Разработка под e-commerce *

Всем привет! Меня зовут Фефилов Александр, я работаю в QA с 2017 года. По большей части это были компании, которые занимались аутсорсингом, но затем я присоединился к SM Lab.

Как вы уже поняли из названия поста, я расскажу о том, как взаимодействовать с заказчиком (а иногда и с заказчиками) с позиции QA‑эксперта.

Под катом личный опыт работы в разных крупных компаниях и ответы на вопросы:

 — как работать с двумя представителями заказчика в случае, когда их требования часто противоречат другу другу, а сами они между собой не общаются
 — что делать, если ваш заказчик живёт в парадигме «Я плачу деньги, а ты просто делаешь всё, что я говорю»
 — как решать процессные задачи
 — как находить продуктовые проблемы
 — кто такой QA‑эксперт и как им стать
 — полезная методика, которая может пригодиться вам в работе.

Итак, начнём по порядку.

С одной стороны, задача посчитать юнит-экономику выглядит как задача на вечер в компании с экселем. А если она возникает регулярно, то можно потратить 10 вечеров, и потом все будет занимать 20 минут.

А с другой стороны — мы потратили год на разработку системы, которая просто работает. Да, она делает больше, чем просто юнит-экономика, но даже на базовый функционал ушло полгода. Почему? Давайте разбираться.

«Фреймворк фреймворков» — так часто называют Java Spring. Зачем он нужен и какие у него есть плюсы и минусы, рассказывает специалист по Java, техлид в финтех-проекте Егор Воронянский.

Сотрудники каждого склада, которые хотят выстроить логистические процессы оптимальным образом, должны знать фактические габариты и вес товаров, которые хранятся на его площадях. Совокупность габаритов и веса товара в Ozon называют объёмно-весовыми характеристиками (ОВХ). 

Мы разработали, собрали и интегрировали в операционные процессы складов Ozon устройства для измерения габаритов и веса товаров. Об этом мы писали ранее. Но к идее создания своего решения пришли не сразу.

Как продавать сложные, нестандартные товары на WB? Когда производство идет под заказ и доставка становится невыносимо долгой. Что делать, если отрицательные отзывы понизили рейтинг и карточка товара упала в выдаче? Как вернуть доверие покупателей и повысить привлекательность карточки?  Как продвигать такие товары? 

Компания по производству картин и зеркал начала продажи на WB, но не знала, как решить проблемы нестандартного товара. Перестали изготавливать под заказ и в 4 раза увеличили скорость доставки. Улучшили качество упаковки и стали получать положительные отзывы вместо отрицательных, рейтинг вырос с 3,7 до 4,3 баллов. 

В 4 раза повысили ранжирование карточки за счет правильных ключевых фраз, графической воронки продаж и вышли в ТОП-20. Начали продавать КГТ (крупно-габаритные товары) и стали получать 20% дополнительного дохода. Нашли новые точки роста - расширили ассортимент: картины, сгенерированные нейросетью и модульные постеры. Прямая реклама не работала, поэтому увеличивали присутствие товаров на выдаче при помощи акций Wildberries.

Кейс селлера, который в 6 раз увеличил свои продажи с 345 324 р до 1 944 847 р. 

Использование ML в онлайн-шоппинге не ограничивается рекомендациями товаров. Покупать одежду и обувь проще, когда у любого бренда ты знаешь нужный размер, видишь удачное сочетания товаров и легко находишь похожие внешне или по цвету вещи.

В Lamoda Tech мы создаем продукты, которые решают самые разные задачи пользователей и бизнеса. На митапе 28 марта мы рассказали, какие ML-модели работают у нас в проде и как мы строили эту работу. 

Делимся с вами видео выступлений и презентациями.

Мне показалось интересным поделиться таким проектам. Может кто-то сможет применить в своем бизнесе или внедрить для своего клиента.

Мы разработали сервис дополнительной гарантии, который автоматически контролировал процессы дополнительных продаж для клиента.

«До того, как я поделился с тобой своей проблемой, я даже не представлял, как это сделать» — примерно такие слова в итоге я слышу от каждого своего клиента. И вот почему.

Я не делаю супер‑уникальные, мега‑дорогие, адски сложные проекты. Не собираю команду из 30+ человек.

Я решаю ребусы, с которыми ко мне приходят предприниматели со стороны ИТ технологий: как оптимизировать, как выжать больше из того что уже работает, соединить несоединяемое, впихнуть невпихуемое.

Разберем несколько примеров.

Всё течёт, всё изменяется. Особенно информация — она очень быстро устаревает. В e‑com неактуальные данные о товарах могут сильно подпортить клиентский опыт. Если удовлетворенность пользователей — важный фокус вашей работы, мне есть чем поделиться:)

Всем привет! Я Григорий Фрольцов, Product Lead машинного обучения в команде контента в СберМаркете. В этой статье я расскажу, какие «сюрпризы» могут происходить с данными об ассортименте, а также о том, с помощью каких продуктовых решений мы эти сложности решаем. Цель моей работы — добиваться максимально актуальной информации на витринах сервиса: с помощью ML и не только.

