Skalieren Sie sitzungsorientierte Echtzeit-Produktempfehlungen für Shopify mit Amazon Personalize und Amazon EventBridge

Dies ist ein Gastbeitrag von Jeff McKelvey, Principal Development Lead bei HiConversion. Das Team von HiConversion hat eng mit James Jory, Architekt für angewandte AI Services-Lösungen bei AWS, und Matt Chwastek, Senior Product Manager für Amazon Personalize bei AWS, zusammengearbeitet. In ihren eigenen Worten: „HiConversion ist das E-Commerce-Intelligenz™ -Plattform, mit der Händler das Einkaufserlebnis für jede Besuchersitzung personalisieren und optimieren können. “

Shopify unterstützt weltweit über 1 Million Online-Unternehmen. Es ist eine All-in-One-Handelsplattform zum Starten, Betreiben und Wachsen einer Marke. Die Mission von Shopify ist es, die Hindernisse für das Eigentum von Unternehmen abzubauen und den Handel für alle gerechter zu gestalten.

Mit der Über 50% der E-Commerce-Verkäufe stammen von mobilen KäufernEine der Herausforderungen, die das zukünftige Wachstum der Shopify-Händler einschränken, ist die effektive Produktentdeckung. Wenn Besucher auf der Website eines Händlers nicht schnell interessante Produkte finden, verlassen sie diese häufig für immer.

Deshalb haben wir vorgestellt HiConversion empfehlen, eine Shopify Plus-zertifizierte Anwendung, die von unterstützt wird Amazon personalisieren. Diese Anwendung hilft Shopify-Händlern dabei, personalisierte Produkterkennungserlebnisse basierend auf dem Sitzungsverhalten und den Interessen eines Benutzers direkt in seiner eigenen Storefront bereitzustellen.

Wir haben uns für die Integration von Amazon Personalize in die HiConversion Recommend-Anwendung entschieden, da die gleiche Technologie für maschinelles Lernen (ML), die von Amazon.com verwendet wird, mehr Shopify-Händlern zugänglich gemacht wird. Auf diese Weise können Händler Produktempfehlungen generieren, die sich in Echtzeit an die Aktionen der Besucher und den Verhaltenskontext anpassen.

In diesem Beitrag beschreiben wir die Architekturen, die in unserer Anwendung zum Bereitstellen von Empfehlungen sowie zum Synchronisieren von Ereignissen und Katalogaktualisierungen in Echtzeit verwendet werden. Wir teilen auch einige der Ergebnisse für die sitzungsbasierte Personalisierung eines Kunden mit, der die Anwendung verwendet.

Private, vollständig verwaltete Empfehlungssysteme

Amazon Personalize ist ein AI-Service von AWS, der mehrere ML-Algorithmen bereitstellt, die speziell für personalisierte Anwendungsfälle für Empfehlungen entwickelt wurden. Wenn ein Shopify-Händler die Anwendung HiConversion Recommend installiert, stellt HiConversion für diesen Händler eine dedizierte, private Umgebung bereit, die in Amazon Personalize als Datensatzgruppe dargestellt wird.

Anschließend werden Daten aus dem Händlerkatalog sowie die Browser- und Kaufhistorie ihrer Kunden in Datensätze innerhalb der Datensatzgruppe hochgeladen. Private ML-Modelle werden anhand dieser Daten trainiert und auf eindeutigen API-Endpunkten bereitgestellt, um Empfehlungen in Echtzeit bereitzustellen. Daher verfügt jeder Händler über ein eigenes ML-basiertes Empfehlungssystem, das von anderen Händlern isoliert ist und vollständig von HiConversion verwaltet wird.

