Разработка продуктов

Изображение: Designmodo

Еще несколько лет назад запуск любого онлайн-бизнеса был связан с целым рядом сложностей. Нужно было найти разработчиков для запуска сайта если требовался хоть шаг в сторону от функциональности обычных конструкторов. В том случае, когда требовалось еще и создание мобильного приложения или чат-бота, все становилось еще хуже, а бюджет только лишь для запуска серьезно увеличивался.

К счастью, сегодня все большее распространение получают no-code инструменты, которые позволяют решать ранее достаточно сложные задачи легко и без необходимости писать хоть строку кода. В новой статье я собрал несколько таких полезных инструментов, которыми пользуюсь сам, и которые позволяют быстро запускать качественные ИТ-продукты без больших вложений.

Siter.io: создание профессиональных сайтов

Этот инструмент позволяет создать полный дизайн сайта без необходимости писать код. Что-то похожее на Figma, но здесь плюс в том, что с помощью Siter сайт можно еще и легко задеплоить на домен. То есть и нарисовать дизайн, и сделать сайт доступным для посетителей можно полностью без всякого кода.



Здесь есть функция импорта файлов из Sketch и Figma, что очень удобно. Возможности коллективной работы, трекинга и откатывания изменений, работа с анимациями и дизайн-шаблоны в том числе для сайтов интернет-магазинов сервис обладает мощной функциональностью и серьезно экономит время и деньги.

Bubble: создание мобильных приложений

Разработка мобильных приложений всегда была очень дорогим удовольствием, которое требует еще и много времени. С помощью приложений типа Bubble сегодня можно достаточно легко создать прилично выглядящее приложение без необходимости программирования.



Работает это так: пользователь выбирает компоненты приложения из стандартной библиотеки, а затем кастомизирует их. В итоге с помощью этого сервиса пройти путь от идеи приложения до функционального прототипа можно в разы быстрее (и дешевле!), чем при традиционном подходе с поиском разработчиков.

Landbot: конструктор чат-ботов

Чат-боты за последние несколько лет прошли путь от крайне горячей темы, до полузабытого явления, а в итоге прочно вошли в жизнь многих онлайн-бизнесов. Компании используют ботов для поддержки пользователей, автоматизируют прием заказов и продажи, собирают важную информацию и многое другое.

При этом сделать чат-бота даже с ограниченной функциональностью самостоятельно не так уж и просто. Нужно знать пару языков программирования, разбираться с интеграцией продукта с различными соцсетями и мессенджерами. Чем больше приложений нужно поддерживать, тем сложнее будет задача. Облегчить ее помогает сервис Landbot. С его помощью можно собрать своего бота в удобном редакторе.



Конечно, слишком сложных AI-ботов так не создать, но автоматизировать службу поддержки или распределять обращения клиентов по различным отделам внутри компании можно будет легко.

Postcards: сервис для создания красивых email-рассылок

По статистике, email остается одним из самых эффективных инструментов общения бизнеса со своей аудиторией. При этом еще несколько лет назад создание качественных рассылок требовало наличия целой технической команды. Помимо копирайтеров и дизайнеров, нужны были верстальщики и разработчики, которые могут настроить отправку писем и сделают так, чтобы они нормально отображались на различных устройствах.

В итоге email-маркетинг, несмотря на кажущуюся простоту самой электронной почты, становился довольно дорогим инструментом для небольшой компании. Сервис Postcards призван решить эту проблему. С его помощью можно создавать красивые рассылки, совместно работать над письмами, а затем в пару кликов экспортировать результат в привычную систему отправки типа MailChimp:



И все это работает в drag-n-drop редакторе без всякого кода.

Gumroad: платежный сервис для стартапов

Для любого онлайн-бизнеса одна из главных задач принимать платежи. Чтобы бизнес рос, платежная функциональность должна работать четко, без ошибок и быть универсальной.

