隨著AI時代來臨，電商品牌都趕緊專注於創新的客戶體驗。特別是服裝市場，傳統的實體零售體驗讓消費者對購物帶固有期望。網路服飾零售商Zappos的機器學習研究與平台主管Ameen Kazerouni表示：「電商的終極目標是讓客戶感受到如在商店般自在，並能夠了解商品的用途、外觀，就像他們現場試用一樣安心。」
然而，提供這種個人體驗是艱巨的任務，Zappos正是業內少見真正能辦到的企業。創立於1999年的Zappos.com領先業界，以365天退貨政策、快速送貨、免運費以及全年無休而聞名。這家公司使用以AWS為基礎所創建的分析服務和機器學習，大幅改善了電子商務客戶體驗。這個解決方案讓Zappos能將個別用戶的尺寸和搜索結果個性化，同時維持高度靈活且快速回應客戶的優質體驗。
Zappos深明提供準確的推薦是提升購物體驗的關鍵。公司的退貨政策、快速送貨與免運費雖然增強客戶購買信心，但運營成本高昂，也沒有讓他們從同業間脫穎而出。Kazerouni表示:「我們要如何降低退貨率，同時又不影響客戶體驗？這些是我們希望使用AWS的機器學習和分析功能解決的問題。」
當客戶處於搜索階段，公司的目標是在此過程中提供個性化建議，以提高搜索關聯性。Zappos並沒有使用一般的搜索算法，而是致力於從個人角度了解客戶，並針對特定字詞來提供專屬搜索結果。
與此同時，Zappos必須避免搜索緩慢的風險。Kazerouni指:「因此我們結合了高性能緩存、策略性預先計算特定結果，以及使用多種簡單模型的全套機器學習方法。」
在數據發送與存儲方面，數據渠道 (data pipeline) 從輕型的用戶端開始，發送相關活動到API進行處理。API位於自動調整規模群組中，可處理大量數據。數據會從API發送至Amazon Data Firehose ，再導入到Amazon Redshift數據倉庫中，為機器學習研究提供高性能數據訪問權。而Amazon S3則作為Amazon Data Firehose和Amazon Redshift的中繼站。
Zappos又使用多種技術培訓和執行模型。公司採用Amazon SageMaker預測客戶的服飾尺寸。通過微型服務API，預測能快速訪問並用以推薦合適產品給客戶。其中包括Zappos使用的Amazon EMR，針對部分傳統內部部署集群成本進行巨大量數據分析。Zappos還使用GPU在Amazon EC2執行模型。
Zappos通過幾乎無法發現的時延增加，就提供到更好的搜索結果給客戶，其中99%的搜索在不到48毫秒內完成。通過使用相似的架構，公司可大幅改善根據簡單符合調查和過去購買記錄提供的個性化尺寸建議。因此，公司減少了重複搜索和商品退貨次數，並完成了更高的由搜索至商品點擊率 (search-to-product-clickthrough rates)，並在搜索結果中提高客戶以往選項的位置。Kazerouni總結：「我們能改善服務，就是改善業務。利用AWS讓我們得以加快創新體驗的速度。」
