Pomelo Fashion aprimora a experiência dos consumidores e aumenta a receita através do Amazon Personalize

A Pomelo Fashion, uma empresa de e-commerce situada no sudeste asiático, exibia produtos em seu site sempre da mesma maneira desde sua fundação em 2013. A configuração adotada se tornou obsoleta, sem mencionar que o algoritmo de disposição de produtos contava com fluxo de dados antigos com entradas limitadas e precisão inconsistente. Dessa forma, como uma startup inovadora e de crescimento rápido, a Pomelo Fashion decidiu criar experiências personalizadas para seus clientes, que melhorariam a descoberta de novos produtos e aumentariam sua receita. Isso necessitava de uma solução proporcional à essa demanda. 

Através da Amazon Web Services (AWS), a Pomelo Fashion usou o Amazon Personalize, que permite que os desenvolvedores criem aplicações com a mesma tecnologia de machine learning (ML) usada pela Amazon.com para obter recomendações personalizadas em tempo real. Ao usar o Amazon Personalize (e os serviços de Parceiros de Tecnologia Avançada da AWS, Segment e Braze) para criar recursos de classificação e categorização, a Pomelo Fashion desenvolveu uma experiência de compra única e personalizada que ampliou o engajamento de consumidores convertendo-o em vendas de maneira mais eficiente.

A Pomelo Fashion comercializa vestuário online e em 18 locais de varejo por todo o sudeste asiático. Atendendo a quase dois milhões de consumidores em mais de 50 países, a empresa tem um contingente de 500 empregados espalhados em seus escritórios, lojas e armazéns. Sua receita bruta triplicou de 2017 para 2018, duplicou de 2018 para 2019 e pode duplicar em 2020 apesar da queda econômica mundial. Apenas em julho de 2020, a empresa relatou ter alcançado uma receita de USD 7,5 milhões. Por anos, a Pomelo Fashion contou com um algoritmo que classificava produtos por páginas de categorias (como “vestidos”, “blusas” e “calças”) com base em visualizações de páginas e vendas, misturando as tendências dos últimos 30 dias com os comportamentos cotidianos, preços de produtos e lançamentos. A classificação era calculada diariamente e armazenada em um banco de dados, fornecendo uma experiência idêntica para todos os usuários em cada país. 

Contudo, à medida que a Pomelo Fashion crescia, percebeu-se que o aprimoramento do algoritmo com uso de ML poderia melhorar a qualidade das recomendações de páginas de categorias para os consumidores, levando a um maior engajamento de clientes e à conversão. As páginas de categorias geram a maior parte das vendas da Pomelo Fashion: 38 por cento dos produtos comprados são descobertos pelos consumidores em páginas de categorias. O aumento da relevância de produtos mostrados nessas páginas tinha um grande potencial de alavancar a receita. Mesmo se os consumidores não comprassem o produto recomendado, eles seriam direcionados a outros produtos em páginas como “amostra de cor”, “crie seu look” e “recomendados para você”, que são responsáveis por 30 por cento da receita da Pomelo Fashion. 

Foi nesse momento que a empresa, que sempre foi cliente da AWS, soube do Amazon Personalize, em um workshop realizado pela AWS. “Quando você pensa em e-commerce, você pensa em AWS”, disse Shane Lesse, diretor de inteligência de negócios da Pomelo Fashion. “Sempre são desenvolvidos novos serviços na AWS e o suporte é muito bom.” Através da AWS, a Pomelo Fashion também poderia fornecer disponibilidade regional e configurar uma nova lógica para personalizar suas categorias e classificações para cada lojista.

A Pomelo Fashion já estava trabalhando com o Segment (um sistema da AWS de dados do cliente que coleta, esquematiza e carrega dados de vendas de aplicação de celular, site e serviços de quiosque da Pomelo Fashion para possibilitar uma perspectiva de 360 graus dos consumidores e personalização em tempo real, tudo através de configurações e manutenção descomplicadas) quando o beta fechado do Amazon Personalize foi lançado em junho de 2019. Uma vez que a Pomelo Fashion não tinha infraestrutura para criar experiências personalizadas em escala para ajudar na descoberta de produtos, a empresa decidiu integrar o Segment e o Amazon Personalize. “Sem o Segment, não teríamos alcançado esses resultados”, disse Leese. “Estávamos tentando criar um monitoramento local de eventos, mas tínhamos um conjunto confuso de dados. As soluções de arquitetura da AWS puderam constatar que isso seria uma longa jornada, então sugeriu-se o uso do Segment para economizar o tempo dos desenvolvedores. Através do fluxo de dados do Segment, não precisávamos criar uma infraestrutura para tornar isso possível.” 

