Разработка backend-архитектуры масштабируемого сервиса бронирования отелей для MTC Travel

1. Вводная задача от заказчика, проблематика, цели

Цель нашего проекта — создание устойчивой, производительной и гибкой backend-инфраструктуры для онлайн-сервиса бронирования отелей. Перед нами стояла задача не просто улучшить текущие процессы, а переосмыслить архитектуру так, чтобы обеспечить масштабируемость, конкурентоспособность и высокий уровень пользовательского опыта.

Заказчиком выступил онлайн-сервис бронирования, который столкнулся с рядом ограничений:

• Устаревшая, монолитная структура, затрудняющая масштабирование и подключение новых партнёров.
• Отсутствие умных механизмов поиска и ранжирования отелей.
• Недостаточная прозрачность ценовой политики в сравнении с конкурентами.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Этапы реализации

1. Исследование и анализ

На первом этапе мы провели глубинный анализ существующей системы и бизнес-потребностей:

• Проанализировали поведение пользователей и выявили, что большинство затрудняется при вводе названий отелей и городов.
• Изучили конкурентные платформы, чтобы понять, какие фичи повышают доверие и увеличивают конверсию.
• Сформировали ключевые бизнес-метрики: конверсия в бронирование, точность подсказок, количество показов конкурентных цен.

Вывод: необходимо реализовать три ключевых компонента:

• сервис автодополнения,
• сервис конкурентных цен,
• гибкий поисковый механизм с улучшенным алгоритмом сортировки.

2. Проектирование архитектуры

На основе анализа мы выбрали микросервисную архитектуру с изолированной ответственностью каждого компонента. Основные принципы:

• Распределённая отказоустойчивая система.
• Простота масштабирования и расширения.
• Инфраструктура, готовая к высоким нагрузкам.

Ключевые технологии:

• Go — за счёт производительности и скорости старта сервисов.
• Elasticsearch — идеален для полнотекстового поиска и автодополнения.
• MongoDB — удобен для хранения конкурентных цен с гибкой схемой.
• Kafka — для асинхронной передачи бигдат-потоков.
• Redis — для ускорения выдачи подсказок и снижения нагрузки.
• Kubernetes + Helm — управляемое развёртывание в кластере.

3. Реализация компонентов

Suggester — сервис автодополнения

Цель: предоставить пользователю точные и релевантные подсказки при вводе локаций и названий отелей.

Что сделано:

• Построен отдельный сервис на Go, работающий с Elasticsearch.
• Спроектированы индексы с учётом веса частоты запросов, приоритета отелей и пользовательских паттернов.
• Настроена интеграция с Redis для кэширования популярных запросов.
• Добавлены бизнес-метрики: CTR по подсказкам, процент успешных завершений поиска после использования Suggester.

Результат: сокращение времени на поиск, увеличение завершённых бронирований на 7%.

Competitors Pricing — сервис конкурентных цен

Цель: показать пользователю выгоду от бронирования на платформе через шильдик "У нас дешевле".

Что сделано:

• Разработан Kafka-консьюмер, получающий поток данных от партнёров и агрегаторов.
• Реализована очистка и нормализация ценовых данных.
• Информация сохраняется в MongoDB для быстрого доступа.
• Из основного поискового сервиса добавлен запрос к этому микросервису, чтобы обогащать выдачу данными о цене конкурентов.

Метрики:

• Кол-во цен по провайдерам.
• Частота показа шильдика.
• Влияние на пользовательскую конверсию.

Результат: повышено доверие пользователей, рост кликов на карточки с пометкой "дешевле", усиление конкурентного преимущества платформы.

Поисковый движок и интеграции с провайдерами

Цель: улучшить релевантность выдачи и упростить подключение новых поставщиков.

Что сделано:

• Реализована новая сортировка на основе рекомендательной логики: учитываются тарифы, рейтинг, скидки.
• Для расчётов выгружались тарифные данные с S3 и использовались в вычислении кастомного рейтинга.
• Удалена жёсткая привязка к конкретным провайдерам — теперь каждый провайдер подключается как отдельный модуль через конфигурацию.

Результат: система стала гибкой и расширяемой, что позволило подключить новых поставщиков без доработки ядра.

4. Тестирование и развёртывание

• Написаны unit-тесты и интеграционные тесты для всех компонентов.
• Проведено нагрузочное тестирование, симулирующее реальную нагрузку в пиковые часы.
• Использована инфраструктура на Kubernetes, сборка и деплой через Helm Charts.
• Настроено логирование и мониторинг через ELK, Prometheus и Grafana.

5. Поддержка и развитие

• Постоянно дорабатываются метрики.
• Проходят A/B тесты для улучшения алгоритмов подсказок и сортировки.
• Подключаются новые провайдеры и каналы данных.
• Идёт оптимизация индексов в Elasticsearch по данным использования.

Команда проекта

• 3 backend-разработчика (Go)
• 1 frontend-разработчик
• 1 QA-инженер
• 1 тимлид

3. Результаты сотрудничества

Результаты проекта

• Время отклика поиска снижено на 40%.
• Конверсия в бронирование выросла на 11% после внедрения рекомендательной логики и конкурентных цен.
• Сокращено время подключения нового провайдера с 2 недель до 2 дней.
• Пользовательский опыт улучшен благодаря автодополнению и прозрачной ценовой политике.
• Архитектура готова к масштабированию и дальнейшему развитию.