Да, существуют конструкторы сайтов, в которых есть встроенные платежные шлюзы, но они часто не очень гибкие и к тому же привязывают основателей к себе. Переехать с одной платформы создания сайта на другую будет гораздо сложнее, если придется переносить и весь биллинг.

Gumroad позволяет проектировать платежные опции для сайта без необходимости писать код.



Подходит даже для тех, кто хочет протестировать спрос с каким-то одним продуктом, а не строить интернет-магазин.

Parabola: интеграция данных и автоматизация бизнес-процессов

Еще одна сложность для основателей стартапов без технических навыков автоматизация рутинных бизнес-процессов, интеграция различных инструментов для решения этой задачи. Очень часто нужно использовать какое-нибудь API, которое просто так не подключить, нужно писать код.

Сервис Parabola позволяет с помощью простого редактора создавать автоматизации для различных рабочих процессов и интегрировать различные бизнес-приложения на каждом их шаге.



К примеру, сервис может выгрузить данные по продажам из одного сервиса, загрузить их в таблицу, наложив определенный фильтр, и отправить письма на основе этих данных.

Заключение

Важно понимать, что с помощью no-code инструментов прямо сейчас не получится создать по-настоящему масштабный продукт, скорее они помогают протестировать идею, улучшить некоторые бизнес-процессы.

При этом, развитие no-code инструментов важный тренд, который позволяет большему количеству людей создавать продукты, запускать онлайн-стартапы и решать проблемы разных групп потребителей.

---

Какими инструментами развития бизнеса и автоматизации задач без кода пользуетесь вы? Пишите в комментариях соберем самый подробный список в одном месте.

Большинство наших интернет-заказов собираются сторговых залов магазинов, анесоскладов. Это приводит кошибкам между тем, что показывается насайте, итем, что мыможем реально собрать винтернет-заказ.
Из-за высокой скорости оборота товаров вмагазинах исложности систем управления стоком возникают ошибки, которые можно обнаруживать автоматически. Опираясь нанаши знания систем ииспользуя социальный инжиниринг, мыпредложили решение, которое позволялобы автоматически находить проблемные товары икорректировать ихсток перед публикацией насайте.

Меня зовут Марина Калабина, яруководитель проектов вЛеруа Мерлен. Пришла вкомпанию в2011 году. Первые пять лет открывала магазины (когда япришла, ихбыло 13, сейчас 107), потом работала вмагазине вкачестве руководителя торгового сектора ивот уже полтора года занимаюсь тем, что спозиции Data-продакта помогаю магазинам организовывать операции.

Леруализмы

Поскольку ядавно работаю вкомпании, торечь моя наполнена специфическими терминами, которые яназываю леруализмы. Чтобы мыговорили свами наодном языке, привожу некоторые изних.

• Сток запас товаров вмагазине.
• Доступный для продажи сток количество товара, свободное отблокировок ирезервов для клиента.
• Экспо витринный образец.
• Артикулы товары.
• Оперативная инвентаризация ежедневный пересчет 5 артикулов вкаждом отделе каждого магазина.

Гарантированный сток

Возможно, вынезнаете, нокогда выоформляете заказ вЛеруа Мерлен, в98% случаев онприходит вмагазин исобирается изторгового зала.

Представьте себе огромные 8000 кв. ммагазина, 40000 артикулов изадачу собрать заказ. Что может произойти сартикулами вашего заказа, которые ищет сборщик? Товар может быть уже вкорзине клиента, который ходит поторговому залу, или даже может быть продан между тем моментом, когда выего заказали, итем, когда сборщик пошел заним. Насайте товар есть, авдействительности онлибо где-то спрятан, либо его уже нет, каким-нибудь батарейкам приделали ноги. Бывает иобратная ситуация, когда товар вмагазине есть, анасайте покаким-то причинам неотображается.

Из-за этого мынеможем собрать заказ, теряем товарооборот страдает наша репутация ипоявляются недовольные клиенты.

