Zappos schafft bahnbrechende Kundenerlebnisse mit AWS

Der Aufbau einer vertrauenswürdigen E-Commerce-Marke erfordert eine Konzentration auf innovative Kundenerlebnisse. Insbesondere in der Bekleidungsbranche hat die traditionelle, praktische Erfahrung im Einzelhandel die Erwartungen der Kunden geprägt. Um es mit den Worten von Ameen Kazerouni, Head of Machine Learning and Platforms bei Zappos, zu sagen: "Der heilige Gral des E-Commerce ist, Kunden dazu zu bringen, sich so wohl zu fühlen wie in einem Geschäft – zu wissen, wie ein Artikel passt, wie er aussieht, so überzeugend, als ob sie ihn tatsächlich anprobieren würden."

Es ist keine leichte Aufgabe, diese Art von persönlicher Erfahrung in einem digitalen Geschäft zu erreichen. Aber wenn ein Unternehmen dazu in der Lage ist, dann ist es Zappos. Zappos.com wurde 1999 gegründet und ist ein bedeutender Online-Bekleidungseinzelhändler, der für sein branchenführendes Rückgaberecht von 365 Tagen, den schnellen und kostenlosen Versand und seinen Rund-um-die-Uhr-Service bekannt ist. Seit 2009 ist Zappos eine Tochtergesellschaft von Amazon.

Das Unternehmen verbesserte messbar die Kundenerfahrung im E-Commerce mit Hilfe von Analysen und Machine Learning, die auf Amazon Web Services (AWS) basieren. Die Lösung ermöglicht es Zappos, die Größenanpassung und Suchergebnisse für seine Kunden zu personalisieren und gleichzeitig eine nathlose und interaktive Benutzererfahrung zu gewährleisten.

Zappos weiß, dass genaue Empfehlungen der Schlüssel zu einem effizienten Einkaufserlebnis sind. Das Unternehmen bestärkt seine Kunden mit einem großzügigen Rückgaberecht und schnellem, kostenlosen Versand, aber dieser teure Service ist heute Branchenstandard.

"Wir fragen uns stets: Wie können wir uns weiter abheben?", sagt Kazerouni. "Wie optimieren wir die Rücklaufquoten, ohne die Kundenerfahrung negativ zu beeinflussen? Diese Art von Herausforderungen wollen wir mit Hilfe von Machine Learning und der Analyse auf AWS lösen."

Für die Suchphase des Kundenerlebnisses wollte das Unternehmen erreichen, dass personalisierte Empfehlungen noch während der Suche erscheinen, um die Suchrelevanz zu erhöhen. Anstatt einen generischen Suchalgorithmus zu verwenden, versucht Zappos, die Kunden persönlich zu verstehen und einzigartige Suchergebnisse für einen bestimmten Begriff zu liefern. (Für Kunden, die diesen Grad der Personalisierung nicht wünschen, ist auch eine Opt-out-Schaltfläche deutlich sichtbar).

Gleichzeitig kann sie es sich nicht leisten, die Suchleistung merklich zu verlangsamen. "Wir mussten den Zeitaufwand für die zusätzlichen Abläufe so gering wie möglich halten", bemerkt Kazerouni. "Wir kombinieren also Hochleistungs-Caching, strategische Vorberechnung bestimmter Ergebnisse und ganzheitliche Machine-Learning-Ansätze, die mehrere einfache Modelle verwenden."

Die Datenpipeline beginnt mit einem leichtgewichtigen Client, der relevante Ereignisse zur Verarbeitung an eine Ingestion-API sendet. Die API befindet sich in einer Auto-Scaling-Gruppe, um große Datenmengen verarbeiten zu können. Von der API werden die Daten an Amazon Data Firehose gesendet, um in ein Amazon Redshift Data Warehouse aufgenommen zu werden, das einen hochleistungsfähigen Datenzugriff für die Machine-Learning-Forschung bietet. Amazon Simple Storage Service (Amazon S3) fungiert als Vermittler zwischen Amazon Data Firehose und Amazon Redshift.