A nova lógica classifica produtos em páginas de categorias baseadas em preferências individuais de consumidores. Interações de consumidores com os produtos (seus cliques, adições ao carrinho, listas de desejos, compras e outros) são usadas para prever quais produtos têm mais chances de despertar seus interesses. Detalhes de produtos, como preço, cor e categoria, estão correlacionados com detalhes do consumidor, como sua localidade, para que o modelo de ML possa encontrar produtos e consumidores similares. Quanto mais dados do produto e do consumidor o modelo de ML processar, mais precisas serão as recomendações. Os novos consumidores da Pomelo Fashion veem primeiramente uma classificação popular de produtos e, em poucos minutos, o modelo de ML personaliza a classificação de acordo com suas preferências predefinidas. 

O uso do Amazon Personalize para otimizar recomendações aumentou significativamente as vendas da Pomelo Fashion. “Após a estabilização da implementação da versão beta do sistema, começamos a identificar todo o potencial do serviço e fizemos disso uma parte central de nosso quadro de referência de personalização”, disse Leese. “Em um mês, nosso retorno sobre o investimento aumentou em 400 por cento em relação ao carrossel de recomendações “Just for You” (Para você) para fins de otimização de hiperparâmetros e metadados adicionais. Após isso, começamos a aplicar outras “fórmulas” ou modelos para outras partes de nosso site”. Como ponto de partida, a Pomelo Fashion forneceu treinamentos e implementou fórmulas de classificação personalizada para sua categoria de vestidos, levando a um aumento de 10 por cento em taxas de cliques de uma página de categorias em relação a uma página de produto individual e a um aumento de 18,3 por cento na receita. Após ajustar a solução baseada nos dados da categoria de vestidos, a Pomelo Fashion expandiu esse empreendimento para outras categorias. 

A empresa está usando atualmente seu algoritmo de classificação personalizada em todas as suas categorias, com exceção de novos lançamentos e coleções de seleção. A partir de novembro de 2020, 60 por cento das visualizações de produtos originam-se das recomendações abastecidas pelo Amazon Personalize. A Pomelo Fashion aumentou sua receita bruta advinda de páginas de categorias em até 15 por cento, taxas de cliques de categorias a páginas de produtos em até 18 por cento e cliques de adições ao carrinho da página de categorias em até 16 por cento. Essa expansão possibilitou à empresa um ganho de 8 porcento na receita bruta. 

A Pomelo Fashion também adotou o Braze, um serviço líder em engajamento de consumidores que proporciona experiências de comunicação em escala. O recurso Connected Content do Braze usa recomendações do Amazon Personalize para personalizar as campanhas entre canais da Pomelo Fashion. Elas são enviadas por e-mail, pela aplicação, entre outros meios. O Connected Content economiza o tempo do pessoal da Pomelo Fashion ao extrair o conteúdo diretamente do Amazon Personalize para popular as mensagens mais atuais para os usuários em tempo real. Quando a Pomelo Fashion envia e-mails para seus consumidores por exemplo, eles recebem recomendações baseadas em seus históricos de pesquisa e comportamentos. Os e-mails enviados com o Connected Content do Braze garantiram um aumento das taxas de cliques em até 50 por cento em alguns segmentos e um aumento médio de cerca de 20 por cento.

A Pomelo Fashion planeja continuar a trabalhar com o Segment para personalizar a experiência de compra. Sua principal proposta é melhorar a relevância de suas páginas de categorias levando em conta as preferências de tamanho de consumidores. Atualmente, muitos produtos não estão disponíveis nos tamanhos mais comuns, o que resulta em um alto número de cliques sem quaisquer conversões. Através do uso de sua estrutura de personalização existente, a Pomelo Fashion pretende adicionar um monitoramento das seleções de tamanhos em sua página de detalhes dos produtos, solicitar informações de tamanhos em pontos chave da jornada do consumidor e iterar uma série de filtros para remover produtos menos relevantes das páginas de categorias com base no histórico de compras do consumidor. 

A empresa também pretende melhorar o potencial de descoberta e garantir que consumidores não vejam repetidamente os mesmos produtos. Ela espera usar o Amazon SageMaker para criar modelos de ML adicionais para previsões e considera o uso do AWS Lambda, um serviço que permite que empresas executem códigos sem provisionar ou gerenciar servidores, para criar uma infraestrutura mais escalável. 

Ao usar o Amazon Personalize, os parceiros da AWS, o Segment e o Braze, a Pomelo Fashion pode fornecer uma experiência ao consumidor dinâmica e de contínua melhoria que também aumenta a receita de maneira significativa.