| A | B | C | D | E | F | G | H | I | J | K | L | M | N | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | Матемаркетинг-2026 | 26-27 ноября, Москва, ИНТЦ Кластер Ломоносов | Билеты: /tickets | |||||||||||
2 | Подробные тезисы докладов | Сайт: matemarketing.ru | Оформление документов: money@matemarketing.ru | |||||||||||
3 | Расписание с указанием конкретного дня, времени, зала и хронометража и формата каждого выступления появится позднее | |||||||||||||
4 | ||||||||||||||
5 | Keynotes | Маркетинговая аналитика | Как AI меняет и влияет на работу аналитика | Архитектура данных и семантический слой для работы аналитических агентов | Мастер-классы | |||||||||
6 | ||||||||||||||
7 | Как прогресс в современных мультимодальных моделях влияет на профессию DS/DA/ML Валерий Бабушкин, cтарший главный начальник BP | Как с помощью одного SQL-запроса понять, что ваша атрибуция вам врет Сергей Кноль, маркетинговый аналитик, М2 SQL-код, который позволяет проверить честность модели атрибуции на собственных данных и выступает маркером некорректной оценки источников. Слушатели получат переиспользуемый аналитический фреймворк для быстрой оцифровки проблем с one-touch атрибуцией, которая искажает реальный вклад рекламных каналов в B2B-продуктах и сервисах с длинным циклом сделки | ИИ-агенты: как прогресс становится повседневной практикой (и где уже можно обойтись без подписки) Радослав Нейчев, Яндекс, руководитель ML разработки лаборатории ИИ, МФТИ Рабочие сценарии без подписки на Claude Code, Codex и другие передовые решения. Какие задачи разрешимы прямо сейчас на полностью открытом стеке, а где сохраняются ограничения. Эксперименты с Goose, Qwen и DeepSeek | Что такое AI-harness и почему система важнее конкретной модели Александр Линников, team lead маркетинговой аналитики, Uzum Настройка обвязки и MCP-сервера для автоматизации рутины. Разбор ошибок масштабирования, эксплуатационные ограничения и задачи, где LLM категорически нельзя оставлять без проверки | Аналитик как тимлид AI-агентов: три кейса AI-инженерии от скоринга каналов до разработки дашборда Евгений Кузнецов, head of analytics, JetStyle Превращаем AI из генератора кода в управляемого исполнителя, способного провести задачу от размытого бизнес-вопроса до проверяемого результата. | Обфускация персональных данных - не спасение, а ловушка Николай Голов, CPO Tengri Data Риски современных законов о защите персональных данных (GDPR, 152 ФЗ, CCPA, PDPA, PDPL, DPDPA) в контексте использования внешних AI моделей. Насколько легально слать во внешние API AI сервисов персональные данные? Насколько реально защититься от рисков за счет обфускации отправляемых данных? Разбираем риски, возможности, и надежность такой защиты | ||||||||
8 | ||||||||||||||
9 | Как измерить внедрение AI в большой компании Роман Бунин, AI-adoption lead, Nebius Системный подход к оценке AI Adoption внутри большой компании: от архитектуры решения до детального разбора применяемых методов. Слушатели получат фреймворк для оценки эффективности AI-инициатив, позволяющий управлять процессом внедрения нейросетей на основе данных | Речевая аналитика как источник инсайтов: превращение голоса клиента в маркетинговые данные Екатерина Владек, руководитель продуктового направления, UIS Трансформация сырых голосовых логов в структурированные датасеты с помощью нейросетей. Строим автоматическую транскрибацию, тегирование намерений и распознавание эмоций, для превращения речи в данные, пригодные для анализа | Как AI меняет роль BI: опыт трансформации и новая стратегия Авито Александр Бараков, Head of BI Авито Рабочие идеи по созданию AI-ready доменов и сертификации дата-контента, которые готовят инфраструктуру к безопасному и эффективному внедрению искусственного интеллекта, пререквизиты, необходимые для успешного внедрения