Минимум нагрузки на мозг в чекауте

Чекаут — это место, где покупатель расстается с деньгами, и важно ему ни в коем случае не мешать.

Это может выражаться даже в клавиатуре для ввода номера машины. В примере на картинке оставили только те буквы, которые реально встречаются в русских номерах. Для остальных есть кнопка «свободный формат» и пользователи с нестандартными номерами, скорее всего, будут к ней готовы.

А бывает, что для ввода номера телефона выводят полную клавиатуру. Вот это как раз пример отсутствия заботы о пользователе.

Наш коллега Алексей Андреев (Леруа, Лэтуаль и другой enterprise) в своем канале разобрал статью Криса Питчманна Disposable Software Is the Future. Мы прочитали оригинал и хотим добавить свои пять копеек, потому что автор, сам того не зная, описал принципы, на которых построена Ensi.

1. Делить систему по бизнес-возможностям, а не по техническим слоям. Сервисы Ensi построены вокруг доменов ритейла: каталог, заказы, клиенты и прочее.

2. Отделять интерфейс от реализации и версионировать контракты. Каждый сервис Ensi общается с внешним миром через версионированный API. Реализацию можно переписать, но сам контракт останется.

3. Не использовать общую базу как способ интеграции. «A database is not an API». У каждого сервиса Ensi своя база, интеграция идет через API и события.

4. Проектировать с учетом заменяемости любых компонентов. Это, пожалуй, главное. Ensi — open source с сервисной архитектурой: любой сервис можно доработать или заменить без разрешения вендора и переписывания всего остального. Мы называем этот подход эволюционной архитектурой: IT меняется вслед за бизнесом, а не диктует ему, как жить. Разные части системы меняются с разной скоростью. Интерфейсы, промо-логика, AI-фичи и интеграции с вендорами меняются часто, а ядро домена, финансовые записи, модель клиента стабильны. Архитектура должна защищать стабильное и позволять заменять волатильное.

Еще мысли из статьи, которые мы повторяем клиентам постоянно:

5. Полная замена системы — один из самых опасных паттернов в enterprise, потому что новый проект устаревает раньше, чем запускается. Подход Ensi подразумевает уважительное отношение к legacy и позволяет реализовать разные стратегии переезда на новые решения (статья об этом)

6. Про AI: возможности моделей нельзя вшивать в ядро бизнес-логики. Только подключать как сменный модуль через стабильный контракт, потому что провайдер и модель поменяются, а интерфейс останется. «The interface is the asset. The implementation is replaceable». По этой схеме сервисы Ensi Cloud (поиск, рекомендации, генерация контента) подключаются к (любой) платформе.

7. И финальный вывод статьи, который стоит процитировать дословно: самая большая архитектурная ошибка — не выбор неправильного фреймворка, языка или облака. Самая большая ошибка — построить систему, которую нельзя изменить.

👉 Читать оригинал статьи

Может вы не знали, но в фешене есть bridge-сегмент. Что-то среднее между масс-маркетом и премиумом. Примеры брендов в бридж-сегменте — Tommy Hilfiger и Guess.

Ситуативный маркетинг

Персонализация для разных людей внутри одного аккаунта

Lamoda в исследовании Fashion Compass рапортует, что 85% их товарной выдачи персонализировано. Но есть довольно частый сценарий, когда человек покупает не себе, а еще и детям или партнеру, и вот тогда вся эта персонализация ломается.

При этом ни в одном екоме нам не попадался переключатель «под кого сейчас подстроить выдачу». А можно было бы пойти дальше и определять получателей автоматически, как айфон находит лица на фото: система сама раскладывает покупки по членам семьи и просит подтвердить.

Совсем уже осатанели со своим ИИ

Эксперты из Ассоциации больших данных разработали предварительный национальный стандарт для синтетических данных

Что это такое?

▪️Предварительный стандарт вводится для апробации новых технологий и действует не более трех лет. Затем он может перейти в статус обязательного к применению ГОСТа.
▪️Стандарт описывает процессы синтеза данных и требования к их качеству. До сих пор в России не было такого документа.
▪️Синтетические данные и прозрачный стандарт для них нужны, например, для обучения суверенных
моделей ИИ.

HFLabs тоже поучаствовал в этой большой работе. Вместе с АБД мы сделали практическое обоснование для использования синтетических данных в кейсе «Маркетинговая атрибуция».

Задача была такая: объединить данные двух независимых участников — рекламной площадки и банка — для оценки эффективности рекламной кампании. С помощью нашего решения «Маскировщик», мы проверили, возможно ли получить синтетический аналитический датасет, пригодный для расчета маркетинговых метрик, и при этом сохранить приватность.

Подробно исследование можно посмотреть и скачать здесь, а короткий вывод такой: синтетические данные, полученные методом обезличивания, достаточно точны для агрегированной аналитики (сводных отчетов и метрик). Они надежно защищают приватность, но при этом не подходят для анализа поведения отдельных пользователей.

HFLabs — о клиентских данных

На Яндекс Опен Эйре как всегда очень уютно

Самокат изобрел магазин у дома

Статья о том, почему запуск своего маркетплейса актуален именно сегодня

Казалось бы, ну какой в наши дни маркетплейс? Но на самом деле это же всего лишь инструмент, который может решить сложные бизнес-задачи.

Описали 5 таких задач:

👉👉👉 https://ensi.tech/articles/why-marketplace