HiConversion erstellt und verwaltet auch die Ressourcen, die zum Streamen neuer Ereignisse und Katalogaktualisierungen aus der Shopify-Storefront eines Händlers direkt in Amazon Personalize erforderlich sind. Dies ermöglicht die Echtzeitfunktionen von Amazon Personalize, z. B. das Erlernen der Interessen neuer Kunden an der Storefront, das Anpassen an jede sich entwickelnde Kundenabsicht und das Einbeziehen neuer Produkte in Empfehlungen.

Wir können Geschäftsregeln auch mithilfe von Amazon Personalize-Filtern anwenden, sodass Händler Empfehlungen auf eine bestimmte Produktkategorie zuschneiden können, wobei kürzlich gekaufte Produkte von der Empfehlung ausgeschlossen werden.

Millionen von Online-Käufern in Echtzeit bedienen

Die Erstellung einer Premium-Self-Service-Shopify-Anwendung auf Basis von Amazon Personalize erforderte die Automatisierung vieler Prozesse. Unser Ziel war es, den Zugang zu einer fortschrittlichen Produktentdeckungslösung zu demokratisieren, damit jeder, der sein Geschäft bei Shopify betreibt, diese problemlos nutzen kann.

Um eine nahtlose, personalisierte Benutzererfahrung in Echtzeit zu gewährleisten, war ein ereignisgesteuerter Ansatz erforderlich, um sicherzustellen, dass Shopify, Amazon Personalize und HiConversion jederzeit das gleiche Bild des Besucher- und Produktkatalogs haben. Dafür haben wir uns entschieden zu verwenden Integration von Shopify mit Amazon EventBridge und auch der Amazon Simple Queue-Dienst (Amazon SQS) und AWS Lambda.

Das folgende allgemeine Diagramm zeigt, wie HiConversion Recommend die Datenverbindungen zwischen Benutzern und ihren Produktempfehlungen verwaltet.

Wie in unserem Diagramm gezeigt, ist AWS Lambda @ Edge mit drei unabhängigen Systemen verbunden, die die wesentlichen Anwendungsfunktionen bereitstellen:

1. Amazon Personalize-Kampagne - Ein benutzerdefinierter API-Endpunkt, der Produktempfehlungen in Echtzeit ermöglicht, die auf Amazon Personalize-Algorithmen basieren.
2. HiConversion Rich Data-Endpunkt - Dies ermöglicht hybride Produktempfehlungen, die auf einer Mischung aus Besucher- und Webanalysen von HiConversion und Ranking-Algorithmen von Amazon Personalize basieren.
3. Amazon CloudFront-Endpunkt - Dies ermöglicht einen schnellen Zugriff auf Produktmetadaten wie Produktbilder, Preise und Inventar in Kombination mit Amazon Simple Storage-Service (Amazon S3).

Wenn ein Shopify-Händler die HiConversion Recommend-Anwendung aktiviert, wird die gesamte Infrastruktur automatisch bereitgestellt und die Schulung der Amazon Personalize ML-Modelle eingeleitet. Dies verkürzt die Zeit bis zur Inbetriebnahme erheblich.

Warum Lambda @ Edge?

Gemäß einer 2017 Akamai StudieEine Verzögerung der Ladezeit der Website um 100 Millisekunden kann die Conversion-Raten um bis zu 7% beeinträchtigen. Wenn wir eine Anwendung in das globale Filialnetz von Shopify aufnehmen, mussten wir die Leistung global priorisieren.

Wir verwenden Lambda @ Edge am Frontend unserer Anwendung, um Besucheraktivitäten und Kontextdaten zu verfolgen. So können wir Besuchern auf Shopify-basierten E-Commerce-Websites Produktempfehlungen mit geringer Latenz liefern. Wenn Sie unseren Code so nah wie möglich an den Kunden platzieren, wird die Gesamtleistung verbessert und die Latenz verringert.

Wir haben uns für Lambda @ Edge entschieden, um die Verfügbarkeit unseres Netzwerks für die Bereitstellung von Inhalten zu maximieren. Lambda @ Edge macht es außerdem überflüssig, die Infrastruktur an mehreren Standorten auf der ganzen Welt bereitzustellen oder zu verwalten. Dadurch können wir die Kosten senken und gleichzeitig ein hoch skalierbares System bereitstellen.