аналитических AI-агентов и автоматических дата-чекеров" | Демократизация доступа к данным в эпоху ИИ: как построить с нуля семантический слой в компании Хамид Ибрагимов, руководитель отдела аналитики, Careem Проектирование семантического слоя и процесс его интеграции с Looker. Рассмотрены эксплуатационные ограничения, неочевидные технические сложности и собственные ошибки | Создаем Discovery-пак для проверки продуктовых гипотез Сергей Кукуруз, руководитель стратегических проектов, Yandex AI Studio Сборка агентских систем, выдающих результат стабильного качества. Инженерный разбор компонент и паттерны архитектуры ИИ-решений | |||||||||
10 | ||||||||||||||
11 | Антихрупкие метрики: когда аналитика начинает управлять решениями Никита Гурьянов, директор департамента аналитики медиаплатформ, VK Что делать, когда привычные продуктовые метрики перестали отражать долгосрочное здоровье продукта, а разные команды по-разному понимают, что именно считать успехом? Вы узнаете, как изменить подход к измерению продукта и повлиять на реальные бизнес-решения | Оценивам эффективность "флайтовой" офлайн-рекламы Олеся Норицына, data scientist, CUBE Пошаговая инструкция по сборке Bayesian MMM для «флайтовых» размещений и чеклистом диагностики модели. Разбор работы с эффектом затухания памяти о рекламе (adstock) и убывающей отдачей от вложений (saturation) | Сколько аналитической работы можно отдать агенту и чем проверять ее выполнение Александр Давыдов, лид продуктовой аналитики, Контур Методы автоматического отлова ошибок AI-агента в зависимости от класса задач: сверка с эталоном, разложение финального расчета на составляющие, регрессионное тестирование при правке отчетов, проверка инвариантов для конвейеров данных и разбор проблемы «молчания семантического слоя» | Архитектура данных для AI-продукта: как избавиться от лагов на миллиардах событий Максим Дубровин, руководитель направления, СБЕР Проверенная схема проектирования высоконагруженных пайплайнов для подготовки ML-датасетов, краулинга и ETL. Как закладывать бизнес-логику в модель данных, и почему отказ от потоковой агрегации глобальных состояний делает систему устойчивой" | Алексей Гаврилов | |||||||||
12 | ||||||||||||||
13 | Ловушки оптимизации: когда не скоординированные решения ухудшают общий результат. Алексей Савватеев, российский математик и специалист в математической экономике, популяризатор науки Теория игр для аналитиков | Метрика для медийной рекламы: почему иногда лучше построить новое, чем менять старое Галина Блонская, менеджер продукта, Яндекс Новая модель данных позволяет сделать гибкое окно атрибуции, связать медийные показы с целями Метрики и событиями AppMetrica, добавить новые параметры и метрики качества трафика | Фабрика pretrain-данных: как превратить веб, документы, аудио и видео в обучающий корпус Максим Кочетков, исполнительный директор, СБЕР Контроль качества данных в bigtech-масштабе без ручной разметки и специфика подготовки медиа-источников. Архитектура пайплайна подготовки pretrain-корпуса и чеклист что отсекать, чтобы не сжигать дорогой compute на грязных данных | Системный подход в агентном кодинге: как не проверяя десятки тысяч строк кода, быть уверенным что это рабочий продукт Сергей Бажин, главный аналитик данных, ИТ-холдинг Т1 Рабочая связка open-source инструментов для агентского кодинга. Методология разработки OpenSpec и OpenSpec+. Превращаем хаотичную генерацию в предсказуемый и контролируемый инженерный процесс | Как усилить отдел маркетинга AI агентами на практике Павел Злобин, руководитель маркетингового производства, IT-Agency Как агенты ведут Яндекс.Директ, генерируют контент и дизайн, строят аналитические дашборды и выполняют маркетинговые задачи по расписанию | |||||||||
14 | ||||||||||||||
