Dengan prediksi yang telah dihitung sebelumnya, OLX Indonesia dapat memproses inferensi dalam skala besar tanpa perlu menyediakan endpoint yang selalu aktif. Prediksi yang telah dihasilkan kemudian digunakan untuk menyajikan rekomendasi harga kepada pengguna.

4. Menyimpan Output Prediksi di Amazon S3
Seluruh hasil batch inference disimpan di Amazon S3 sebagai lapisan penyimpanan output prediksi. Amazon S3 dipilih karena menyediakan infrastruktur penyimpanan yang scalable, durable, dan cost-efficient, serta terintegrasi dengan layanan AWS lainnya. Output prediksi diorganisasi berdasarkan partisi bulanan untuk memudahkan pengelolaan lifecycle dan akses data secara terstruktur.

5. Memvalidasi Output Prediksi dengan Amazon S3 Event Notification dan AWS Lambda
Ketika output prediksi baru tersedia di Amazon S3, Amazon S3 Event Notifications secara otomatis memicu fungsi yang berjalan secara serverless menggunakan AWS Lambda untuk menjalankan proses validasi. Fungsi AWS Lambda tersebut akan memeriksa kelengkapan dan validitas output prediksi sebelum melanjutkan ke proses berikutnya. Dengan pendekatan event-driven, proses validasi dapat berjalan secara otomatis setiap kali output prediksi tersedia. Hal ini menghilangkan kebutuhan untuk melakukan pengecekan atau menjalankan proses validasi secara manual.

6. Menyajikan Rekomendasi Harga dengan Amazon DynamoDB
Setelah output prediksi berhasil divalidasi, hasil tersebut digunakan untuk memperbarui data rekomendasi harga yang disimpan di Amazon DynamoDB. Amazon DynamoDB berfungsi sebagai infrastruktur penyimpanan data yang digunakan oleh platform OLX Indonesia untuk mengelola rekomendasi harga berdasarkan karakteristik kendaraan yang dimasukkan oleh pengguna. Dengan memisahkan proses inferensi dari proses penyajian rekomendasi, aplikasi tidak perlu menjalankan prediksi machine learning secara langsung setiap kali pengguna membuat atau mengedit iklan. Prediksi telah dihitung sebelumnya melalui batch inference dan siap untuk diakses oleh aplikasi saat dibutuhkan.

Ringkasan Layanan AWS dan Fitur yang Digunakan

Hasil dan Dampak Bisnis

Implementasi sistem rekomendasi harga berbasis AI di AWS memberikan dampak positif, baik terhadap kualitas hasil rekomendasi, adopsi fitur, maupun performa bisnis.

• Rekomendasi harga menjadi acuan bagi penjual: Pada fase awal peluncuran, 48,65% dari iklan yang terpasang menggunakan harga sesuai dengan rekomendasi yang diberikan. Hal ini menunjukkan bahwa rekomendasi harga dapat menjadi referensi yang relevan bagi penjual dalam menentukan harga iklan motor bekas.
• Membantu peluang iklan lebih mudah terjual: Dengan menggunakan fitur rekomendasi harga, iklan motor bekas memiliki peluang terjual 24,41% lebih tinggi dibandingkan dengan iklan motor bekas secara keseluruhan. Hal ini menunjukkan bahwa rekomendasi harga dapat membantu penjual menemukan harga yang lebih sesuai dengan kondisi pasar dan meningkatkan peluang iklan mereka untuk terjual.
• Membuka peluang lebih besar untuk mendapatkan calon pembeli: Dengan rekomendasi harga yang lebih optimal, iklan motor bekas memiliki peluang mendapatkan calon pembeli sekitar 1,4x lebih besar dibandingkan dengan iklan motor bekas secara keseluruhan. Hal ini menunjukkan bahwa referensi harga yang lebih jelas dapat membantu menarik lebih banyak calon pembeli dan mendorong mereka untuk menghubungi penjual.

Kesimpulan

Kisah sukses OLX Indonesia menunjukkan bagaimana kombinasi layanan machine learning dan infrastruktur serverless di AWS dapat menyelesaikan permasalahan bisnis yang nyata di platform iklan baris digital Indonesia. Dengan memanfaatkan layanan AWS untuk membangun pipeline machine learning secara menyeluruh, OLX Indonesia dapat mengelola data dan fitur, melatih dan mengelola model, menghasilkan prediksi harga dalam skala besar, serta menyajikan rekomendasi kepada pengguna secara andal. Melalui fitur Rekomendasi Harga, OLX Indonesia membantu penjual mendapatkan referensi tambahan dalam menentukan harga kendaraan. Rekomendasi harga tersebut juga membantu menciptakan ekspektasi harga yang lebih selaras antara penjual dan pembeli.

Arsitektur ini juga menunjukkan pola desain yang dapat diadopsi oleh marketplace dan platform e-commerce lainnya di Indonesia, dengan memanfaatkan batch inference untuk menekan biaya, event-driven automation untuk mendukung keandalan pipeline, serta data store berlatensi rendah untuk mendukung sistem rekomendasi harga yang scalable dan efisien.

Pelajari Lebih Lanjut

Amazon SageMaker AI: Layanan terkelola penuh untuk membangun, melatih, dan melakukan deploy model AI pada skala apa pun dengan infrastruktur, alat, dan alur kerja terkelola

Amazon SageMaker Feature Store: Repositori terkelola penuh untuk menyimpan, membagikan, dan mengelola fitur model Machine Learning (ML) secara terpusat

AWS Lambda: Komputasi serverless untuk setiap jenis beban kerja, menjalankan kode pada skala apa pun tanpa mengelola infrastruktur

Amazon DynamoDB: Database NoSQL terdistribusi, serverless, dan terkelola penuh dengan performa milidetik satu digit pada skala apa pun