Разработка под e-commerce *

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.

NoCode чат-бот платформы — это конструкторы на базе искусственного интеллекта, использующие технологии обработки естественного языка для создания автоматизированных, но индивидуально настраиваемых диалоговых систем. Эти боты используют алгоритмы искусственного интеллекта, зачастую они задействуют API токен от OpenAI, который способен генерировать максимально приближенные к человеческому языку ответы.

С появлением GPT маркетплейса в январе 2023 года, кастомизация чат-ботов получила новый виток развития. Благодаря способности искусственных интеллектов работать с загруженными в них базами данных, стало возможным быстро создавать решения для различных бизнес-сценариев, сократив время разработки в десятки раз без привлечения разработчиков. Конечно, не OpenAi единым, для создания кастомизированных чат ботов использовать можно любую нейросеть — тот же Google Bard или Claude. 

Тем не менее, существуют определенные ограничения. Во-первых, основой часто служит технология Chat GPT. Во-вторых, отсутствует удобная система интеграции с другими инструментами. К тому же, типичные решения предполагают работу с ограниченным количеством текстовых материалов, до 20 единиц, и взаимодействие в рамках этого контента.

Для создания действительно гибких и адаптированных под бизнес-процессы решений требуются кастомные подходы. Это включает разработку API для GPT, настройку серверов, обработку баз данных и разработку пользовательского интерфейса, что может быть затратно и сложно.

К счастью, сегодня доступны платформенные решения, упрощающие запуск чат-ботов. Для кастомизации достаточно иметь API-токен выбранной нейросети и базовое понимание работы с векторными базами данных и потенциальными сценариями использования. Эти решения обеспечивают быстрое и эффективное внедрение индивидуализированных чат-ботов, открывая новые горизонты для бизнеса. Про что в этой статье мы и расскажем!

В этой статье я продемонстрирую, как без собственного датасета сделать классификатор намерений пользователя для службы поддержки в сфере e-commerce. И более того, я расскажу, как у меня получилось сделать классификатор для русского языка без датасета на русском языке.

Меня зовут Елизавета Колмакова, я Data Scientist в компании, которая разрабатывает айти-решения для крупного ритейла.

Кейс по продвижению на маркетплейсах для собственников компаний, селлеров, руководителей по маркетингу и маркетологов. 

Маркетплейсы принято делить на 2 вида: В2С и В2В. Например, Ozon, Wildberries и Яндекс Маркет считаются В2С-площадками, где физлица покупают у ИП и компаний что-то для дома, для себя. А есть такие как Alibaba или Сделки.ру, где ИП и компании покупают и продают друг другу. 

Значит ли это, что В2В товары нельзя продавать на В2С маркетплейсах? Вместе с нашим клиентом —- компанией СКС, продающей кабельную продукцию —- вышли на В2С маркетплейсы. Сделали это в 2022 году, когда направление В2В там только начинало развиваться, сложно было оценить спрос и прогнозировать результаты. Проработали органику и рекламу, потом масштабировались и заняли 4,5% от рынка  маркетплейса.  

Если у вас уже есть бизнес и выручка с рекламы или других каналов, стоит попробовать продажи на маркетплейсах. Вы ничего не потеряете: товар имеется, бизнес-процессы налажены, — и есть возможность увеличить доход. По продвижению мы все риски берем на себя: оплата только за результат — 5-10% от роста оборота. Когда клиент приходит к нам уже со своим оборотом на маркетплейсах, то платит только % с прироста оборота. 

В этом кейсе расскажем, как В2В запуститься на маркетплейсах и вырасти до 3,4 млн рублей в месяц.

Привет! Меня зовут Юля Шамина, я руководитель IT-проектов в СберМаркете. Хочу поделиться нестандартным по всем меркам кейсом, как мы подготовили наши сервисы к высоким предновогодним нагрузкам за 3 месяца благодаря челленджу внутренней команды нагрузочного тестирования. 

Эта статья не про успешный успех, а про то, как и зачем привлекать подрядчика, если вопросом уже занимается внутренняя команда.  А ещё про страх неизвестности, мучительную настройку процессов и то, как в конце концов показать высокие результаты в сжатые сроки с минимальным количеством факапов.

Если бы можно было описать этот проект одной цитатой — «Это было смело, чертовски смело!»

А теперь по порядку. Расскажу,  как мы пришли к тому, что нам понадобился подрядчик, и что вообще это за проект.

