Pomelo Fashion 使用 Amazon Personalize 提升購物者體驗並增加收入

Pomelo Fashion 是一家總部位於東南亞的全球時尚電子商務服務商，自 2013 年成立以來，一直以幾乎相同的方式在其網站上展示商品。該設定已然過時，更不用說展示商品的演算法依賴於輸入有限且準確性不一的舊資料串流。因此，作為一家快速成長的創新型新創公司，Pomelo Fashion 著手打造個人化的客戶體驗，以提高新商品的可探索性並增加營收，因此，其需要一個能夠大規模實現這一目標的解決方案。 

Pomelo Fashion 轉而選擇 Amazon Web Services (AWS) 並使用 Amazon Personalize，後者讓開發人員能夠使用與 Amazon.com 所採用之相同的機器學習 (ML) 技術來建置應用程式，進而實現即時個人化推薦。透過使用 Amazon Personalize 以及 AWS 進階技術合作夥伴 Segment 和 Braze 的服務來建置全新的排序和分類功能，Pomelo Fashion 打造了一種獨特的個人化購物體驗，可以提高客戶參與度及更有效地將其轉化為銷售額。

Pomelo Fashion 於線上及整個東南亞的 18 個零售點銷售服飾。目前，該公司在其公司辦公室、零售店和倉儲供僱用了 500 名員工，可向 50 多個國家/地區的近 200 萬客戶提供產品和服務。其總收入從 2017 年到 2018 年翻了三倍，從 2018 年到 2019 年翻了一倍，儘管全球經濟整體下滑，但其總營收有望在 2020 年翻倍 (僅 2020 年 7 月，該公司便已錄得 750 萬美元的營收)。多年來，Pomelo Fashion 依賴一種演算法，即根據頁面瀏覽量和銷售額在類別頁面 (例如「洋裝」、「女式襯衫」和「褲裝」) 上對產品進行排名，將過去 30 天的趨勢與任務週期行為、產品價格和最新版本結合。該排名會每天進行計算並儲存在資料庫中，可為每個國家/地區的每個用戶提供相同的體驗。 

但隨著 Pomelo Fashion 的成長，其逐漸意識到到使用 ML 增強演算法將提高客戶類別頁面上的推薦品質，從而提高數位使用者的參與度和轉化率。類別頁面為 Pomelo Fashion 創造了最大的銷售額：38% 的購買產品是由客戶在類別頁面上發現的。透過增強這些頁面上展示之產品的相關性，極有可能提高營收。即使客戶不購買推薦的產品，他們也會進入漏斗，然後在「色樣」、「商店外觀」和「專屬推薦」等頁面上查看其他產品，進而為 Pomelo Fashion 帶來了 30% 的營收。 

就在那時，這家一直是 AWS 客戶的公司在 AWS 主辦的研討會上首次聽說了 Amazon Personalize。「想到電子商務時，您就會想到 AWS，」Pomelo Fashion 的商業智慧總監 Shane Leese 說道。「AWS 上始終不斷地推出新服務，而且可提供極佳的支援。」 使用 AWS 還可提供區域可用性並協助 Pomelo Fashion 設定新的邏輯，進而針對每位購物的類別與排序進行個人化。

Pomelo Fashion 早在 Amazon Personalize 於 2019 年 6 月發佈私測版時便已開始與 Segment 合作；Segment 是客戶資料系統，可從 Pomelo Fashion 的行動應用程式、網站和資訊亭服務在 AWS 上收集、系統化和載入銷售資料，以全方面了解客戶並實現即時個人化，所有這些均無需複雜的設定或維護。因此，由於 Pomelo Fashion 沒有可用於大規模建立個人化體驗的基礎設施，以幫助提高產品的可探索性，其決定將 Segment 和 Amazon Personalize 進行整合。「如果沒有 Segment，我們就無法實現這一目標，」Leese 說道。「我們試圖建立內部事件追蹤，但卻發現了一組相當混亂的事件資料。我們的 AWS 解決方案架構師認為，這將是漫長之旅，因此他建議讓 Segment 參與進來，以節省開發人員的時間而不是成本。利用來自 Segment 的資料，我們無需建置大量基礎設施亦可實現這一目標。」 

