Automatisation de la collecte des commandes et de l’orchestration logistique depuis Shopee, TikTok Shop et Lazada vers l’ERP central. Une architecture Event-Driven à base de Message Queue élimine la congestion et ajuste automatiquement les ressources à la charge.
1. Contexte métier & enjeux
Lors des Mega Sales (11.11, 12.12), Shopee, TikTok Shop et Lazada déversent des volumes de commandes colossaux en quelques secondes. L’ancien système monolithique d’An Gia Consumer traitait les commandes de manière séquentielle via des appels HTTP synchrones, ce qui créait de graves goulets d’étranglement :
1.1. Une passerelle Webhook saturée et des commandes perdues
Lorsque Shopee et TikTok Shop envoyaient simultanément des Webhooks à un rythme atteignant 15 000 requêtes par seconde, l’ancienne passerelle API épuisait son pool de connexions, provoquant des erreurs 502 Bad Gateway et 504 Gateway Timeout et la perte de milliers de commandes.
1.2. Une logistique paralysée, faute de pouvoir imprimer bons de préparation et étiquettes
La récupération des numéros d’expédition auprès des transporteurs (GHN, Viettel Post) était si lente que les 200 opérateurs de l’entrepôt central attendaient des heures pour imprimer les étiquettes, avec à la clé des retards de livraison et un risque de déclassement de la boutique par les marketplaces.
1.3. Une facture Cloud qui explose sans gain d’efficacité
Faute d’auto-scaling calé sur la charge réelle (Auto-scale), l’entreprise louait pendant tout le mois des serveurs surdimensionnés, pour des centaines de millions de dongs, uniquement pour absorber 3 jours de soldes.
2. Une architecture sur mesure conçue par SUDO
Sudo a entièrement repensé la couche de réception et de distribution des commandes, en s’appuyant sur Golang, ultra-léger, et sur la file de messages Apache Kafka :
2.1. Une passerelle Webhook en Golang capable d’absorber des millions de requêtes
Un microservice Webhook Ingestion écrit en Go, reposant sur des Goroutines asynchrones, renvoie un HTTP 200 aux marketplaces en seulement 2 ms et pousse immédiatement les données de commande dans la file Kafka.
2.2. Un partitionnement intelligent des Kafka Topics contre les conflits de commandes
Le partitionnement Kafka (Partitioning) par identifiant de boutique et d’entrepôt permet de traiter en parallèle des centaines de flux, sans contention de ressources ni doublons de commandes.
2.3. Mise à l’échelle automatique des Pods sur Kubernetes (K8s HPA)
L’infrastructure est déployée sur un cluster Kubernetes doté d’un HPA (Horizontal Pod Autoscaler). Lors des pics de commandes, le nombre de pods de traitement passe automatiquement de 4 à 40 en 15 secondes, puis redescend à la fin des créneaux de forte affluence.
2.4. Le Batching des appels aux API des transporteurs
Au lieu de demander un numéro d’expédition commande par commande, le système regroupe les commandes en lots (Batches) de 50 à 100 et les transmet au transporteur en un seul appel réseau, ce qui multiplie par 4 la vitesse d’impression des étiquettes.
3. Résultats terrain & bilan chiffré
Éprouvé en conditions réelles lors des 2 plus grandes Mega Sales de l’année, le système affiche des résultats remarquables :
- Capacité maximale de traitement : plus de 100 000 commandes/heure sans à-coups (8,3 fois le plafond précédent de 12 000 commandes/heure).
- Commandes perdues sur erreur du serveur Webhook : 0 %, 100 % des données de commande préservées pendant la Mega Sale.
- Impression des étiquettes pour 50 000 commandes : ramenée de 6-8 heures à seulement 1,5 heure (4 fois plus rapide).
- Budget d’infrastructure Cloud : -45 % de coûts Cloud grâce à l’élasticité des Pods en temps réel.
4. Le regard de la direction client
« Lors de la dernière Mega Sale du 11/11, nous avons traité un record de plus de 350 000 commandes sans une seule minute d’interruption ni aucune commande perdue. Nos équipes logistiques ont pu imprimer les étiquettes en continu dès l’ouverture des ventes, ce qui a permis à An Gia d’atteindre 99,6 % de livraisons dans les délais et de se hisser au 1er rang de la catégorie FMCG sur la marketplace. La solution de Sudo apporte une valeur réellement mesurable, directement en chiffre d’affaires. »
Mme Le Hoang Yen, Directrice des opérations e-commerce, An Gia Consumer
5. Recommandations stratégiques pour les ETI & grandes entreprises
À partir du cas concret d’An Gia Consumer, les ingénieurs de Sudo recommandent :
- Le traitement multi-marketplaces impose une architecture asynchrone : ne faites jamais attendre le flux de réception des commandes derrière l’impression des documents ou les appels à des services tiers.
- Déployer l’auto-scaling Kubernetes : c’est la solution la plus efficace pour absorber les pics de charge tout en maîtrisant la facture Cloud mensuelle.
- Optimiser le Batching : regroupez les requêtes vers les transporteurs et les passerelles de paiement pour éviter les goulets d’étranglement externes.
