Pomelo Fashion Menggunakan Amazon Personalize untuk Meningkatkan Pengalaman Pembeli dan Meningkatkan Pendapatan

Pomelo Fashion, sebuah layanan e-commerce mode pakaian global yang berpusat di Asia Tenggara, telah menampilkan item di situs web dengan cara yang sama sejak didirikan pada tahun 2013. Pengaturan tampilannya membosankan, belum lagi algoritme untuk menampilkan item tersebut bergantung pada aliran data yang memiliki input terbatas dan akurasi yang tidak stabil. Jadi, sebagai perusahaan rintisan yang berkembang pesat dan inovatif, Pomelo Fashion mulai membuat pengalaman pelanggan yang dipersonalisasi untuk meningkatkan kemudahan menemukan item baru dan meningkatkan pendapatan mereka—oleh karena itu, diperlukan solusi yang dapat melakukannya dalam skala besar. 

Pomelo Fashion beralih ke Amazon Web Services (AWS) dan menggunakan Amazon Personalize, yang memungkinkan developer untuk membuat aplikasi menggunakan teknologi machine learning (ML) yang sama dengan yang digunakan oleh Amazon.com untuk mendapatkan rekomendasi yang dipersonalisasi secara waktu nyata. Dengan menggunakan Amazon Personalize—dan layanan dari Partner Teknologi Lanjutan AWS, seperti Segment dan Braze—yang berfungsi untuk membuat fitur pengurutan dan penggolongan yang baru, Pomelo Fashion membuat pengalaman belanja yang unik dan dipersonalisasi untuk meningkatkan interaksi pelanggan dan mengonversinya secara lebih efisien menjadi penjualan.

Pomelo Fashion menjual pakaian secara online di 18 lokasi ritel di seluruh Asia Tenggara. Melakukan pengiriman ke hampir 2 juta pelanggan di lebih dari 50 negara, sekarang perusahaan ini mempekerjakan 500 anggota staf di seluruh kantor perusahaan, toko ritel, dan gudang miliknya. Pendapatan kotornya dari tahun 2017 hingga 2018 meningkat tiga kali lipat, dari tahun 2018 hingga 2019 meningkat dua kali lipat, dan tetap meningkat dua kali lipat di tahun 2020 meskipun ekonomi global secara keseluruhan sedang anjlok—di bulan Juli 2020 saja, perusahaan melaporkan pendapatan sebesar 7,5 juta USD. Selama bertahun-tahun, Pomelo Fashion mengandalkan algoritme yang membuat peringkat produk pada halaman kategori—seperti “Gaun”, “Blus”, dan “Celana & Bawahan”—berdasarkan tampilan halaman dan penjualan, memadukan tren 30 hari sebelumnya dengan perilaku seumur hidup, harga produk, dan rilis terbaru. Peringkat dihitung setiap hari dan disimpan di basis data, memberikan pengalaman identik untuk setiap pengguna berdasarkan negara. 

Seiring berkembangnya Pomelo Fashion, mereka menyadari bahwa meningkatkan algoritme menggunakan ML akan memperbaiki kualitas rekomendasi halaman kategori untuk pelanggan sehingga mengakibatkan pada tingginya interaksi dan konversi pengguna digital. Halaman kategori menampilkan bagian penjualan terbesar untuk Pomelo Fashion: 38% dari produk yang dibeli ditemukan pelanggan di halaman kategori. Peningkatan relevansi produk yang ditampilkan di halaman ini berpotensi besar untuk meningkatkan pendapatan. Meskipun pelanggan tidak membeli produk yang direkomendasikan, mereka akan diarahkan untuk melihat produk lain di halaman seperti “Color Swatch”, “Shop the Look”, dan “Just for You”, yang menghasilkan 30 persen pendapatan Pomelo Fashion. 

Saat itulah perusahaan, yang selalu menjadi pelanggan AWS, pertama kali mendengar Amazon Personalize di lokakarya yang diadakan oleh AWS. “Saat memikirkan e-commerce, yang ada di benak Anda adalah AWS,” kata Shane Leese, direktur kecerdasan bisnis (business intelligence director) di Pomelo Fashion. “AWS selalu mengeluarkan layanan baru, dan dukungan yang diberikan juga sangat bagus.” Menggunakan AWS juga akan menyediakan ketersediaan wilayah dan membantu Pomelo Fashion menyiapkan logika baru untuk mempersonalisasi kategori dan pengurutannya untuk setiap pembeli.

Pomelo Fashion sudah bekerja dengan Segment—sistem data pelanggan yang mengumpulkan, membuat skema, dan memuat data penjualan dari aplikasi seluler, situs web, dan layanan kios Pomelo Fashion di AWS agar tampilan 360 derajat pelanggan dan personalisasi waktu nyata dapat diaktifkan, semuanya tanpa penyiapan dan pemeliharaan yang rumit—saat beta privat Amazon Personalize dirilis pada Juni 2019. Karena Pomelo Fashion tidak memiliki infrastruktur untuk membuat pengalaman yang dipersonalisasi dalam skala besar yang dapat membantu penemuan produk, mereka memutuskan untuk mengintegrasikan Segment dengan Amazon Personalize. “Tanpa Segment, kami tidak akan berhasil”, kata Leese. “Kami mencoba membuat pelacak peristiwa internal, tetapi kami menemukan set data peristiwa yang lumayan berantakan. Arsitek solusi AWS kami melihat bahwa proses pembuatan ini akan membutuhkan waktu yang sangat panjang. Jadi, dia menyarankan untuk menggabungkan Segment guna menghemat lebih banyak waktu developer daripada yang seharusnya. Dengan data yang mengalir dari Segment, kami tidak perlu membuat banyak infrastruktur untuk mewujudkannya.” 

