Команда Т-Путешествий из состава Т-Банка представила собственное инженерное решение для системы сбора данных о просмотрах пользовательских предложений. Проблема отслеживания показов карточек товаров и услуг возникает на многих крупных веб-платформах, однако в сервисах бронирования билетов и отелей ситуация осложняется динамической сменяемостью параметров. Цены, скидки и специальные условия в карточках могут обновляться буквально на глазах у пользователя, что создаёт серьезные трудности при сборе чистых данных.
Сбор точной статистики просмотров критически важен для машинного обучения, которое отвечает за динамическое ценообразование. Модели ML получают информацию о том, какие именно цены и варианты видел клиент в конкретный момент времени, чтобы прогнозировать спрос и рассчитывать оптимальную стоимость. Если интерфейс обновляет информацию прямо в процессе скроллинга или взаимодействия с сайтом, стандартные метрики могут учесть устаревшие данные, что приведет к перекосу в последующих алгоритмических расчетах.
Для решения этой задачи фронтенд-разработчики компании применили комбинацию библиотек React и TypeScript совместно со стандартизированным браузерным API Intersection Observer. Данный инструмент позволяет отслеживать появление веб-элементов в области видимости экрана с высокой производительностью и без избыточной нагрузки на браузер пользователя. Инженеры адаптировали механизмы отслеживания таким образом, чтобы фиксировать изменения внутри карточек в режиме реального времени.
Опубликованный опыт стал частью корпоративного ИТ-проекта компании под названием «20 в 20», направленного на популяризацию региональной разработки и освещение жизни региональных технических хабов. В рамках этой инициативы инженеры из различных городов рассказывают не только о прикладных архитектурных и фронтенд-решениях, но и об особенностях локальной ИТ-культуры и традициях южных офисов.
Сфера алгоритмического ценообразования в современном e-commerce и тревел-сегменте продолжает усложняться, а точность входящих метрик напрямую определяет финансовую эффективность машинного обучения. Опыт внедрения подобного инструментария на стыке пользовательского интерфейса и систем сбора аналитики показывает важность грамотной работы с браузерными API для обучения сложных моделей данных.




Подписаться
Уведомления о новых комментариях пока не подключены.
Пожалуйста, войдите, чтобы прокомментировать
0 комментариев