摘要：随着AI时代来临，电商品牌都赶紧专注于创新的客户体验。特别是服装市场，传统的实体零售体验让消费者对购物带固有期望。网络服饰零售商Zappos的机器学习研究与平台主管Ameen Kazerouni表示：“电商的终极目标是让客户感受到如在商店般自在，并能够了解商品

随着AI时代来临，电商品牌都赶紧专注于创新的客户体验。特别是服装市场，传统的实体零售体验让消费者对购物带固有期望。网络服饰零售商Zappos的机器学习研究与平台主管Ameen Kazerouni表示：“电商的终极目标是让客户感受到如在商店般自在，并能够了解商品的用途、外观，就像他们现场试用一样安心。”

然而，提供这种个人体验是艰巨的任务，Zappos正是业内少见真正能办到的企业。创立于1999年的Zappos.com领先业界，以365天退货政策、快速送货、免运费以及全年无休而闻名。这家公司使用以AWS为基础所创建的分析服务和机器学习，大幅改善了电子商务客户体验。这个解决方案让Zappos能将个别用户的尺寸和搜索结果个性化，同时维持高度灵活且快速回应客户的优质体验。

Zappos深明提供准确的推荐是提升购物体验的关键。公司的退货政策、快速送货与免运费虽然增强客户购买信心，但运营成本高昂，也没有让他们从同业间脱颖而出。Kazerouni表示:“我们要如何降低退货率，同时又不影响客户体验？这些是我们希望使用AWS的机器学习和分析功能解决的问题。”

当客户处于搜索阶段，公司的目标是在此过程中提供个性化建议，以提高搜索关联性。Zappos并没有使用一般的搜索算法，而是致力于从个人角度了解客户，并针对特定字词来提供专属搜索结果。

与此同时，Zappos必须避免搜索缓慢的风险。Kazerouni指:“因此我们结合了高性能缓存、策略性预先计算特定结果，以及使用多种简单模型的全套机器学习方法。”

在数据发送与存储方面，数据渠道 (data pipeline) 从轻型的用户端开始，发送相关活动到API进行处理。API位于自动调整规模群组中，可处理大量数据。数据会从API发送至Amazon Data Firehose ，再导入到Amazon Redshift数据仓库中，为机器学习研究提供高性能数据访问权。而Amazon S3则作为Amazon Data Firehose和Amazon Redshift的中继站。

Zappos又使用多种技术培训和执行模型。公司采用Amazon SageMaker预测客户的服饰尺寸。通过微型服务API，预测能快速访问并用以推荐合适产品给客户。其中包括Zappos使用的Amazon EMR，针对部分传统内部部署集群成本进行巨大量数据分析。Zappos还使用GPU在Amazon EC2执行模型。

Zappos通过几乎无法发现的时延增加，就提供到更好的搜索结果给客户，其中99%的搜索在不到48毫秒内完成。通过使用相似的架构，公司可大幅改善根据简单符合调查和过去购买记录提供的个性化尺寸建议。因此，公司减少了重复搜索和商品退货次数，并完成了更高的由搜索至商品点击率 (search-to-product-clickthrough rates)，并在搜索结果中提高客户以往选项的位置。Kazerouni总结：“我们能改善服务，就是改善业务。利用AWS让我们得以加快创新体验的速度。”

来源：科技世哲