15 | Разум вне головы: от каменного рубила до искусственного интеллекта Станислав Дробышевский, российский палеоантрополог и популяризатор науки Как наш мозг создал знания и как на него влияет искусственная информационная среда, когда AI меняет культурную среду быстрее, чем биологию человека | Анатомия оттока в SaaS-продуктах: 9 разрезов, которые показывают реальную причину ухода клиентов Анна Амброзевич, Chief Customer Officer в IT-консалтинге Dynamic Yield, Algolia Подходы и методы анализа когорт, тарифов, стадий жизненного цикла, поведения, причин ухода и др | Сколько контекста действительно нужно AI? Виктория Пролетарская, CPO, Definica Сравним работу AI со схемой БД, данными, техническими метаданными и полноценным семантическим слоем.Разберём, какую часть бизнес-контекста AI способен восстановить из схемы и самих данных, а какую необходимо явно получить от компании, но при этом не превратить построение semantic layer в многолетний проект описания всей компании | ИИ-операционная система руководителя: архитектура из 17 ролей и 13 процедур Денис Пехтерев, директор аналитики, Т-Банк Схема оценки стоимости собственных управленческих процедур для перевода их в ИИ-контур. Как превратить работу с LLM в устойчивый метод управления и оптимизировать процесс принятия управленческих решений" | Практический мастер-класс от Yandex DataLens Тема ожидается | |||||||||
16 | ||||||||||||||
17 | Идентифицируемость причинно следственных связей при построении медиа-микс моделей Кочуров Максим, директор Вероятностные решения Обсуждаем идентифицируемость, смещение и принятие решений в условиях неопределенности. Байесовская нелинейная эконометрика позволяет оценить причинно следственные связи и составление модели будет в теме нашего разговора: как составить модель таким образом, чтобы они действительно была не только интерпретируемой, но и идентифицируемой, как параметризовать модель, чтобы при оценке она не развалилась, а смещение было побеждено, как принимать решения в условиях неопределенности и чем нам поможет теория стохастической оптимизации | Управление рекламным трафиком в период высокой утилизации Максим Калацкий, руководитель управления аналитики рекламных технологий Магнит AdTech Когда утилизация на пике, вы не можете показать бизнесу кратный рост, а партнерам — дать нужные объёмы за счёт свободного трафика. Делимся методологией расчета утилизации, подходами к медиапланированию и способами охлаждения трафика | От источника до инсайта: что нужно ИИ-агенту, чтобы его ответам можно было доверять Павел Дубинин, руководитель продуктового развития DataLens Рассказываем, как встраивали ИИ в каждый шаг аналитического цикла (загрузку, SQL, оркестрацию, каталог, дашборды) и какой контекст ему для этого понадобился: автоматически собранные метаданные, lineage, права на уровне платформы. Опыт DataLens Platform, самого крупного обновления DataLens | |||||||||||
18 | ||||||||||||||
19 | Подходы и методы системного снижения стоимости проверки гипотез | Разные аналитические задачи (сборный трек) | HR-трек. Неудобные вопросы о найме и увольнениях | Трек Авито. Аналитики разных департаментов делятся своими кейсами и наработками | ИИ-автоматизация продуктовых и маркетинговых исседований | AI-агенты для маркетинговой аналитики | ||||||||
20 | ||||||||||||||
