跳到主要內容

SHOPLINE —— 創造電商的從 0 到 1,幕後推手大解密


SHOPLNE 是誰?

後疫情時代下,網購已成為人們的日常,電商蓬勃發展、線下商店也尋求轉型,SHOPLINE 提供包含網路開店、跨境電商、社群購物、零售 POS 系統以及 O2O 虛實整合等全通路解決方案,也有專業的數位行銷團隊協助品牌執行廣告投遞、市場策略建議、行銷企劃以及商店代營運等,全方位的開店解決方案,希望協助各種規模的品牌都扎根本地、放眼世界。

今年是 SHOPLINE 成立的第九年,SHOPLINE 創立於香港,秉持著「 Empower merchants to succeed anywhere 」的理想創立,九年來成立了九個國際化團隊,跨越香港、台北、吉隆玻、胡志明、深圳、廣州、新加坡、雅加達、曼谷等亞洲城市,仰賴的是優秀的技術人才、商業和後勤團隊!作爲電商最強後盾,我們不斷推動智慧產品的開發,希望透過大數據的應用,為店家打造專屬的數據分析中心;另外也在金流整合、社群整合上持續開發新功能,包括 SHOPLINE Payments 和 Instagram, Facebook 的直播串接接單服務,希望提供店家更安全、有效率的管理系統。

目前,SHOPLINE 已協助全亞洲超過 35 萬品牌開店,包含 Cubiio、Cheese Duke 起士公爵、Durex 杜蕾斯、海邊走走、京盛宇、綠藤生機、Lucy’s、美珍香、葡吉食品、古典玫瑰園、Smith & Hsu 等知名品牌選用。 2021 年,SHOPLINE 更成功協助所有品牌用戶接觸累計超過 7 億人次的消費者,讓 SHOPLINE 成為亞太市場的行業領軍者。

來看看 SHOPLINE 產品團隊如何分工

先從上帝視角看我們的日常運作!

首先,在接收到客戶需求後,會由 Product Manager 帶領產研團隊一起討論、確認並定義需求,這個階段中包含工程師、設計師們都會充分參與,務求能夠從技術角度去滿足顧客需要,也創造團隊開放的討論風氣;接著交由設計師畫出兼具美感和使用便利性的電商網站樣貌!為了讓溝通更順暢,我們使用 Jira 來確保專案開發的資訊及進度能充分並即時地傳達給所有相關人員。

當我們有了一個美美的網站,接著就要將網站所有的按鈕連接到雲端及後台,讓它可以真的開始運作。SHOPLINE 的前端工程師使用的框架是 React,即便你專精的框架是 Vue 或 Angular,SHOPLINE 仍十分歡迎有意願轉換框架的朋友加入哦!

在前端寫出各式功能的同時,後端工程師會透過 API 將我們的資料庫串接上網頁,並且持續地維護,保護系統正確且穩定運作。SHOPLINE 最主要使用的後端語言是 Ruby on Rails 和 Node.js,現在也逐漸開始使用 Golang 來開發;時常有面試者擔心自己在 Ruby on Rails 的經驗不夠,但只要你對於上述程式語言其中一項是擅長的,也享受學習新的語言,其實都非常歡迎一起切磋,用不同的方式找出更有效率的解決方案。想知道更多產品開發的細節,可以從以下兩篇文章了解更多!(SHOPLINE 跟上支付新潮流SHOPLINE POS 支援「會員點數折抵」與「組合商品」功能!

既然提到了資料庫,也向大家介紹 SHOPLINE 使用的公有雲是 AWS,SHOPLINE 的資料量十分龐大,如何穩定系統是我們的一大工程,如果你想讓自己的技能更上一層樓,相信 SHOPLINE 可以提供你磨練的機會!

當功能建構完成,就輪到測試團隊上場了。為了確保操作順暢不出錯,手動測試工程師們會設計大大小小的使用情境進行測試,自動化測試工程師也透過 Python Selenium,更全面性的測試網站是否正常運行,因為有測試團隊耐心細心的努力,開發團隊的價值才能最大的被發揮。

“客戶的成功才是我們的成功”

網站順利上線後,我們的客服和運營團隊也持續地提供最專業的服務,確保使用者能夠順利操作各項功能;此外,SHOPLINE 的商業團隊也會透過線上線下的各式活動,協助客戶的網站曝光與行銷;為了讓效率最大化,產研團隊不斷開發新功能、整合資料並建置資料庫,也持續發展機器學習及 AI 技術。在這篇文章中,可以看到 Data team 一路以來的嘗試和努力,一起來看看我們的團隊經理怎麼說!

看了這麼多,你被 SHOPLINE 圈粉了嗎?

最後一起來看看我們有哪些福利、正在尋找什麼樣的人才吧!

因應團隊的擴編,今年八月 SHOPLINE 搬遷至新辦公室,開放式的美美辦公室讓團隊辦公時也能擁有好心情。為了讓大家工作更舒適,後勤團隊也準備了許多小巧思在辦公室的各個角落:首先就是零食販賣機啦!無論是正職同仁或實習生,每個月都有零食津貼可以使用;除了販賣機津貼,每季也有部門聚餐補助。讓人特別眼睛一亮的是,加入 SHOPLINE 第一年即可享有 15 天年假,還有額外的一天生日假,更有不定期的下午茶和按摩活動慰勞大家!

我們特別重視人與人之間的互動和溝通,在節奏快速的電商產業,直接、扁平化的溝通方式,對於增進效率非常有幫助。我們的四大核心文化分別是:團隊合作、正面溝通、追求卓越、擁抱改變,只要你不怕挑戰、敢於發表想法、樂於討論和分享,相信你也會和我一樣喜歡 SHOPLINE!

留言

這個網誌中的熱門文章

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

利用 Jitsi 建立個人化的視訊會議平台

  近期因為疫情的關係,越來越多企業開始實施分流或在家工作,視訊會議的需求也日益增加。 在商用解決方案選擇上,有不少企業會選擇知名品牌的產品,例如  Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom  都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備,今年五月也因應疫情升溫,全員 work from home 至今兩個月有餘。 當然,取之 Open Source,也要對社群有些貢獻。在這一屆 COSCUP,我們要來介紹 Open Source 圈中也很知名,效果也很不錯的一套視訊會議平台: Jitsi 。 除了基本的視訊會議功能外,在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。 由於篇幅有限,且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範,如何簡單的建置出一個 Jitsi 環境,並提供單場會議內容錄影或直播。 Jitsi 的文件可以在 這裡 找到。 今天透過 AWS Lightsail 的 $10/month instance(1 core CPU + 2GB RAM + 60GB SSD),作業系統則是 Ubuntu 20.04 來示範。當然,使用其他 VPS 亦可,大同小異,這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考 這裡 及 這裡 。 針對系統做必要的更新 基本的 apt repository 更新: $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device,如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 ): $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新: $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...