Всем привет! Меня зовут Никита, я Data Scientist из Raft. Сегодня я расскажу вам о том, как мы решили задачу перевода каталога товаров большого интернет-магазина с русского на арабский язык с применением искусственного интеллекта. Мы рассмотрим различные подходы и идеи, возникавшие в процессе погружения в эту задачу. Также я объясню, почему мы отказались от готовых решений и выбрали Large Language Models (LLM) в качестве основного инструмента. Как вы, возможно, уже догадались из названия, основным преимуществом нашего финального решения стала значительная оптимизация расходов: нам удалось сократить использование API OpenAI в 4 раза, при этом сохранив высокое качество перевода.

Стоило только появиться первым рынкам, как торговаться на них стало уже частью процесса продаж. Считалось, что тот, кто не торгуется, получил товар или деньги нечестным путем и дел с ним лучше не иметь. Как раньше, так и в нынешнее время в большинстве случаев создание благ и зарабатывание средств даются тяжелым трудом. Оптимальная цена товара или услуги в таком контексте выступает неким синонимом справедливости.

В данной статье речь пойдет о продаже авиабилетов, но материал также может быть полезен всем, кто заинтересован в оптимальном ценообразовании.

Привет, меня зовут Коля, занимаюсь тестированием 7 лет, автоматизацией — 6 лет. Так уж сложилось, что не особо люблю WebUI-тесты, но почему-то именно они у меня получаются лучше всего.

В один день мне позвонил мой друг Рома и сказал: «Коля, помнишь ты у нас автотесты делал с селениумом? Помоги мне сделать так же красиво».

Отправив Роме ссылку на свой гитхаб и устроив пару созвонов с объяснениями, что и как работает, я добился от него заветного «Я понял». 

Спустя два дня Рома позвонил снова: «Коля, я всё понял, а вот ребята в моей команде — нет. Помоги мне объяснить им».

Внутри я расскажу от том, как:

• ускорить написание тестов;

• снизить затраты на их поддержку;

• прокачаться в написании фреймворков;

• сэкономить деньги компании;

• сохранить нервы сотрудников.

Слизень отдохнул от поисков Деда Мороза, заполнив новогоднее бинго с работниками Фабрики подарков — и его осенила гениальная мысль! Может, пропавший Мороз скрывается в квартире одного из своих сотрудников? Или у кого-то из них хотя бы есть информация о том, куда пропал главный даритель подарков.

Слизень отправился в поквартирный обход: сперва просто не было никаких результатов. Нередко его путали с доставщиком, привезшим всё необходимое для новогоднего банкета. Но в одной из квартир его ждало удивительное зрелище. Хотите узнать, какое? Заходите под кат.

Бизнес услуг может очень сильно разниться в стоимости: вы можете заказать сайт как за 100 000р., так и за несколько десятков миллионов. Давайте разберемся, в чем отличие дешевого сайта от дорогого и из чего сегодня формируется стоимость разработки с нуля.

Всем привет! Меня зовут Аня Власова. Я работаю ML-инженером в команде Поиска СберМаркета. В этой статье я расскажу, как устроены наши процессы: с момента, когда пользователь вводит запрос, до получения поисковой выдачи. Если вы разрабатываете поиск или просто интересуетесь темой, то наверняка сможете найти интересные инсайты для своей работы.

Коротко о том, что вас ждет:

- Зоны ответственности команды Поиска;

- Как мы отбираем кандидатов для отображения их в поисковой выдаче;

- Финальное ранжирование товаров ml моделью.

7 из 10 товаров в СберМаркете добавляются в корзину именно из Поиска, так что даже маленькие изменения в наших продуктах оказывают большой и видимый эффект на бизнес. Именно поэтому мы уделяем много внимания постоянному улучшению наших решений и уже добились хороших результатов. Надеюсь, что вы почерпнете что-то новое из нашего кейса и сможете применить это в своей работе. Поехали!

Компания Retail Rocket более 10-ти лет занимается системами рекомендаций в сфере электронной коммерции. Всё это время мы сталкиваемся с неочевидными свойствами алгоритмов рекомендаций, без которых системы не будут решать свои задачи. Мы выделили и описали в статье такие свойства, как: эффективность, логичность, покрытие, специфичность, охват, актуальность и мультирегиональность. Если у вас есть система рекомендаций, и вы хотите оценить ее качество, либо вы ищете критерии для выбора или разработки системы рекомендаций, то эта статья будет вам полезна.