Whatnot, platforma live-shoppingowa wyceniana na 3,7 mld USD, redefiniuje pojęcie „dogfoodingu”, czyniąc z aktywnego handlu i obsługi zgłoszeń wsparcia obowiązkowy element oceny pracowniczej. Takie podejście, zintegrowane z kulturą analityczną self-serve i zaawansowanym monitoringiem danych, pozwala startupowi osiągać wzrosty, których nie zdołały wygenerować projekty Meta czy Instagrama.
Architektura self-serve i problem gnarly dependency graph
W Whatnot dane są uznawane za jeden z „trzech nóg stołka” przy każdej decyzji produktowej, obok badań użytkowników i strategii. Aby uniknąć wąskich gardeł, zespół Engineering Director Emmanuela Fuentesa zbudował nowoczesny stack oparty na AWS, Snowflake, dbt Cloud, Dagster oraz Confluent (managed Kafka).
Unikalną cechą kultury technicznej jest fakt, że każdy pracownik — od marketingu po finanse — jest zachęcany do nauki SQL i samodzielnego tworzenia modeli dbt. Demokratyzacja ta doprowadziła jednak do powstania złożonego grafu zależności obejmującego ponad 1000 modeli dbt, co Fuentes określa mianem „gnarly”. Aby utrzymać stabilność, firma wdrożyła platformę Monte Carlo, która zapewnia automatyczny monitoring jakości danych i ich pochodzenia (end-to-end lineage), pozwalając utrzymać liczbę incydentów na stałym poziomie mimo wykładniczego wzrostu ruchu.
Ewolucja od intuicji do 400 eksperymentów rocznie
Przez pierwsze 3,5 roku Whatnot nie przeprowadzał niemal żadnych testów A/B, polegając na intuicji produktowej i feature flagach narzędzia Statsig. Przełomem był incydent typu SEV (Service Event) podczas wdrażania nowej wersji marketplace’u asynchronicznego i algorytmów rekomendacji. Trudność w precyzyjnym zdiagnozowaniu przyczyny awarii wymusiła zmianę kultury technicznej.
Obecnie firma wykonuje około 400 eksperymentów rocznie. Wykorzystanie modelu Warehouse Native w Statsig pozwala inżynierom na przeprowadzanie głębokich analiz wymiarowych bezpośrednio na danych z hurtowni, co skróciło czas iteracji i zwiększyło zaufanie do wyników dzięki możliwości weryfikacji zapytań SQL. Dzięki temu zredukowano wariancję kluczowych metryk, wydłużając okno lookback CUPED z 7 do 14 dni.
Bezpieczeństwo w skali „Internet City”
Przy skali sprzedaży przekraczającej 2 mld USD w 2024 roku, Whatnot musi operować jak modernej wielkości cyfrowe miasto, co wymaga specyficznego podejścia do bezpieczeństwa. Trust and Safety to jeden z pięciu filarów strategii, a każdy sprzedawca na platformie jest ręcznie weryfikowany (hand-vetted) przez zespół.
Inżynieria bezpieczeństwa w Whatnot kładzie nacisk na analitykę w czasie rzeczywistym, aby wykrywać oszustwa kartowe i nadużycia podczas transmisji live, które mogłyby sparaliżować biznes. Aby wzmocnić empatię personelu technicznego, firma rekrutuje agentów wsparcia bezpośrednio z bazy aktywnych sprzedawców, oferując im pełnoetatowe zatrudnienie z pakietem akcji.
Wnioski praktyczne: Dogfooding jako KPI: Tradycyjne testowanie nie wystarcza; w Whatnot brak aktywności sprzedażowej na własnej aplikacji uniemożliwia uzyskanie pozytywnej oceny pracowniczej. Balans build vs buy: Firma optymalizuje prędkość, wybierając gotowe rozwiązania (SaaS) do monitoringu i analityki, zamiast budować własne narzędzia od zera. * Inwestycja w observability danych: Przy skali 1000+ modeli dbt, automatyczny monitoring (Monte Carlo) jest krytyczny dla zachowania zaufania do danych w modelu self-serve.
Dodaj komentarz