Электронная коммерция и всё, что с ней связано
Сравнили 10 систем речевой аналитики для крупного бизнеса: AI и LLM, On-Premise, API, омниканальность, контроль качества, интеграции, цены, плюсы и ограничения.
Смартфон можно купить за рубежом, положить в чемодан и физически пересечь с ним государственную границу. Но для того, чтобы аппарат полноценно заработал в местной мобильной сети и легально оказался на внутреннем рынке, этого все чаще недостаточно.
После физической границы появляется вторая — цифровая. Государство получает возможность повторно проверить и ограничить устройство уже внутри страны: по IMEI, данным о ввозе, таможенной декларации, сведениям об импортере, а в отдельных процедурах — и по личности человека, который регистрировал и/или использует аппарат.
Так часть контроля перемещается с аэропортов и автомобильных пунктов пропуска в телекоммуникационную и торговую инфраструктуру. Контроль по IMEI становится одним из механизмов такой цифровой границы.
235 рекламных кампаний, восемь месяцев дневной статистики, 1,5 млн рублей расхода. Три ловушки в отчётах, из-за которых выводы сначала получились красивыми и неверными, и что осталось от цифр после проверки.
Когда мы начали работать над AI‑консультантом для интернет‑магазина, идея была достаточно простой: помочь пользователю быстрее находить нужную информацию о товарах и упростить выбор.
В интернет‑магазинах уже есть поиск, фильтры и карточки товаров. Но этого часто недостаточно, когда человек приходит не с конкретным названием товара, а с задачей. Например: «Мне нужен инструмент для ремонта квартиры» или «Чем отличаются эти два товара и какой подойдет лучше?».
В офлайн‑магазине в такой ситуации можно обратиться к консультанту: объяснить задачу, уточнить детали и получить несколько вариантов. Мы хотели перенести похожий сценарий на сайт. Но довольно быстро стало понятно, что схема «пользователь → LLM → ответ» для этого не подходит.
Нужно понять запрос, сохранить контекст разговора, решить, нужен ли каталог, найти в нем товары, получить актуальную цену, при необходимости обратиться к базе знаний и только после этого дать модели данные для ответа.
Проект мы разрабатывали командой ASAP, и в этой статье разберем, как мы подошли к проектированию AI‑консультанта: устроили взаимодействие LLM с каталогом более чем из 200 тысяч товаров, какие задачи оставили коду, как работаем с актуальными ценами и остатками и почему вокруг языковой модели в итоге пришлось построить достаточно большой слой классической backend‑логики.
Привет! Меня зовут Иван Одинцв, я продакт-менеджер в команде товарных рекомендаций «Магнита». В какой-то момент мы упёрлись в неприятную стену: команда научилась быстро проверять гипотезы — а сами гипотезы при этом закончились. Все сильные идеи уже были в проде, а в бэклоге оседал «осадок», до которого руки не доходили неслучайно.
Алиса уже умеет за один диалог понять, какой пылесос нужен покупателю, подобрать модели, показать цены и привести к покупке. Следующий шаг очевиден: агент человека сам запросит цены, остатки и доставку у агентов магазинов, выберет предложение и оформит заказ. MCP, A2A, UCP, AP2, ACP и YCP постепенно собирают техническую основу такой торговли. Разбираю, что из этого уже работает в России и США, что изменилось всего за последний месяц и насколько реально, что через 1–2 года человеку станет все реже нужен сайт интернет‑магазина.
Сегодня в рубрике — книга о том, как можно создать плюшевое золото. Да такое, что о нём, словно о поп-звезде, услышит весь мир.
Даже если вы не знаете, как выглядит Лабубу, Molly или Skullpanda, информация о ком-то из них наверняка попадала в зону вашей слышимости. А может, приближалась настолько близко, что приходилось раскошеливаться — добровольно или не очень.
У основания этой империи — Ван Нин, выпускник неприметного вуза, чья идея оказалась сильнее денег и скептицизма инвесторов.
Всё началось с отказа. К 2015 году Pop Mart продавала японские фигурки Sonny Angel — они приносили треть всей выручки. Но Pop Mart была лишь дистрибьютором. Права принадлежали японской Dreams. Когда Ван Нин попытался открыть магазин в Шанхае, партнёры запретили продажу. Предложения об эксклюзивной дистрибуции, совместных коллекциях, участии в выставке — всё было отклонено. «Дайте Sonny Angel идти своим путём».Тогда у компании не осталось ничего, кроме как искать особенный путь для Pop Mart.
«Представьте: мы платим огромную аренду, а нам запрещают продавать товар, который дает 30 % всей выручки. Это был удар. Мы пытались договориться: предлагали стать крупным дистрибьютором, заняться маркетингом или запустить совместное производство. Но партнеры были категорически против. Мы столкнулись с полным непониманием», — прокомментировал этот период Ван Нин.
Читателям с нишевыми увлечениями вроде историй брендов и товарных знаков книга будет интересна историями о том, как защищать интеллектуальную собственность. Весь раздел про отношения с японскими партнёрами и поиск своего IP — прости господи, чистый мастрид для корпюристов и стратегов.
Возвраты в онлайн‑торговле одеждой держатся, по разным оценкам, на уровне 20–30%, а в отдельных категориях доходят до половины заказов. Главная причина устойчиво одна: не подошло по посадке, и на неё приходится около половины всех возвратов. Задача выглядит как классическая рекомендательная: есть покупатель, есть товар, надо предсказать метку. Ниже я разберу, почему в этой постановке она недоопределена в принципе, и что из‑за этого происходит с моделями.