Расскажу про типовые и нетиповые проблемы. Опишу, какие инструменты используем, чтобы минимизировать рассинхрон в передаче знаний между оффлайн‑точкой и онлайн‑площадкой для торговли. Если вы аналитик или биздев в e‑com, продакт‑менеджер интернет‑магазина или работаете над эффективностью операций, точно найдёте для себя интересный инсайты.

Пара слов обо мне. У меня никогда не было серьезного плана делать свой продукт, открывать под это дело компанию, погружаться в custdev и вот это вот всё. Днем я работал в сеньёр девелопером, по вечерам - делал pet-проекты типа онлайн версии настольной игры или онлайн-редактора пиксель-арта, и все было хорошо.

Но в какой-то момент так совпало, что вопрос с жильем был решен, была накоплена финансовая подушка на пару лет и подвернулся интересный, как мне показалось, проект. Свою лепту также внес мой друг, который вложил в мою голову мысль, что со временем мы стареем, хуже учимся, труднее воспринимаем новую информацию, и чем дальше, тем будет хуже. Так что если я не хочу всю жизнь в найме провести - то вот подходящее время, когда и опыт уже есть, и силы еще есть.

В общем, мы разрабатываем PIM-систему catalog.app, и я оказался ответственным за весь процесс, начиная от общения с клиентами и формирования требований и заканчивая оптимизацией SQL запросов. В этой статье я расскажу, как наша система устроена внутри, и постараюсь обосновать, почему были выбраны именно такие подходы и инструменты, как у нас организован процесс разработки.

У нас нет кубернетеса, кликхауса, реакта, бессерверных вычислений, рэббит эмкью, кафки, кибаны, графаны, дженкинса, ноды, эластика, и много чего ещё нет. Зато есть дотнет последней версии, энтити фреймворк, нгинкс и шваггер. Я постараюсь рассказать, как и почему мы дошли до такой жизни, и жизнь ли это.

Вы не подумайте, все то, что перечислено выше и чего у нас нет, я считаю прекрасными инструментами (кроме ноды, нода ужасна), и со многим когда-то имел дело. Но любая сторонняя зависимость, а особенно инфраструктурная зависимость, имеет свою цену, и я искренне считаю, что на этом этапе развития проекта не все зависимости нам по карману. Возможно, в комментариях будет порция обоснованной критики по выбору технологий, мы постараемся к ней прислушаться.

Магазин китайских терморегуляторов повысил цены вместо демпинга и через 3 месяца стал зарабатывать 2,3 млн в месяц.

Многие компании уже имеют опыт продаж на маркетплейсах. Хорошо стартанули, но потом уперлись в потолок и не знают, как повысить свой доход, улучшить рентабельность. Какие ошибки мешают их масштабированию? Как за 2-3 месяца добиться кратного роста продаж и снизить долю рекламных расходов? 

Селлер не мог увеличить свои продажи на Ozon и даже в сезон продавал терморегуляторы не больше чем на 500К  Нацелили ассортимент на слабые стороны конкурентов и немного увеличили цены. Усилили логистику и стали держать топовые товары в наличии. Переделали карточки товаров и отстроились от конкурентов. Вошли в ТОП-2 из 1025 селлеров. Оптимизировали рекламу, и почти одной органикой повысили доход в 5 раз, а долю рекламных расходов снизили с 22% до 10%

Производитель ошейников от блох BioDoctor разработал свою рецептуру из эфирных масел, придумал дизайн и напечатал упаковку. Но все эти замечательные ошейники томились на складе, а продажи были, как кот наплакал: Ozon - 10 000 р. в месяц. Wildberries - 65 000 р. в месяц. Летний сезон был в самом разгаре, а кошки и собаки России все ещё гуляли без ошейников BioDoctor. 

Рассказываем, как помогли производителю правильно позиционировать свой моно-продукт на маркетплейсах; поднять рейтинг карточки до 4,7 ⭐ и заработать 631 отзыв; выгодно управлять ценой; продвинуть товар в топ-2 по выдаче и увеличить оборот с 75 000 р до 1 500 000 р. в месяц.

В первой статье цикла мы рассказали про свойства алгоритмов качественных рекомендаций, которые необходимы для практического использования алгоритма. Во второй статье мы рассмотрели компоненты алгоритма «Сопутствующие товары». Но система рекомендаций для интернет-магазина состоит не только из алгоритма «Сопутствующие товары». Существуют и другие не менее важные алгоритмы.

В заключительной статье цикла мы рассмотрим несколько алгоритмов и разберем некоторые их компоненты, которые наиболее важны и отличаются от тех, что мы рассмотрели ранее.

В 2023 году с нуля запустили собственный проект по продаже настольных ковриков для ноутбука, клавиатуры и мыши. Нашли поставщика в Китае, доставили товары в Москву и запустили продажи на трех маркетплейсах: Ozon, Wildberries и Яндекс Маркет. Результат — более 5 млн руб. дохода за год на 12 SKU (ковриков разных цветов).

