Когда Wildberries не давал продажи по поисковым ключам, я начал оценивать их вклад по косвенным данным. Сопоставлял историю включённых и выключенных ключей с корзинами и продажами и строил прогнозные модели. Это одна из задач, из которых вырос WB Sky — мой сервис автоматизации рекламы Wildberries. Я самостоятельно довёл его от MVP до коммерческой эксплуатации: архитектура, Python-backend, интеграции, данные, алгоритмы, развёртывание и поддержка пользователей. Система собирает статистику, сопоставляет её с планом продаж и допустимой стоимостью заказа, меняет рекламные настройки через API и использует новый результат в следующем цикле управления. За этим — асинхронные процессы, PostgreSQL, ClickHouse, Redis, инфраструктура в Kubernetes и собственный биллинг. В исторической ML-части я использовал XGBoost и Neo4j: строил граф связей между товарами и их свойствами, затем получал векторные представления для прогнозных моделей. Когда WB расширил статистику, часть этого слоя убрал: задачу стало рациональнее решать на готовых данных. Для разработки расширил OpenSpec/OPSX под работу с AI-агентами: постановка задачи, передача контекста, исполнение и проверка изменений разделены на отдельные этапы. Мой рабочий путь: разобраться в бизнес-процессе, найти доступные данные, построить логику решения и довести её до работающей системы. Сейчас хочу применять этот опыт к backend-системам, данным и автоматизации, где код отвечает за реальные операции.