Logika baru mengurutkan produk di halaman kategori berdasarkan preferensi pembeli individu. Interaksi produk pelanggan—produk yang diklik, pilihan tambahkan ke keranjang, favorit saya, pembelian, dan lain sebagainya—digunakan untuk memprediksi produk yang benar-benar menarik perhatian pelanggan. Detail produk seperti harga, warna, dan kategori dikorelasikan dengan detail pelanggan seperti lokasi mereka sehingga model ML dapat menemukan produk dan pelanggan yang serupa secara lebih baik. Makin banyak data produk dan pelanggan yang diproses model ML, rekomendasi yang diberikan makin akurat. Pembeli baru Pomelo Fashion pertama akan diperlihatkan urutan item populer, dan dalam beberapa menit kemudian, model ML mempersonalisasi pengurutan berdasarkan preferensi prediksi mereka. 

Dengan menggunakan Amazon Personalize untuk mengoptimalkan rekomendasi, Pomelo Fashion dapat meningkatkan penjualan mereka secara signifikan. “Setelah penggunaan beta terbukti stabil, kami mulai menyadari potensi penuh dari layanan tersebut dan membuatnya menjadi bagian panduan personalisasi kami,” kata Leese. “Dalam satu bulan, laba kami dari investasi meningkat hingga 400 persen untuk korsel rekomendasi ‘Just for You’ melalui pengoptimalan hiperparameter dan metadata tambahan. Setelah itu, kami mulai menerapkan ‘resep’ atau model lain ke bagian lain situs kami.” Sebagai langkah awal, Pomelo Fashion melatih dan menerapkan resep peringkat yang dipersonalisasi ke kategori gaun, yang menghasilkan peningkatan rasio klik tayang sebesar 10 persen dari halaman kategori ke halaman produk individu dan peningkatan pendapatan sebesar 18,3 persen. Setelah menyesuaikan solusi berdasarkan data dari kategori gaun, Pomelo Fashion memperluasnya ke kategori lain. 

Saat ini Pomelo Fashion sedang menggunakan algoritme peringkat yang dipersonalisasi pada semua kategorinya, kecuali untuk item baru dan koleksi tertentu. Mulai November 2020, 60 persen tampilan produk berasal dari rekomendasi berbasis Amazon Personalize. Pomelo Fashion berhasil meningkatkan pendapatan kotor dari halaman kategori hingga 15 persen, rasio klik tayang dari kategori ke halaman produk hingga 18 persen, dan klik tambahkan ke keranjang dari halaman kategori hingga 16 persen. Perluasan ini memungkinkan perusahaan untuk membuka keuntungan sebesar 8 persen dalam pendapatan kotor tambahan. 

Pomelo Fashion juga menggunakan Braze, sebuah layanan interaksi pelanggan terkemuka yang memberikan pengalaman perpesanan dalam skala besar. Fitur Konten Terhubung Braze menggunakan rekomendasi dari Amazon Personalize untuk menyesuaikan kampanye lintas saluran Pomelo Fashion—yang dikirimkan melalui email, dalam aplikasi, dan lain sebagainya. Konten Terhubung menghemat waktu staf Pomelo Fashion dengan mengambil konten secara langsung dari Amazon Personalize untuk mengisi pesan ke pengguna secara waktu nyata, yang berisi informasi terbaru. Saat Pomelo Fashion mengirimkan email kepada pelanggannya, misalnya, mereka menerima rekomendasi berdasarkan riwayat dan perilaku penelusuran. Email dengan Konten Terhubung Braze menunjukkan peningkatan rasio klik tayang hingga 50 persen di beberapa segmen dan peningkatan rata-rata sekitar 20 persen.

Pomelo Fashion berencana untuk terus bekerja dengan Segment guna menyesuaikan pengalaman pembeli. Inisiatif utama pertamanya adalah untuk meningkatkan relevansi halaman kategori dengan mempertimbangkan preferensi ukuran pelanggan—saat ini, banyak produk tidak tersedia dalam ukurannya yang paling umum sehingga menghasilkan jumlah klik yang banyak tanpa disertai konversi. Dengan menggunakan struktur personalisasi yang ada, Pomelo Fashion berencana menambahkan pelacakan untuk pilihan ukuran pada halaman detail produk, menanyakan informasi ukuran dasar pada poin-poin penting perjalanan pelanggan, dan mengiterasi serangkaian filter untuk menghapus produk yang kurang relevan dari halaman kategori berdasarkan riwayat pembelian pelanggan. 

Perusahaan juga ingin meningkatkan kemudahan ditemukan dan memastikan pelanggan tidak melihat produk yang sama berulang kali. Perusahaan berharap menggunakan Amazon SageMaker guna membuat model ML tambahan untuk kepentingan prakiraan dan juga mempertimbangkan untuk menggunakan AWS Lambda, sebuah layanan yang memungkinkan perusahaan untuk menjalankan kode tanpa menyediakan atau mengelola server, untuk membuat infrastruktur yang lebih dapat diskalakan. 

Dengan menggunakan Amazon Personalize dan Partner AWS, seperti Segment dan Braze, Pomelo Fashion dapat memberikan pengalaman pelanggan yang dinamis dan selalu meningkat yang juga sekaligus meningkatkan pendapatan.