新邏輯會根據各個購物者的偏好對類別頁面上的產品進行排序。客戶的產品互動 (他們的點擊次數、新增到購物車選項、願望清單、購買等) 可用於預測他們最有可能感興趣的產品。產品詳情 (例如價格、顏色和類別) 與客戶詳情 (例如位置) 相關聯，以便 ML 模型可以更好地找到相似的產品和客戶。ML 模型處理的產品和客戶資料越多，其做出的推薦就越準確。新 Pomelo Fashion 購物者首先會看到熱門商品分類，並且在短短幾分鐘內，ML 模型就會根據他們預測的偏好對排序進行個性化。 

使用 Amazon Personalize 優化推薦，Pomelo Fashion 顯著提升了銷售額。「在測試版實作經驗證達到穩定後，我們開始充分挖掘服務的全部潛力，並將其作為我們個人化路線圖的核心部分，」Leese 說道。「在一個月內，透過超參數優化和額外的中繼資料，我們的「專屬推薦」推薦浮動切換的投資回報率提高了 400%。之後，我們開始將其他『配方』或模型套用到我們網站的其他部分。」 作為起點，Pomelo Fashion 對其「洋裝」類別進行了訓練並套用了個人化排名配方，進而使從類別頁面到個別產品頁面的點擊率提高了 10%，營收增長了 18.3%。在根據「洋裝」類別的資料對解決方案進行微調後，Pomelo Fashion 將其擴展到其他類別。 

除新品和精選系列外，Pomelo Fashion 目前正在其所有類別中使用個人化排名演算法。截至 2020 年 11 月，60% 的產品瀏覽量來自 Amazon Personalize 的個人化推薦。Pomelo Fashion 將類別頁面的總營收提高了 15%，從類別到產品頁面的點擊率提高了 18%，從類別頁面新增到購物車的點擊次數提高了 16%。這種擴張使公司能夠解鎖 8% 的增量總收入增長。 

Pomelo Fashion 還聘僱了 Braze，這是一家領先的客戶參與服務商，可大規模提供傳訊體驗。Braze 的 Connected Content 功能使用來自 Amazon Personalize 的推薦來自訂 Pomelo Fashion 的跨渠道活動，其中這些活動主要透過電子郵件、應用程式內等方式進行傳送。Connected Content 可直接從 Amazon Personalize 中擷取內容，以即時向使用者填充訊息，進而節省了 Pomelo Fashion 的員工時間。例如，當 Pomelo Fashion 向其客戶傳送電子郵件時，他們會收到基於其瀏覽歷史和行為的推薦。帶有 Braze Connected Content 的電子郵件顯示，在某些細分市場中，點擊率增加了高達 50%，平均增加了 20% 左右。

Pomelo Fashion 計劃繼續與 Segment 合作，以自訂購物者體驗。其首個主要計畫是，透過考慮客戶尺寸偏好來提高其類別頁面的相關性，目前，許多產品沒有最常見的尺寸，這也就導致大量點擊而沒有任何轉化。利用其現有的個人化結構，Pomelo Fashion 計劃在其產品詳情頁面上新增對尺寸選擇的追蹤，在客戶旅程的關鍵點詢問基本尺寸資訊並迭代一系列篩選工具，以根據客戶的購物歷史從類別頁面中刪除不太相關的產品。 

該公司還希望提高可探索性，並確保客戶不會重複看到相同的產品。其希望使用 Amazon SageMaker 建置額外的 ML 模型以進行預測，並且還在考慮使用 AWS Lambda (一種讓公司無需佈建或管理伺服器即可執行程式碼的服務) 來建立更具可擴展性的基礎設施。 

透過使用 Amazon Personalize、AWS Partners Segment 和 Braze，Pomelo Fashion 能夠提供動態且不斷改進的客戶體驗，同時顯著增加收入。