Для того чтобы бороться сразными проблемами, ивтом числе сэтой, впрошлом году вкомпании было запущено подразделение Data Accelerator. Его миссия привить data-культуру, чтобы принимаемые вкомпании решения были data-driven. ВData Accelerator было заявлено 126 идей, изних было выбрано 5 иодна изэтих идей это тот продукт Гарантированный сток, окотором ябуду рассказывать.

Суть продукта втом, что перед публикацией стока товара насайте мыпроверяем, можемли собрать этот артикул клиенту, гарантируемли ему это. Чаще всего это достигается чуть меньшим количеством стока, который мыпубликуем насайте.

Унас была классная команда: Data Scientist, Data Engineer, Data Analysis, Product Owner иScrum-мастер.

Целями нашего продукта были:

• сократить количество несобранных заказов, при этом неповредив количеству заказов впринципе (чтобы оно несократилось);
• сохранить товарооборот вeCom, поскольку мыбудем меньше показывать товаров насайте.

Вобщем, при прочих равных сделать лучше.

Бюро расследований

Когда проект стартовал, мыпоехали вмагазины, клюдям, которые каждый день работают сэтим: мысами пошли собирать заказы. Оказалось, что наш продукт настолько интересен инужен магазинам, что нас попросили запуститься нечерез 3месяца, как было запланировано вначале, авдва раза быстрее, тоесть через 6 недель. Это, мягко говоря, было стрессом, нотем неменее

Мысобрали гипотезы отэкспертов ипошли искать, какиеже унас впринципе есть источники данных. Это был отдельный квест. Фактически бюро расследований показало, что унас имеются такие товары, укоторых обязательно есть витринный образец.

Например, смеситель утаких товаров всегда есть образец взале. Более того, мынеимеем права продать экспо, потому что онможет быть уже поврежден игарантия нанего нераспространяется. Мынаходили такие товары, укоторых непроставлен витринный образец, адоступный сток для продажи показан 1. Но, скорее всего, это тот самый экспо, который мынесможем продать. Аклиент может его заказать. Это одна изпроблем.

Следующая история обратная. Мыобнаружили, что иногда утоваров бывает слишком большое количество витринных образцов. Скорее всего, либо произошел сбой системы, либо вмешался человеческий фактор. Вместо того чтобы насайте показывать 2500 установочных коробок, мыможем показать только 43, потому что унас сбой всистеме. Имынаучили наши алгоритмы находить втом числе итакие косяки.

Валидация

Поисследовав данные, мысобирали excel-ки, отправляли коллегам вмагазины, иуже они сэтими excel-ками ходили ипроверяли: уэтого артикула должен быть витринный образец или нет, этого артикула действительно такое количество вмагазине или нет. Это была очень крутая обратная связь отнаших магазинов, спасибо имбольшое, при всей огромной текучке, которая уних есть, они нашли время, чтобы нам помочь провалидировать наши гипотезы.

Что касается примеров, когда мынаходили слишком большое количество витринных образцов, практически в60% случаев мыбыли правы, предполагая ошибку. Акогда мыискали недостаточное количество экспо или ихотсутствие, тобыли правы в81%, что, вобщем-то, очень хорошие показатели.

Запуск MVP. Первый этап

Поскольку нам надо было уложиться в6 недель, мызапускали proof ofconcept вот стаким линейным алгоритмом, который находил аномальные значения, делал поправку наэти значения перед тем, как публиковать насайт. Иунас было два магазина, вдвух разных регионах, чтобы мымогли сравнить эффект.
Кроме того, был сделан дашборд, где, содной стороны, мымониторили технические параметры, асдругой показывали нашим заказчикам, посути магазинам, как отрабатывают наши алгоритмы. Тоесть мысравнивали, как они работали дозапуска икак стали работать после, показывали, сколько денег позволяет заработать использование этих алгоритмов.

Правило -1. Второй этап

Эффект отработы продукта быстро стал заметен, инас стали спрашивать, почему мыобрабатываем такое маленькое количество артикулов: Давайте возьмем весь сток магазина, изкаждого артикула вычтем одну штуку, и, может быть, это нам позволит решить проблему глобально. Кэтому моменту мыуже начали работать над моделью машинного обучения, нам казалось, что подобная ковровая бомбардировка может навредить, новозможность такого эксперимента упускать нехотелось. Имызапустили тест на4магазинах для того, чтобы проверить эту гипотезу.