21 | A/B-тесты на сотрудниках: от AI-копайлотов до скриптов продаж Андрей Романов, analytics team lead, Авито Специфика тестирования AI-копайлотов и внутренних продуктов компании, чтобы точно ответить на вопрос «изменил ли новый инструмент работу сотрудников достаточно сильно, чтобы его было выгодно масштабировать» | Data‑каталог как продукт: как оцифровать потоки данных и закрыть ключевые пользовательские сценарии по всему бизнесу Михаил Рязанский, руководитель группы в направлении OneData VK Превращаем data‑каталог из «реестра таблиц» во внутренний продукт уровня экосистемы, выстроить архитектурный каркас, а затем “зашить” в него логику, которая закрывает реальные пользовательские сценарии аналитиков, инженеров и владельцев данных | Почему вас не нанимают: честно о собеседованиях, зарплатах и рынке аналитиков Никита Егоров, product analyst, Avito Объективно оцениваем свою стоимость как аналитика. Список вопросов о задачах, процессах и условиях, которые вам необходимо задать нанимающему менеджеру до принятия оффера, чтобы выбрать работу по содержанию | Цена результата: как мы стабилизируем стоимость контакта на Авито? Снежана Тихонова, senior аналитик в команде ценообразования Авито Что мы делаем ценообразование на Авито более справедливым для селлера за счет оптимизации стоимости контакта | AI для market intelligence: как автоматизировать исследование спроса, рынка и конкурентов Анна Коковина, менеджер продукта Yandex AI Studio Превращаем цепочку аналитических действий в автоматизированный процесс: формировать запросы, анализировать динамику и использовать результаты для проверки продуктовых и маркетинговых гипотез, как устроен многошаговый агент, который формирует поисковые запросы, изучает результаты, возвращается к поиску и собирает информацию из множества источников и как превратить типичный competitive research из ручного процесса в повторяемый AI-workflow | Маркетинговая AI-native аналитика: от поведения на сайте до денег в кассе Дмитрий Тамаров, AI project manager, za-ai.ru Рабочий метод построения маркетинговой AI-аналитики с нуля: от сбора данных о пользователях, сведение их в одну платформу и предоставления AI-агенту среды, в которой видна полная картинка на стеке телефония с речевой аналитикой, Битрикс24, Roistat. PostHog session replay, Метрика Logs API, BigQuery, Neo4 | ||||||||
22 | ||||||||||||||
23 | Не всё так хорошо: что A/B-тест не рассказывает о пользователях Марк Хабаров, руководитель группы ML-аналитики и Мария Авдеева, cтарший технический аналитик, Дзен, VK Как глубокий анализ аудитории А/В-теста помогает находить неожиданные эффекты экспериментов и принимать более точные продуктовые решения | Когда персонализация ломает продукт: почему ML ухудшает метрики и как это исправить Диана Кагермазова, старший менеджер продукта, Техвилл Персонализация каталога на основе пользовательских сигналов привела к падению AMPU как на уровне фичи, так и на уровне всего приложения. Учимся отличать навигационные поверхности от рекомендательных и внедрять персонализацию без деградации UX | Как управлять сроком испытания и что с ним не так Ольга Чумакина, консультант по трудовому праву, юрист Кандидат, прекрасно продал себя на собеседовании, но выяснилось, что что-то не то и его необходимо уволить. Что делать, если HR не соглашаются увольнять по результатам срока испытания, но быть заложником ситуации тоже не хочется | Как мы выстроили аналитику в AI-ассистенте для продавцов Константин Жучков аналитик и Дмитрий Охрименко senior аналитик в команде Communications Мы распарсили «черный ящик» диалогов селлера с ассистентом, даже не используя LLM-судей. Нам удалось полноценно выстроить воронки выполнения рекомендаций и выделить основные пользовательские сценарии использования ассистента и измерить качество AI-ассистента | Новая трансформация маркетинга Тимур Мерлин, Central Marketing Director Авито Поговорим о том, как сегодня добиться измеримого результата в областях где совсем недавно полагались "на веру", как выстроить AI-native фреймворк работы маркетинга и почему здесь нужна революция а не эволюция. Подробно расскажу о том, как выглядят конкретные примеры маркетинговых механизмов в Авито и поделюсь лайфхаками, которые приносят результаты | Кастомная аналитика: как ИИ-агент ускоряет путь от бизнес-вопроса до результата Наталья Цветкова, руководитель отдела анализа данных, Веборама Денис Гнатенко, директор по продуктам, Веборама Схема встраивания ИИ-агента в пайплайн обработки запросов с автоматическим контролем качества и важными точками проверки человеком. Разбираем архитектуру решения, логику автоматических тестов качества данных, типичные ошибки и эксплуатационные ограничения агента | ||||||||