Привет, мы команда «Ножиков» и хотим сделать так, чтобы нож воспринимался как стильный аксессуар вроде часов. Такой аксессуар можно носить с собой, и он будет классно смотреться. Красивое лезвие подчеркивает имидж, его не нужно бояться. Мы стараемся разрушать миф, что наличие ножа — это какой-то тревожный сигнал. В этом тексте расскажем, почему не продаем модели дороже 100,000 рублей и как мы собрали миллион подписчиков на нашем ютуб-канале:
Мы решили поручить анализ данных ChatGPT. И быстро поняли, что проблема вовсе не в модели. Оказалось, что LLM может красиво объяснять, но не должна считать. Ошибка была не в промпте, а в архитектуре системы.
В статье рассказываю, почему мы разделили код и ИИ, как избавились от галлюцинаций в аналитике и почему теперь модель объясняет результаты, а не пытается их вычислять.
Привет, мы производим детские игрушки для бренда JackoToys, хотя большинство игроков на рынке просто закупает их из Китая. Но качественные китайские игрушки стоят от 5 тысяч рублей, а в масс-маркете импортёру приходится закладывать в цену доставку и пошлины, поэтому он экономит на сырье. Свои сложности есть и у нас, за последнее время маржа упала с 30% до 10%. И даже в такой ситуации мы продолжаем упаковывать игрушки в две коробки, и вот почему мы это делаем:
Месяц назад я внедрил разметку ProductGroup на карточки товара с размерами. Google и Яндекс увидели разное. Вплоть до того, что валидатор Яндекса вообще не знает такой тип. Это переработанная версия текста, который я публиковал раньше. Тогда он был снят модерацией, сейчас переписан и дополнен цифрами за месяц после внедрения.
Кейс будет полезен тем, у кого есть интернет магазин с торговыми предложениями. Ваш сайт на JS фреймворке и индексируемость у карточек около нуля. Чаще всего такие страницы плохо понимает робот поисковой системы.
О подходе к пользователям во ВВ я узнала от продакта, когда готовилась к собеседованию на рейтинги и отзывы в Авито. Я посмотрела презентацию и была поражена подготовкой поддержки, примеры там выглядели как фантастика: они рассказывали что подстраиваются под настроение пользователя, учат его чувствовать и если видят, что он на взводе - то это значит, что не время шутить. Многим это может показаться очевидным, но в поддержке я встречаю что отвечают заготовками, которые даже не попадают в вопрос, не говоря уже о тональности + популярное сейчас “я вас понимаю”, которое только больше раздражает. Тогда я к этому так и отнеслась - хорошая теория, но звучит как фантастика и забыла.
Привет! Меня зовут Мария Минакова, я Senior Product Manager и я разбираю только те продукты, над которыми сама хотела бы поработать, так как ими пользуюсь, люблю и вижу, где есть потенциал роста. Мне драйвово искать для них решения, которые выводят продукт на новый уровень не только по деньгам, но и по UX и любви пользователей. До этого разбирала Как я искала точки роста для «Звука»: догонять рынок или создавать новый?
В этой статье хочу поделиться как у ВкусВилла получилось сделать очень крутой пользовательский опыт в приложении и как он обрывается в физическом мире
Привет, я креативный директор бренда Minoga. Мы продаём всё для рыбалки, варим пластизоль по своей рецептуре и каждый сезон выпускаем новые модели приманок. При этом лучше всех у нас продаются «Экшен» и «Купер», которые появились ещё на старте бренда. Сейчас расскажу, как мы строили производство в Одинцово, почему отозвали из продажи целую партию шнура и что на самом деле двигает продажи в рыболовной нише. Ну и объясню, что такое пластизоль, если вы не знали.
Я бэкенд-разработчик: пишу на Rust сервис аналитики для продавцов маркетплейсов. Одна из его частей — автоматический биддер, который превращает цель «ДРР не выше 12%» в непрерывное управление ставками. Внутри: контроллер с мёртвой зоной и клампами, per-token бакеты против 429 «Limited by global limiter, per seller», возобновляемые фоновые джобы и борьба с дедлоками параллельных писателей.
После атак на логистические центры Wildberries мониторинг цен YoloPrice зафиксировал аномальную волну снижения цен. Разбираемся, был ли это реальный «обвал», реакция селлеров на сбои или просто совпавшая по времени массовая переоценка.
Свежие статистические данные из обзоров hh, elama, АРИР. И тренды, которые я вижу на рынках разработки и digital-маркетинга.
Ищешь термос — получаешь праймер для ногтей, ищешь одноразовые вилки — держи мотоцикл. Собрали коллекцию самых абсурдных ответов поисковых систем ecom площадок из реальных запросов пользователей и разложили их по шести типам: у безумия, как выяснилось, есть система.
В Telegram Ads легко собрать медиаплан, который внушительно выглядит в таблице: сотни каналов, несколько аудиторных сегментов и десятки гипотез. Сложнее понять, где заканчивается тематическое совпадение и начинается бесполезный трафик.
В кампании эксперта по Amazon мы протестировали больше 200 площадок. Основную часть результата дали единицы. В статье разбираю, как мы делили аудиторию, отсеивали каналы и почему низкая цена подписчика на небольшом объёме ещё не делает площадку рабочей.
Все мы хоть раз искали что-то на маркетплейсах. И получали в выдаче совсем не то, что искали. YoloPrice разметил миллионы позиций поисковой выдач e-com площадок и посчитал, какая часть выдачи действительно отвечает на запрос пользователя. Отсюда родился рейтинг площадок по точности поисковой выдачи. Спойлер: у самых больших игроков мимо летит больше половины, а неожиданный лидер — вообще не маркетплейс. Полный рейтинг и методология — в статье.