Когда через месяц мыпосмотрели нарезультаты, товыяснили два важных обстоятельства. Во-первых, когда мывычитаем одну штуку, чаще всего это влияет надорогие артикулы, какие-нибудь камины, тепловые пушки, которых мало. Так ихнемогли продавать насайте, потому что поэтому алгоритму мымогли ихзапас скрывать полностью. Во-вторых, оказалось, что натовары сосредним ибольшим запасом это никак невлияет. Таким образом, этот подход себя неоправдал, имыперешли креализации модели машинного обучения.

ML-модель. Третий этап

Итак, мысделали ML-модель, запустили еевпрод в6магазинах. Какая унас получилась ML-модель?

• Модель реализована спомощью градиентного бустинга наCatboost, иэто дает предсказание вероятности того, что сток товара вданном магазине вданный момент является некорректным.
• Модель была обучена нарезультатах оперативной иежегодной инвентаризаций, ивтом числе наданных поотмененным заказам.
• Вкачестве косвенных указаний навозможность некорректного стока использовались такие признаки, как данные опоследних движениях постоку данного товара, опродажах, возвратах изаказах, одоступном для продажи стоке, ономенклатуре, онекоторых характеристиках товара ипрочем.
• Всего вмодели использовано около 70 фичей.
• Среди всех признаков были отобраны важные сиспользованием различных подходов коценки важности, втом числе Permutation Importance иподходов, реализованных вбиблиотеке Catboost.
• Чтобы проверить качество иподобрать гиперпараметры модели, данные были разбиты натестовую ивалидационную выборки всоотношении 80/20.
• Модель была обучена наболее старых данных, апроверялась наболее новых.
• Финальная модель, которая витоге пошла впрод, была обучена наполном датасете сиспользованием гиперпараметров, подобранных спомощью разбиения наtrain/valid-части.
• Модель иданные для обучения модели версионируются спомощью DVC, версии модели идатасетов хранятся наS3.

Итоговые метрики полученной модели навалидационном наборе данных:

• ROC-AUC: 0.68
• Recall: 0.77

Архитектура

Немного про архитектуру как это унас реализуется впроде. Для обучения модели используются реплики операционных ипродуктовых систем компании, консолидированные ведином DataLake наплатформе GreenPlum. Наоснове реплик рассчитываются фичи, хранящиеся вMongoDB, что позволяет организовать горячий доступ кним. Оркестрация расчета фичей иинтеграция GreenPlum иMongoDB реализована сиспользованием opensource-стекаApache-инструментами Apache AirFlow иApache NiFi.

Модель машинного обучения представляет собой контейнеризованное Python-приложение, развернутое вKubernetes. Приложение работает наоснове информации отекущем состоянии стока, поступающей изразличных бизнес-систем враспределенный брокер сообщений Apache Kafka, данные изкоторого модель считывает, корректирует иотправляет насайт компании сиспользованием шины набазе Apache Kafka.

Результаты

Унас было 6магазинов ирезультаты показали, что изплановых 15% мысмогли сократить количество несобранных заказов на12%, при этом унас выросли товарооборот E-com иколичество заказов. Так что, мыненавредили, акак раз улучшили качество сборки заказов.

Наданный момент, обученная нами модель используется нетолько для редактирования стока перед публикацией насайте, ноидля улучшения алгоритмов оперативной инвентаризации. Какие артикулы нужно сегодня посчитать именно вэтом отделе, именно вэтом магазине такие, закоторыми придут клиенты, икоторые хорошо былобы проверить. Вобщем модель оказалась еще имультифункциональной ипереиспользуется вкомпании вдругих подразделениях.

p.s.Статья написана по выступлению на митапе Avito.Tech, посмотреть видео можно по ссылке.