本文主要介绍得物CDN资源请求实现平均耗时iOS端降低18%+，Android端降低10%+的优化思路及优化实践经验。整体按监控数据分析，优化方向调研，优化方案设计，推进优化落地，优化效果反馈的流程执行，达到逐步优化的效果。本文主要讲4个优化方向，包括：CDN部署调整，TLS1.3升级，OCSP Stapling开启，Http2.0升级。下面就来详细介绍下每个优化方向具体如何确定的，优化的方案，以及优化效果。

AB实验和AA评估都是互联网公司产品/运营活动的因果分析中最常用评估手段，本文主要介绍了AB实验的统计学原理和常用的AA评估方法原理。

这么多的内容兜底策略，也都是我们在一次次的优化体验中尝试出来的。它们可能离完美还差得很远，但是越到后面越难，需要一点点抠细节，才能达到极致的用户体验。随着业务的不断发展迭代，会涌现出更多的问题，所以我们会一直在优化的路上。

一开始我们的H5页面秒开率只有30%左右，现在我们的H5页面秒开率达到了 75%。这中间巨大的差异究竟有哪些黑科技在里面？我们为什么要做H5页面的秒开优化？我们的秒开指标是如何统计的？客户端和H5是怎么配合做到 1+1>2的？

随着公司【国际】业务不断扩展，业务场景和用户需求也在不断壮大。业务形态多样化、复杂性、不确定性增多，质量面临的风险也更加不可预测，同时得物又是一直秉承着提升用户体验，让短板不再短！所以在国际业务不断扩展下如何高质量、高效率的交付是非常关键的，在这样的新形势下，交付高质量的软件面临着更大的挑 战，光靠传统的那些质量保障工作无法实现。“质量不是检测出来的”，著名质量管理专家戴明先生的这句名言告诉我们，光靠开发完成后的测试是没法保障质量的，质量需要团队成员一起负责，需要从软件开发的整个生命周期给予关注。

前端不要局限于html、css和javascript，需要了解服务器和数据库相关的知识，这样和后端评审技术方案的时候，才能提出一些合理的建议。

本文主要讨论商品复购推荐问题，提出一种商品复购推荐模型的实现过程。基于深度学习的商品推荐问题的研究有很多，复购推荐的区别在于更加关注用户购买时序行为信息，通过历史订单交易时间分布和商品分布情况，对用户的再次购买行为进行预测。

发现资损告警，然后第一时间执行对应的应急措施，将客户和平台的资损风险降到最低是资损防控建设的核心目标，也是检验成果的最要指标，保障交易业务更加安全、稳定的运行。

Module Federation：是模块联邦的意思，在Webpack 5中流行起来的，也属于一种微前端方案。

总体测试流程上，时间缩短了百分之50%以上，能够更加快速且精准的定位并发现问题，节省了测试时间。自动化测试带来的收益很明显，具体体现在效率上的提升，如：从前手工造数据（某些复杂的单据）会占用很大的的工作量，现在就很不一样。

得物客服目前有工单、呼叫、IM在线客服几个系统，因为客服技术团队成立不久，所以各个团队除了大部分时间在攻坚完善原有系统外，还要去实现精细化管理和创新。

之前，很长一段时间里，客服同学查看数据还需要跟开发提需求写 SQL 去查询，后来也有 BI 团队做离线 T+1 报表。

随着业务发展，各客服团队对现场精细化管理需求也越来越强烈，日常组内作业状态，需要实时感知并及时干预调度，提升处理时效。管理者也需对整体数据把控并以此决策。过去临时性的需求无法稳定准备及时的执行反馈，离线T+1的报表时效性也无法满足需求。因此由业务团队及产品整理，提出建设实时大屏的需求。

AI在目前互联网可以说早已渗入各个业务。搜索、预测、图像识别、语音识别等等早已应用较为成功。

得物被广大年轻消费者熟知的一个原因是其强大的质量与正品保障体系，而为此背后需要的是得物供应链体系艰辛的付出。

算法推出模型中台解决方案，来辅助人工做瑕疵检测与一致性识别。同时需要将部分AI的功能赋予端侧，让其能辅助模型中台更加准确高效的实现高效的瑕疵检测与一致性识别。所以我们思考在端侧部署AI标准化引擎去对拍摄的照片做初步的筛选和部位分类。

在分布式服务中，一个业务的单个节点性能不能满足需求，需要很多节点同时工作来满足性能和高可靠需求。例如：网络的SLB服务（负载均衡），即使是超大规格的ECS（虚拟机），单个ECS的吞吐量只有不到50G，整个公有云有成千上万的租户，加起来的吞吐量需求是以T为单位的，这就需要大量的ECS来满足超大吞吐量需求。

在实际的公有云运营中，公有云这样的多租户系统在租户之间共享资源，这意味着一个租户的活动可能会对另一个租户对系统的使用产生负面影响。这就是noisy neighbour（坏邻居）问题。

面对得物App现在日益增长的投放业务需求，我们对唤端成功率有了更高的追求，也明显感觉到第三方的解决方案越来越吃紧，于是我们也开始逐步搭建自己的唤端技术平台，通过不断积累经验、学习别人优秀的唤端方案，期待努力早日完成得物自研唤端平台能力。

随着深度学习和计算机硬件的快速发展，基于深度卷积神经网络的一系列算法都取得了显著的进展，其中人脸识别作为计算机视觉领域中时间最久远、应用最广泛的研究课题之一，近些年也在深度学习的加持下在性能方面获得了大幅提升，并在实际的生活场景中得到了广泛的应用。

随着得物App消息平台的推送越来越多，业务接入也越来越多。针对具体业务的兼容逻辑已经不能满足业务快速开发的需求。研发效率越来越差、稳定性、时效性指标逐步降低等。在推送容量确定的场景下各个业务指标数据相互影响。消息平台需要针对不同的业务不同处理、平台统一能力编排等进行平台化优化&改造。