😏 Закулисье разработки на big tech night

Уже 12 сентября в Москве состоится главный IT-ивент года — big tech night. Яндекс, Сбер, X5, Т-Банк и Lamoda откроют двери своих офисов для тех, кто любит технологии.

💠 Приходите, чтобы увидеть новые разработки, обменяться экспертизой, найти единомышленников и просто хорошо провести время.

⏬ Расписание докладов и все новости будем публиковать в телеграм-канале мероприятия.

Подписывайтесь:
💬 @Yandex4Analytics

🍫 Разметка в Яндекс Лавке: как выстроить процессы сбора данных

Привет! На связи Николай Олигеров. Сейчас я работаю в Яндекс Путешествиях, а до этого был продуктовым аналитиком в Лавке — именно про неё будет моя история. Однажды мы с командой поняли, что больше не можем доверять своей событийной аналитике: параметры терялись, обсуждения затягивались, триггеры срабатывали не тогда, когда это было нужно.

👳 В карточках я расскажу, как мы полностью пересобрали систему разметки приложения Лавки: с автотестами, документацией, мониторингами и прозрачным процессом, в котором аналитики и разработка действуют бок о бок.

На верхнем уровне всё устроено довольно просто:

🔵 Пользователь взаимодействует с интерфейсом
🔵 Фронт собирает данные и формирует лог
🔵 Лог отправляется в Яндекс AppMetrica
🔵 DWH Лавки переносит события в свой контур

Почему выбрали Яндекс AppMetrica: по сути, это self-service-аналитика с минимальным порогом входа для менеджеров. Параметры приходят в JSON-структуре, легко парсятся, а события покрывают весь пользовательский путь. Это сильно ускоряет скоринг фич и любые продуктовые исследования.

⏬ Историю целиком ищите в статье на Хабре. Там я рассказываю, как ставить грамотное ТЗ к разработке и о чём не стоит забывать в процессе контроля качества.

💎 Статья будет полезна аналитикам, которые хотят наладить диалог с разработчиками и выстроить процессы сбора данных в своём сервисе.

Подписывайтесь:
💬 @Yandex4Analytics

⏬ Как ML помогает победить неопределённость (и уверенно нажать на кнопку заказа)

Об этом нам рассказали ребята из Яндекс Такси: старший ML-разработчик Михаил Суворов и аналитик группы поиска и назначения водителей Алексей Чубуков.

💎 Для начала определим, в чём проблема. А если вы и так всё знаете про ETA, сразу переходите к карточкам — там только ML.

🈂️ Что такое ETA

Когда вы выбираете точку назначения в Яндекс Такси, вы сразу же видите примерное время подачи по каждому тарифу. Это и есть estimated time of arrival, или просто ETA. А от того, насколько корректно мы его посчитаем, зависит, какой тариф вы выберете. И поедете ли на такси вообще.

🈂️ Почему рассчитать ETA так сложно

🔵 Это всегда прогноз. Когда пользователь смотрит на список тарифов, ни один водитель ещё не взял его заказ
🔵 Мы работаем с очень динамичной системой. На дороге всё меняется ежесекундно. Кто-то берётся за заказы, кто-то их заканчивает, а другие успевают далеко уехать
🔵 Даже водители по соседству не всегда доступны. Возможно, у них включён режим, по которому они получают заказы только в направлении дома (мы называем это «репозишен»)
🔵 У нас высокая нагрузка на систему. Это сотни тысяч сессий/прогнозов, которые должны обновляться за доли секунды
🔵 Мы двусторонний маркетплейс. У водителя есть выбор, и он может не взять ваш заказ, а мы продолжим искать другую машину

🈂️ Почему бы не решить эти проблемы без ML

Действительно, можно использовать эвристики. Например, брать последние статистики времени подачи по району и времени суток или оценивать время по ближайшему к пользователю водителю.

Эвристики дают неплохую оценку, но ML помогает нам сделать её ещё точнее, так как мы лучше учитываем актуальное состояние маркетплейса. А нам важно, где именно окажутся свободные водители через 30 секунд и какие заказы они перехватят.

👳 Поэтому мы и внедрили ML для предсказания ETA. Об этом в карточках

Подписывайтесь:
💬 @Yandex4Analytics