В статье расскажем о сильных и слабых сторонах каждого из маркетплейсов. На Ozon и Wildberries высокая конкуренция, не все рекламные инструменты одинаково полезны, но можно экономить на логистике и сокращать комиссию площадки. На Яндекс Маркете меньше конкуренция, низкая комиссия, встроенная нейросеть, отзывчивая техподдержка и рабочий инструментарий для буста продаж.

Делимся в кейсе лайфхаками, которые будут актуальны и в 2024 году:

• Как запустить продажи на всех маркетплейсах — алгоритм работы;

• Что делать при сезонном спаде и почему еще могут проседать продажи;

• Как экономить на логистике и сокращать комиссию площадки.

Всем привет!

Меня зовут Александр Николаев. В рознице я уже 18 лет, в основном специализировался в FMCG. Теперь работаю с такими товарами, как одежда, обувь, инвентарь и спортивное питание. Ещё есть 2 года опыта в IT тестировщиком, системным администратором и руководителем по обеспечению ПО. Участвовал в хакатонах на позициях PR, QA и UI дизайнером. После ухода многих компаний из РФ вернулся в ревизоры.

Что делает ревизор

Работа ревизора заключается в том, чтобы провести в магазине качественный пересчет, а после этого – качественное закрытие. Это нужно для того, чтобы у бизнеса была актуальная информация по наличию товарно-материальных ценностей в магазине.

В свободное время я работаю над несколькими проектами, которые, надеюсь, помогут мне и моим коллегам. Так как очень люблю программировать на Delphi и C# хочу рассказать о паре проектов, которые я пока разработал в демоверсиях. О них и будет пост.

В предыдущей статье цикла о качестве алгоритмов рекомендаций мы рассмотрели свойства, которые необходимы, чтобы рекомендации приносили пользу интернет-магазину на практике. В данной статье мы расскажем как обеспечить эти свойства на примере компонентов одного из алгоритмов.

Привет! Меня зовут Валентин Бритвич, я Unit Lead интеграций в СберМаркете. Когда СберМаркет был стартапом, мы начинали с одного Rails-монолита, но бизнес рос, и стали появляться сотни партнёров на подключение, кастомные интеграции, которые нужно поддерживать, а с ними и проблемы, с которыми сталкивается разработка в растущем бизнесе. В статье я расскажу про сложности роста Ruby-приложений, с которыми мы столкнулись, и о том, как с ними справиться.

Вы наверняка слышали термин «MACH-архитектура», которая включает в себя Микросервисы, API-First дизайн, Cloud-Native инфраструктуру и Headless фронтенд. На Хабре тема MACH архитектуры практически не поднимается ввиду как сложности полной реализации и того факта, что MACH обычно ассоциируют только с E-Commerce уровня enterprise. Настораживает, что вокруг МАСН много пиара, но очень мало кейсов внедрений. Собственно, данный обзор — об этом.

Искусственный интеллект (AI) открывает новые горизонты для персонализации, предоставляя уникальные возможности для анализа данных и прогнозирования поведения клиентов, что непосредственно способствует увеличению конверсии и укреплению лояльности. Способность AI к обработке информации о покупках и взаимодействиях позволяет создавать предложения, точно соответствующие личным предпочтениям каждого пользователя.

В данной статье мы изучим, как персонализация с использованием AI может существенно повысить конверсию, превращая процесс покупки в не только приятный, но и высокоэффективный опыт.

Всем привет, меня зовут Никита, я старший разработчик в компании Озон и работаю над iOS-приложением «Пункт Озон».

«Пункт Озон» — это мобильное приложение для работников и менеджеров пункта выдачи заказов (далее просто ПВЗ). В приложении множество различных разделов для повседневной работы. Самые популярные разделы — это «Приёмка», «Выдача» и «Инвентаризация», что в мобильной, что в web-версии. Именно они помогают выполнить главные задачи работников ПВЗ — принять заказы на баланс и позже выдать их клиентам.

Для скорости работы и защиты от ошибок работники ПВЗ производят эти действия через сканирование штрих-кодов, расположенных на самих заказах или на тарах, в которых они приезжают. Если брать web-версию, то там «все просто»: покупается нормальный/качественный отдельный сканер, подключается к ПК — и проблем, считай, нет. А вот с мобильным приложением дела обстоят немного не так. У смартфона есть только камера, и она явно не проектировалась под задачу «сканируем только штрих-коды». Но с другой стороны, камера делает фотографию, а раз у нас есть фотография, то можно там найти штрих-код. К счастью, Apple и Google предоставляют нам инструментарий для этого.

А раз я iOS-разработчик, то и рассказывать я вам буду о нашем iOS-приложении. И сегодня у нас в меню: 

• с какими проблемами столкнулись пользователи при использовании мобильного сканера, и почему мы стали искать возможность его улучшения;

• сравнение инструментов, которые предлагает Apple;

• технический обзор одного из них;

• история его внедрения в наше приложение и конечные результаты.