Zappos crée des expériences clients exceptionnelles avec AWS.

Pour créer une marque d'e-commerce réputée, il faut miser sur l'innovation en matière d'expérience client. Dans le secteur de l'habillement notamment, l'expérience pratique et traditionnelle de la vente au détail a déterminé les attentes des clients. Selon Ameen Kazerouni, responsable de la recherche et des plateformes de machine learning chez Zappos, « le but de l'e-commerce est de faire en sorte que les clients se sentent aussi à l'aise qu'en magasin, qu'ils sachent si un article leur va, à quoi il ressemble, en ayant autant confiance en leur choix que s'ils l'essayaient physiquement ».

Parvenir à ce type d'expérience personnelle en ligne n'est pas une mince affaire. Si une entreprise en est capable, c'est bien Zappos. Créé en 1999, Zappos.com est un important site de vente en ligne de vêtements, connu pour sa politique de retour des articles pendant 365 jours, sa livraison rapide et gratuite et son service client disponible 24 heures sur 24, 7 jours sur 7. Depuis 2009, Zappos est une filiale d'Amazon.

L'entreprise a considérablement amélioré l'expérience de vente en ligne de ses clients grâce à l’analytique et au machine learning basés sur Amazon Web Services (AWS). Cette solution permet à Zappos de personnaliser la taille et les résultats de recherche pour chaque utilisateur tout en maintenant une expérience utilisateur extrêmement fluide et réactive.

Zappos sait combien il est important de faire des recommandations précises pour une expérience d'achat efficace. L'entreprise rassure ses clients grâce à sa généreuse politique de retour et sa livraison rapide et gratuite, mais ces offres sont à la fois coûteuses et indifférenciées.

« Nous nous demandons toujours comment nous démarquer davantage, explique M. Kazerouni. Comment optimiser le taux de retour sans nuire à l'expérience client ? Tels sont les problèmes que nous nous efforçons de résoudre grâce au machine learning et à l’analytique AWS. »

Dans la phase de recherche du parcours du client, l'objectif de l'entreprise est de faire des recommandations personnalisées au moment de l'exécution afin d'améliorer la pertinence de la recherche. Au lieu d'utiliser un algorithme de recherche générique, Zappos cherche à comprendre les clients personnellement et à fournir un ensemble unique de résultats de recherche correspondant à un terme donné. Le site affiche également de façon bien visible un bouton permettant aux clients qui ne souhaitent pas ce niveau de personnalisation de le désactiver.

Dans le même temps, les performances de recherche ne doivent pas être ralenties de façon perceptible. « Nous devions limiter au maximum la durée des opérations complémentaires, note M. Kazerouni. Nous allions donc une mise en cache performante, un précalcul stratégique de certains résultats et des approches de machine learning basées sur des ensembles qui utilisent un grand nombre de modèles simples. »

Le flux de données commence par un client léger qui envoie les événements pertinents à une API d'ingestion pour traitement. L'API fait partie d'un groupe de mise à l'échelle automatique afin de traiter de gros volumes de données. Depuis l'API, les données sont envoyées à Amazon Data Firehose pour ingestion dans un entrepôt de données Amazon Redshift qui fournit un accès performant aux données pour la recherche en machine learning. Amazon Simple Storage Service (Amazon S3) est l'intermédiaire entre Amazon Data Firehose et Amazon Redshift.

Zappos utilise plusieurs technologies pour l'entraînement et l'exécution des modèles. Amazon SageMaker est utilisé pour prédire la taille des vêtements des clients. Ces prédictions sont mises en cache, puis exposées au moment de l'exécution grâce à des API de microservices et seront utilisées dans les recommandations. Zappos utilise Amazon EMR pour exécuter une analytique Big Data pour une fraction de ce que serait le coût avec des clusters traditionnels sur site. L'entreprise exécute également des modèles utilisant des processeurs graphiques (GPU) sur Amazon Elastic Compute Cloud (Amazon EC2).

Elle permet une consultation ultrarapide des prédictions précalculées grâce à deux services distincts. Amazon DynamoDB stocke des résultats précalculés qui sont accessibles au moment de l'exécution. Cette base de données entièrement gérée de clés-valeurs et de documents offre des performances de latence de l'ordre de quelques millisecondes, quelle que soit l'échelle. Elle peut traiter plus de 10 000 milliards de requêtes par jour et peut prendre en charge des pics de 20 millions de requêtes par seconde. Pour des temps de réponse encore plus rapides, Zappos utilise Amazon ElastiCache for Redis, un magasin de données en mémoire, comme couche de cache. Ce service assure une latence inférieure à une milliseconde en cas de besoin.

Les microservices qui exécutent les modèles et consolident les résultats fonctionnent sur des instances Amazon EC2 disposées en groupes à scalabilité automatique avec des équilibreurs de charge basés sur la localisation géographique. Zappos utilise Amazon Route 53 comme système de noms de domaine, en acheminant le trafic à tous les niveaux de la solution.

La création et la gestion de cette architecture complexe par des méthodes de développement et de déploiement traditionnelles seraient trop compliquées. C'est pourquoi Zappos s'appuie sur l'infrastructure en tant que code à l'aide d'AWS CloudFormation. « Chaque aspect de la solution est présent dans les modèles AWS CloudFormation, rapporte M. Kazerouni. Pour effectuer un changement, il suffit de modifier le modèle. Si nous devons corriger la façon dont les services communiquent avec Redis, nous ne répétons pas le changement manuellement, nous modifions le modèle et le déployons partout. »

Il note qu'il serait impossible de concevoir la solution sans la richesse des services AWS dont dispose l'équipe. « Grâce aux services AWS, les ingénieurs peuvent se concentrer sur l'amélioration des performances et des résultats plutôt que sur les frais d'exploitation de DevOps. »

Les clients profitent désormais de meilleurs résultats de recherche avec une augmentation presque imperceptible de la latence, 99 % des recherches ayant été effectuées en moins de 48 millisecondes. Grâce à une architecture similaire, les recommandations de taille ont également été grandement améliorées et se basent sur des questionnaires simples relatifs à la taille des produits et sur les précédents achats. Par conséquent, le nombre de recherches répétitives et de retours a été réduit. Le taux de clic après recherche a également augmenté et la position des sélections des clients a été revue dans les résultats de recherche.

M. Kazerouni résume ainsi la situation : « nous sommes une entreprise de service client qui vend des chaussures et des vêtements. Tout ce que nous pouvons faire pour améliorer le service améliore notre activité. Grâce à AWS, il nous est possible d'innover plus rapidement. »

Pour en savoir plus, consultez aws.amazon.com/big-data/datalakes-and-analytics.