Zappos-logo@2x

Zappos 使用 AWS 建立突破性的客戶體驗

2020

建立可信任的電子商務品牌需要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買體驗形成了既定的期望。Zappos 的機器學習研究與平台主管 Ameen Kazerouni 表示:「電子商務的終極目標是讓客戶感受到如同在商店一般自在,並能夠了解商品的用途、外觀,就像他們現場試用一樣安心。」

對於數位商店來說,想提供這種個人體驗是一項艱鉅的任務。但業界內也唯有 Zappos 有能力真正辦到。Zappos.com 創立於 1999 年,是領先業界的網路服飾零售商,以其 365 天退貨政策、快速送貨和免運費以及全年無休服務而聞名。從 2009 年起,Zappos 成為了 Amazon 的子公司。

這家公司使用以 Amazon Web Services (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回應迅速的使用者體驗。

開始 Python 教學
CustomerReferences_QuoteMark

使用 AWS 服務作為建置的基礎,讓工程師得以專注於改善效能和結果,而非著重考慮 DevOps 經常性開支。”

Ameen Kazerouni
Zappos 機器學習研究與平台主管

搜尋您的完美絕配

Zappos 了解,提供準確的推薦是提升購物體驗的關鍵。這家公司透過大方又豪氣的退貨政策以及快速送貨與免運費等特色,增強客戶購買信心,但這些優惠不僅成本昂貴,也沒有讓他們從同業間脫穎而出。

「我們永遠在問自己:要如何進一步脫穎而出?」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。(此外,Zappos 也會醒目地顯示退出按鈕,供不想使用此等級個人化的客戶選擇。)

與此同時,Zappos 必須避免搜尋效能明顯減緩的風險。「我們需要將額外操作所需的時間降到最低。」Kazerouni 提到,「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。」

超越各個部分的總和

資料管道從輕量的用戶端開始,傳送相關活動至導入 API 以進行處理。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 Kinesis Data Firehose 以隨後導入 Amazon Redshift 資料倉儲中,藉此為機器學習研究提供高效能資料存取權。Amazon Simple Storage Service (Amazon S3) 則是 Amazon Kinesis Data Firehose 和 Amazon Redshift 的中繼站。

Zappos 使用多種技術培訓和執行模型。此外,該公司還仰賴 Amazon SageMaker 預測客戶的服飾尺寸。在執行預測時,透過微型服務 API 快取並公開這些預測,以推薦給客戶。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量資料分析。Zappos 還使用圖形處理器 (GPU) 在 Amazon Elastic Compute Cloud (Amazon EC2) 執行模型。

公司運用兩種不同服務,以超快速度獲取預先運算的預測。Amazon DynamoDB 可儲存預先運算的結果,以便在執行時間存取。Amazon DynamoDB 是一種全受管的鍵值和文件資料庫,可在任何存取規模下達到耗時低於 10 毫秒的效能。每天可以處理超過 10 兆個請求,且每秒可支援的上限超過 2,000 萬個請求。為了達到更快的回應時間,Zappos 利用 Amazon ElastiCache for Redis 這款記憶體內資料存放區作為快取分層。這項服務可在需要時仍保持低於一毫秒的延遲。

用於執行模型和合併結果的微型服務,都會在 Amazon EC2 執行個體上執行,這些執行個體會透過定位負載平衡器,依自動規模調整群組排列。Zappos 採用 Amazon Route 53 作為網域名稱系統,以便在此解決方案運行時路由傳送流量。

全力以赴,不拖泥帶水

若透過傳統開發和部署方式來建立並維護如此錯綜複雜的架構,會讓人感到過於複雜,望而生畏。因此 Zappos 改為使用 AWS CloudFormation,仰賴基礎設施即程式碼 (infrastructure as code)。Kazerouni 表示:「AWS CloudFormation 範本呈現了解決方案的所有層面。若要進行變更,只需調整範本即可。如果需要修正服務與 Redis 通訊的方式,我們不需要手動重複變更,只需變更範本並部署至所有位置即可。」

他提到,若沒有 AWS 服務豐富的團隊命令,就不可能建立解決方案。使用 AWS 服務作為建置的基礎,讓工程師得以專注於改善效能和結果,而非著重考慮 DevOps 經常性開支。」

客戶可以感受到其中投注的愛

Zappos 透過幾乎無法偵測的極少延遲增加,為客戶提供這些改善的搜尋結果,99% 的搜尋將在不到 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,並且達成了更高搜尋至商品點擊率,並提高客戶在搜尋結果中選擇的順位。

Kazerouni 總結道:「我們自認為我們實際上是一家剛好在銷售鞋子和服飾的客戶服務公司。我們能為改善服務做的事情,就是改善我們的企業。使用 AWS 讓我們得以加快創新體驗的速度。」

要進一步了解,請瀏覽 aws.amazon.com/big-data/datalakes-and-analytics


關於 Zappos

Zappos 從 20 年前的小型鞋類網路零售商發跡。從那時起,該公司不斷成長,其業務範圍擴展到了服飾、手提包、飾品等商品,此外,公司還提供遠近聞名的優質客戶服務和創新員工體驗。這家公司在 2009 年成為了 Amazon 的子公司。

AWS 的優勢

  • 99% 的搜尋延遲不到 48 毫秒
  • 個人化搜尋,提供更好的客戶體驗
  • 達成更高的搜尋至點擊率
  • 改善尺寸建議,因此減少退貨次數

使用的 AWS 服務

Amazon EMR

輕鬆地執行和擴展 Apache Spark、Hadoop、HBase、Presto、Hive 和其他大數據架構。

進一步了解 »

Amazon Kinesis Data Firehose

Amazon Kinesis Data Firehose 是將串流資料載入資料湖、資料存放區和分析工具最簡單可靠的方式。它可以擷取串流資料,並將資料轉換和載入 Amazon S3、Amazon Redshift、Amazon Elasticsearch Service 及 Splunk,再使用現有的商業智慧工具以及您目前正在使用的儀表板進行近乎即時的分析。

進一步了解 »

Amazon SageMaker

Amazon SageMaker 是一項全受管服務,能讓所有開發人員和資料科學家快速輕鬆地建置、訓練及部署機器學習 (ML) 模型。SageMaker 可消除機器學習過程中每個步驟的繁重工作,讓開發高品質模型變得輕而易舉。

進一步了解 »

Amazon Redshift

Redshift 為財富 500 大公司、新創公司以及介於兩者之間的企業提供分析工作負載方面的支援。在 Redshift 的支援下,Lyft 這類公司能夠不斷成長,從新創公司成為營業額數十億美元的企業。

進一步了解 »


開始使用

各行各業各種規模的公司每天都在使用 AWS 來變革其業務。聯絡我們的專家,立即開始使用 AWS 雲端服務。