Zappos verwendet verschiedene Technologien für Training und Modellbetrieb. Es verlässt sich auf Amazon SageMaker zur Vorhersage der Bekleidungsgrößen der Kunden. Diese Vorhersagen werden zwischengespeichert und dann während der Laufzeit über Microservice-APIs zur Verwendung in Empfehlungen bereitgestellt. Zappos nutzt Amazon EMR, um große Datenanalysen zu einem Bruchteil der Kosten von traditionellen On-Premises-Clustern durchzuführen. Es führt auch Modelle mit Graphical Processing Units (GPUs) in der Amazon Elastic Compute Cloud (Amazon EC2) aus.

Das Unternehmen ermöglicht die ultraschnelle Suche nach vorberechneten Vorhersagen mit Hilfe von zwei verschiedenen Diensten. Amazon DynamoDB speichert vorberechnete Ergebnisse, auf die zur Laufzeit zugegriffen wird. Diese vollständig verwaltete Schlüsselwert- und Dokumentdatenbank bietet eine Leistung im einstelligen Millisekundenbereich in fast jeder Größenordnung. Sie kann mehr als 10 Billionen Anfragen pro Tag bearbeiten und Spitzenwerte von mehr als 20 Millionen Anfragen pro Sekunde unterstützen. Für noch schnellere Antwortzeiten nutzt Zappos den Amazon ElastiCache for Redis, einen In-Memory-Datenspeicher, als Cache-Ebene. Dieser Dienst gewährleistet bei Bedarf eine Latenzzeit von unter einer Millisekunde.

Die Microservices, die Modelle ausführen und Ergebnisse konsolidieren, laufen auf Amazon-EC2-Instances, die in Auto-Scaling-Gruppen mit standortbasierten Load Balancern angeordnet sind. Zappos verwendet Amazon Route 53 als Domain Name System und leitet den Datenverkehr durch die gesamte Lösung.

Die Erstellung und Aufrechterhaltung dieser komplizierten Architektur mit traditionellen Entwicklungs- und Einsatzmethoden wäre ungemein komplex. Stattdessen verlässt sich Zappos auf Infrastructure-as-a-Code mit AWS CloudFormation. "Jeder Aspekt der Lösung ist in den Vorlagen der AWS CloudFormation vorhanden", berichtet Kazerouni. "Um eine Änderung vorzunehmen, müssen wir nur an der Vorlage feilen. Wenn wir die Art und Weise, wie die Dienste mit Redis kommunizieren, korrigieren müssen, wiederholen wir die Änderung nicht manuell – wir ändern die Vorlage und setzen sie überall ein."

Es wäre laut Kazerouni unmöglich, die Lösung ohne die dem Team zur Verfügung stehende Fülle an AWS-Services zu entwickeln. "Die AWS-Services als Bausteine zu nutzen ermöglicht es den Ingenieuren, sich auf die Verbesserung der Leistung und der Ergebnisse zu konzentrieren, anstatt sich mit dem Overhead von DevOps zu beschäftigen."

Zappos liefert seinen Kunden diese verbesserten Suchergebnisse mit einer fast nicht feststellbaren Erhöhung der Latenzzeit, wobei 99 Prozent der Suchanfragen in weniger als 48 Millisekunden abgeschlossen werden. Mit Hilfe einer ähnlichen Architektur wurden auch die personalisierten Größenempfehlungen, die auf einfachen Umfragen zur Passform und früheren Käufen basieren, erheblich verbessert. Infolgedessen hat das Unternehmen wiederholte Suchvorgänge und Produktrückgaben reduziert. Außerdem hat es höhere Klickraten von der Suche zum Produkt erzielt und die Position der Kundenauswahl in den Suchergebnissen erhöht.

Kazerouni bringt es auf den Punkt: "Wir verstehen uns als ein Kundenservice-Unternehmen, das zufällig Schuhe und Bekleidung verkauft. Alles, was wir zur Optimierung des Service tun können, verbessert unser Geschäft. Durch den Einsatz von AWS können wir das Kundenerlebnis schneller innovieren."

Lesen Sie mehr unter aws.amazon.com/big-data/datalakes-and-analytics.