24 | ||||||||||||||
25 | Как посчитать кумулятивный эффект от серии экспериментов: измеряем влияние ML-улучшений на метрики продукта Эльвира Хайрулина, аналитик группы рекомендаций и поиска, VK Музыка Ретроспективная оценка совокупного эффекта на продукт от серии последовательных экспериментов. Методы оценки накопительного эффекта и когда необходим контр-фактический сценарий | Миссионная модель кластеризации заказов Николай Войтов, руководитель направления коммерческой аналитики, Магнит Доставка Объединяем десятки тысяч товарных групп, в ясные комбинации, изучаем формы признакового пространства. Делимся тем, как вывести похожую модель на собственных данных и как вывести метрики качества кластеризации | Изменения навыков продуктовых аналитиков через призму анализа мировой научной повестки Михаил Комаров, главный научный сотрудник, профессор НИУ ВШЭ Оценка трендов навыков продуктовых аналитиков на основе анализ мировой и российской научной повестки. Представлены семантические карты, тренды, драйверы развития и барьеры. Слушатели познакомятся с изменениями в профессии продуктового аналитика (как меняется спрос на навыки и компетенции и какая и как происходит перефокусировка) | Как отправлять коммуникации так, чтобы не переспамить пользователей и сделать из этого систему Виктория Шумилова, senior аналитик в команде Авито Работы Превратили массовые CRM-пуши в систему, которая автоматически подстраивает объём и состав аудитории под баланс спроса и предложения на платформе подработки. Разбираем путь от расчёта сегментов и приоритизации пользователей до проверки решения A/B‑тестом. В результате пользователи стали получать в шесть раз меньше пушей без снижения числа бронирований смен | Растим Иггдрассиль: как построить рабочий граф метрик Макс Коматовский, руководитель группы аналитики, Яндекс Метрика, на которую бизнес хочет повлиять и метрика, на которую бизнес может повлиять произвольным воздействием - обычно разные метрики. Разбираем, как построить здоровое итерирование по продуктовым гипотезам с помощью графа метрик. Слушатели узнают, как извлечь больше информации из совокупности экспериментов - что дополнительно можно узнать о пользователях, если посмотреть на всю совокупность экспериментов, а также то, как измерять и декомпозировать эффект набора маркетинговых изменений на бизнес-метрику, когда ни один эксперимент в отдельности не даёт ответа | Опыт бесшовной миграции событийной аналитики. Переезд с AppMetrica на собственный event stream Владислав Слесарев, руководитель направления аналитики цифровых сервисов, Магнит Плюс Минимальные требования к событийным данным, чтобы LLM-агент начал отвечать на вопросы по данным без человека в цикле | ||||||||
26 | ||||||||||||||
27 | Синтетический контроль: как оценить эффект продуктовых изменений без A/B-теста? Курамагомед Алиев, старший продуктовый аналитик в RWB Разделить селлеров на группы А и Б в нашем случае нельзя: это означало бы предоставление разным селлерам разных условий продвижения. Поэтому провести классический A/B-тест невозможно. Решением становится синтетический контроль: он позволяет оценивать эффект изменений без прямого разделения селлеров на тестовую и контрольную группы. Именно этот подход мы используем для оценки экспериментов в нашем продукте | Симулятор каршеринга в квазиэкспериментах ценообразования Дмитрий Павлов, аналитик, Яндекс.