Архитектура E-commerce
Оптимизация поиска, чекаута и проектирование B2C-кабинета
Кратко
В продукте (140k MAU) отсутствовал предиктивный ввод, адаптивность дизайн-системы работала со сбоями
Отток пользователей происходил на пустых экранах поиска и при чекауте
Спроектировать UI/UX автодополнения, устранить системные UI-баги на слабых устройствах и разработать B2C-кабинет для работы с трансграничной доставкой
На базе 15 глубинных интервью спроектировал гибридный поиск (Redis + ElasticSearch) и обработку опечаток
Провел рефакторинг компонентов, переведя брейкпоинты на Figma Variables
Описал fallback-сценарии оплат
CTR поиска вырос на 16.5%, конверсия в заказ — на 9%
Оптимизация рендеринга решила проблему визуальных подвисаний
Контекст
На основе 15 глубинных интервью и UX-аудита ритейлера (140k MAU) я выявил критическую точку оттока: визуальные задержки при вводе и пустые экраны фрустрировали пользователей
Параллельно дизайн-система страдала от проблем с адаптивностью
Я инициировал рефакторинг компонентов и создание предиктивного поиска
Предложил гибридный подход: Redis обеспечивал мгновенный кэш, защищая тяжелый ElasticSearch от перегрузки микрозапросами
Процесс
Основной фокус был на редизайне поиска, чекаута и проработке краевых состояний
Мы перестроили работу с компонентами так, чтобы интерфейс отрисовывался мгновенно даже на слабых мобильных устройствах
Мгновенный отклик и Fallback
Redis взял на себя выдачу популярных префиксов
Fuzzy-search (ElasticSearch) подключался для умной обработки опечаток
Я проработал пустые состояния и логику работы с local storage
Рефакторинг и B2C-кабинет
Перевел управление брейкпоинтами на единые variables
Спроектировал B2C-кабинет с калькулятором валют/доставки и мониторингом таможенных документов
Сценарии
Спроектировал систему UI-состояний поиска, ограничив когнитивную нагрузку и разделив логику для авторизованных и анонимных пользователей
Фокус на строке поиска
Для анонимов подтягивается история из local storage. При авторизации — персональные рекомендации на основе покупок.
Ввод символов
Запрос в кэш. Интерфейс мгновенно перестраивается без видимой задержки.
Опечатка (Негативный сценарий)
Движок распознает ошибку (например, 'ghbdtn' -> 'привет'), а UI корректирует выдачу, предотвращая пустой экран.
Результаты
Управление метриками
Рост CTR поиска на 16.5% и конверсии в заказ на 9% за счет обработки опечаток и ML-рекомендаций.
Сортировка автодополнения по маржинальности неявно подняла средний чек на 4%.
Системная оптимизация
Минимизирована избыточная вложенность компонентов (уменьшено количество UI-артефактов).
Проведен онбординг и менторство 2 продуктовых дизайнеров для работы по новым стандартам.
Проектирование аналитики
Заложена основа логирования (17+ параметров) строго после осмысленного действия (Enter/клик).
Параметр is_fallback позволил находить слепые зоны контента для обогащения базы синонимов.