Skalieren mit EventBridge für Shopify

Unsere Anwendung wurde während der geschäftigsten Zeit des Jahres gestartet - der Weihnachtsgeschäftssaison. Auffällig war die massive Zunahme der Werbe- und Geschäftsaktivitäten unserer Live-Kunden. Aufgrund dieser Werbeaktionen nahm die Häufigkeit von Katalogänderungen in den Shopify-Filialen unserer Kunden rapide zu.

Unsere ursprüngliche Implementierung stützte sich auf Shopify-Webhooks, sodass wir als Reaktion auf verbundene Ereignisse bestimmte Maßnahmen ergreifen konnten. Aufgrund des zunehmenden Datenvolumens in unserer Anwendung stellten wir fest, dass es synchron wurde, die Produktmetadaten und die Produktempfehlungen in Echtzeit synchron zu halten.

Dies war besonders häufig der Fall, wenn große Händler mit der Verwendung unserer Anwendung begannen oder wenn Händler Flash-Verkäufe starteten. Aufgrund des anschließenden Feuers mit eingehenden Daten bestand für unsere Anwendungsinfrastruktur die Gefahr, dass sie nicht mit dem Ansturm des Webverkehrs Schritt halten konnte, was zu fehlerhaften Einkaufserlebnissen für Kunden führte.

Wir brauchten eine separate, skalierbarere Lösung.

Wir brauchten eine Lösung, die sich an unseren Kundenstamm und den Datenverkehr unserer Kunden anpasst. Geben Sie EventBridge ein: eine serverlose, ereignisgesteuerte Alternative zum Empfangen von Webhooks über Standard-HTTP. Durch die Integration in EventBridge konnte Shopify Ereignisdaten direkt und sicher an AWS senden, anstatt den gesamten Datenverkehr in unserer eigenen Anwendung zu verarbeiten.

Ereignisgesteuerte Lösungen wie EventBridge bieten einen skalierbaren Puffer zwischen unserer Anwendung und unserem adressierbaren Markt von Hunderttausenden von Live-Shopify-Geschäften. Es ermöglicht uns, Ereignisse mit der Geschwindigkeit zu verarbeiten, die für unseren Tech-Stack funktioniert, ohne überfordert zu werden. Es ist hoch skalierbar und belastbar, kann mehr ereignisbasierten Datenverkehr akzeptieren und reduziert die Kosten und die Komplexität unserer Infrastruktur.

Das folgende Diagramm zeigt, wie HiConversion Recommend EventBridge verwendet, um unsere Echtzeit-Produktempfehlungsarchitektur mit Amazon Personalize zu aktivieren.

Die Architektur enthält die folgenden Komponenten:

1. Die Amazon Personalize putEvents () -API ermöglicht Produktempfehlungen, die die Aktion und den Kontext der Besucher in Echtzeit berücksichtigen. Besucheraktivität und Kontextdaten werden vom HiConversion-Webanalysemodul erfasst und an eine Lambda @ Edge-Funktion gesendet. Anschließend verwenden wir Amazon SQS und eine Lambda-Funktion, um Ereignisse an einen Amazon Personalize Event Tracker-Endpunkt zu streamen.
2. EventBridge benachrichtigt Amazon Personalize über Produktkatalogänderungen über eine Lambda-Funktion, die diesem Zweck gewidmet ist. Beispielsweise kann Amazon Personalize neue Produkte empfehlen, auch wenn sie keine vorherige Bestellhistorie haben.
3. EventBridge hält außerdem die Produktmetadaten von Shopify mit den in Amazon S3 gespeicherten Metadaten von HiConversion synchron und liefert sie in Echtzeit über Amazon CloudFront.