Драйв Имитационная модель системной динамики, откалиброванная под фактические бизнес-метрики, отвечающая на вопрос что будет с метриками если варьировать параметры бизнеса | Монетизационная лента на главной: дюжина итераций и аплифт, которому мы не поверили Артем Новиков, senior аналитик в команде монетизации Авито Кросс-категорийная монетизационная лента на главной - одна из самых денежных раскаток команды эффективности монетизации. Расскажу, как мы научились приводить качественный платный трафик с главной. Отдельно разберу главный урок для аналитики: почему в АБ-тестах, которые меняют ранжирование, поюзерный сплит завышает эффект на выручку в разы, как мы это отловили и измерили | Борьба с каннибализацией органики и неверной оптимизацией Степан Медведев, Head of Digital, Mamba Group Раскроем техническую сторону разработки системы сквозной ROAS-отчетности, в рамках которой связали расходы рекламных сетей, клики и доходы в единый контур, что позволило оптимизировать performance-бюджет на 30%, Отчет стал источником данных (Single Source of Truth) как для ручной оптимизации байерами, так и для автоматических агентов, частично управляющих кампаниями через API, что в итоге сократило время реакции на просадки с дней до пары часов | ||||||||||
28 | ||||||||||||||
29 | Подвохи LLM-разметки в оценке эффектов Анна Ставнийчук, к.э.н., научный сотрудник ЭФ МГУ, эксперт в сфере эконометрики причинно-следственных связей и экспериментальных методах Тональность отзыва, тема обращения, категория товара — ещё недавно всё это размечали вручную, теперь же – размечают языковые модели. Вместе с этим изменился статус чисел, которые на такой разметке считают. Метрика в дашборде и целевая метрика эксперимента больше не наблюдаются – они предсказываются. Можно ли считать статистику по метрике, которую проставила модель, и что с этой статистикой не так? Доклад отвечает на вопрос о "цене" игнорирования проблемы — насколько сжимается измеренный эффект и во сколько раз вырастает нужный размер выборки. Слушатели будут уметь посчитать эффект на своих данных | Поиск подозрительных паттернов в пользовательском поведении. Выявление фрода в мессенджере: на какие сигналы смотреть, как их комбинировать и проверять гипотезы Мария Рымарь, fraud detection analyst Как антифрод-аналитика превращает поведенческие и контентные сигналы в продуктовые ограничения, как измеряется их эффективность и как оценивать качество детектора на исторических данных. | ||||||||||||
30 | ||||||||||||||
31 | Дискуссионные панели | |||||||||||||
32 | ||||||||||||||
33 | Дискуссия CPO / AI CPO Как меняются продуктовые функции и роли | Круглый стол от Яндекс.Облако Тема будет объявлена позже | Корпоративные A/B-платформы | Круглый стол от Т-Банк Тема будет объявлена позже | ||||||||||
34 | ||||||||||||||
35 | Дискуссия Head of Core BI О подготовке BI-инфраструктурs к безопасному и эффективному внедрению агентской аналитики | Дискуссия CTO/CIO Как разделить полномочия и ответственность за внедрение и ограничения реальных процессов | Как крупные компании выбирают, внедряют и защищают AI Руководители AI/ML-команд делятся практическим опытом, инженерными компромиссами и подходами, которые используют в работе | Разметка данных Как извлекать дополнительную бизнес-ценность из уже накопленных данных за счет их классификации и обогащения | ||||||||||
36 | ||||||||||||||
37 | ||||||||||||||
38 | В ближайшее время будут опубликованы еще около 30 тем | |||||||||||||
39 | ||||||||||||||
40 | Матемаркетинг-2026 | 26-27 ноября, Москва, ИНТЦ Кластер Ломоносов | Билеты: /tickets | |||||||||||
41 | Подробные тезисы докладов | Сайт: matemarketing.ru | Оформление документов: money@matemarketing.ru | |||||||||||
42 | Расписание с указанием конкретного дня, времени, зала и хронометража и формата каждого выступления появится позднее | |||||||||||||
43 | ||||||||||||||