Letztendlich ersetzte EventBridge eine undifferenzierte benutzerdefinierte Implementierung innerhalb unserer Architektur durch eine vollständig verwaltete Lösung, die automatisch skaliert werden kann, sodass wir uns darauf konzentrieren können, Funktionen zu erstellen, die unseren Kunden einen differenzierten Wert bieten.

Messung der Wirksamkeit sitzungsbasierter Produktempfehlungen in Shopify

Shopify-Händlern stehen zahlreiche Produktempfehlungslösungen zur Verfügung, die jeweils unterschiedliche Arten von Algorithmen verwenden. Um die Wirksamkeit sitzungsbasierter Empfehlungen von Amazon Personalize zu messen und unsere datenorientierte Teamkultur zu verwöhnen, haben wir ein objektives Experiment durchgeführt.

Die Auswahl einer Technologie in der heutigen Wirtschaft ist eine Herausforderung. Daher haben wir dieses Experiment entwickelt, um Händlern dabei zu helfen, die Effektivität sitzungsbasierter Algorithmen von Amazon Personalize selbst zu bestimmen.

Wir haben mit einer Hypothese begonnen: Wenn sich sitzungsbasierte Empfehlungsalgorithmen in Echtzeit an die Aktionen und den Kontext der Besucher anpassen können, sollten sie zu besseren Ergebnissen führen, wenn sich die Absichten und Vorlieben der Besucher plötzlich ändern.

Um unsere Hypothese zu testen, haben wir eine vorhersehbare Verschiebung der Absichten und Präferenzen festgestellt, um:

• Besucherpräferenzen - Vor der Ferienzeit kaufen Besucher normalerweise etwas für sich selbst, während Besucher während der Ferienzeit auch Dinge für andere kaufen.
• Besucherprofile - Besucherprofile vor der Ferienzeit sind anders als in den Ferien. In der Ferienzeit gibt es mehr neue Besucher, die noch nie zuvor gekauft haben und deren Vorlieben unbekannt sind.
• Markenwerbung - Während der Ferienzeit bewerben Marken ihre Angebote aggressiv, was sich auf das Besucherverhalten und die Entscheidungsfindung auswirkt.

Um unsere Hypothese zu bewerten, haben wir die Ergebnisse der Produktempfehlungen vor dem Urlaub mit den Ergebnissen der Spitzenferienzeit verglichen. Einer unserer Kunden, eine große und erfolgreiche Kosmetikmarke, stellte fest, dass die Produktempfehlung den Umsatz pro Besucher (RPV) im Vergleich zu vor dem Urlaub um + 113% verbesserte.

Ergebnisse der Produktempfehlung vor dem Urlaub

Zunächst haben wir uns den Prozentsatz des Gesamtumsatzes angesehen, der durch personalisierte Produktempfehlungen beeinflusst wird. Für diesen Kunden wurden nur 7.7% aller Umsätze durch personalisierte Produktempfehlungen im Vergleich zu nicht personalisierten Erlebnissen beeinflusst.

Zweitens haben wir uns das RPV angesehen - die wichtigste Messgröße zur Messung des neuen E-Commerce-Umsatzwachstums. Die Conversion-Rate (CR) oder der durchschnittliche Bestellwert (AOV) erzählen nur einen Teil der Geschichte und können irreführend sein, wenn Sie sich allein darauf verlassen.

Beispielsweise kann ein Händler die Website-Conversion-Rate durch aggressive Werbeaktionen erhöhen, die tatsächlich zu einem Rückgang des durchschnittlichen Bestellwerts führen und einen Rückgang des Gesamtumsatzes ausgleichen.

Basierend auf unseren Erkenntnissen evangelisieren wir bei HiConversion RPV als Metrik, die zur Messung der Wirksamkeit einer E-Commerce-Produktempfehlungslösung verwendet werden soll.

In diesem Beispiel hatten Besucher, die sich mit empfohlenen Produkten beschäftigten, einen um über 175% höheren RPV als Besucher, die dies nicht taten.

Unsere Analyse zeigt, dass sitzungsbasierte Produktempfehlungen sehr effektiv sind. Wenn Empfehlungen nicht wirksam wären, hätten Besucher, die sich mit Empfehlungen befasst haben, kein höheres RPV gesehen als Besucher, die sich nicht mit empfohlenen Produkten befasst haben.

Ergebnisse der Peak-Holiday-Produktempfehlung.

Ein führender Indikator dafür, dass sitzungsbasierte Empfehlungen funktionierten, war der Anstieg des Prozentsatzes des Gesamtumsatzes, der durch personalisierte Empfehlungen beeinflusst wurde. Es wuchs von 7.7% vor den Ferien auf 14.6% während der Ferienzeit.

Diese Daten sind noch beeindruckender, wenn wir uns den RPV-Lift ansehen. Besucher, die sich mit personalisierten Empfehlungen beschäftigten, hatten ein über 259% höheres RPV als diejenigen, die dies nicht taten.

Im Vergleich dazu übertrafen sitzungsbasierte Empfehlungen den RPV-Lift vor dem Urlaub.

	Vor den Ferien	Während der Ferien	Relativer Lift
RPV-Lift	175.04%	258.61%	47.74%

Neue Umsatzberechnungen

Basierend auf den vorhergehenden Datenpunkten können wir neue Einnahmen berechnen, die direkt auf HiConversion Recommend zurückzuführen sind.

	Vor den Ferien	Während der Ferien
RPV (personalisiert)	$6.84	$14.70
RPV (nicht personalisiert)	$2.49	$4.10
Besuche (personalisiert)	33,862	97,052
Besuche (nicht personalisiert)	1,143,147	2,126,693
Umsatz aufgrund von HiConversion Recommend	$147,300	$1,028,751
% aller Einnahmen, die auf HiConversion Recommend entfallen	5%	10%

Diese Berechnungen sprechen stark für den hohen ROI der Verwendung von HiConversion Recommend, wenn man das neue Umsatzpotenzial berücksichtigt, das durch sitzungsbasierte Empfehlungen entsteht.

Schlussfolgerungen

Produktempfehlungen für Shopify - unterstützt von Amazon Personalize - bieten eine effektive Möglichkeit, mehr neue Kunden zu gewinnen und zu konvertieren. Um dies zu beweisen, haben wir eine Herausforderung erstellt, um Ihnen zu zeigen, wie schnell Sie einen messbaren, positiven ROI erzielen können. Melden Sie sich für das an, um loszulegen 7-tägige Herausforderung für Produktempfehlungen.

Eine gut konzipierte und skalierbare Lösung ist besonders wichtig, um einen massiven, globalen Kunden zu bedienen. Und da sitzungsbasierte Personalisierung in Echtzeit ein Unterscheidungsmerkmal für das E-Commerce-Wachstum ist, ist es äußerst wichtig, den besten Technologiepartner für Ihr Unternehmen zu finden.

---

Über die Autoren

Jeff McKelvey ist der Hauptentwicklungsleiter bei HiConversion.

James Jory ist ein Lösungsarchitekt in angewandter KI bei AWS. Er hat ein besonderes Interesse an Personalisierungs- und Empfehlungssystemen und einen Hintergrund in E-Commerce, Marketingtechnologie und Kundendatenanalyse. In seiner Freizeit genießt er Camping und Autorennsimulation.

Matt Chwastek ist Senior Product Manager für Amazon Personalize. Er konzentriert sich auf die Bereitstellung von Produkten, die das Erstellen und Verwenden von Lösungen für maschinelles Lernen erleichtern. In seiner Freizeit liest und fotografiert er gerne.

Quelle: https://aws.amazon.com/blogs/machine-learning/scale-session-aware-real-time-product-recommendations-on-shopify-with-amazon-personalize-and-amazon-eventbridge/