ABCDEFGHIJKLMNOPQRSTUVWXYZAAABAC
1
Aha!'23 – практическая конференция по продвинутой продуктовой аналитике

Эксперименты, монетизация и ETL-процессы

Для продуктовых аналитиков, ML-специалистов и product-менеджеров
2
3
30 МАЯ (ВТОРНИК) - МОСКВА, ПОКРОВКА 47, ЦЕНТР ДЕЛОВОГО ПРЕДПРИНИМАТЕЛЬСТВА➡️ (схема проезда) ⬅️
4
09:30 11:30Встреча участников конференции на площадке, знакомство, общение и нетворкинг, участие в стендовых активностях, welcome-кофе и другие активности
5
6
11:30 11:45ОТКРЫТИЕ КУПИТЬ БИЛЕТ
7
8
БОЛЬШОЙ ЗАЛ - 2 ЭТАЖМАЛЫЙ ЗАЛ - 1 ЭТАЖЛЕКТОРИЙ №2 - 2 ЭТАЖЛЕКТОРИЙ №1 - 2 ЭТАЖ
9
ДОКЛАДЫ, ПОЛЕЗНЫЕ САМОЙ ШИРОКОЙ АУДИТОРИИХАРДКОРНЫЙ ТРЕК ПРО ЭКСПЕРИМЕНТЫТРЕК ПРО BI и ETL-ПРОЦЕССЫ ЗАПУСК НОВЫХ ПРОДУКТОВ
10
⬇️ ⬇️ ⬇️⬇️ ⬇️ ⬇️⬇️ ⬇️ ⬇️⬇️ ⬇️ ⬇️
11
12
11:45 12:00Перерыв 15 минут чтобы выбрать на какой трек идти и успеть добраться до зала
13
14
12:00 12:45ВАЛЕРИЯ РЬЯНОВА, РУКОВОДИТЕЛЬ ГРУППЫ АНАЛИТИКИ САМОКАТОВ ЯНДЕКС

РЕЛОКАЦИЯ САМОКАТОВ - В НУЖНОЕ ВРЕМЯ В НУЖНОМ МЕСТЕ

Валерия расскажет про то, как перемещение самокатов помогает улучшать баланс спроса и предложения.

В докладе пойдет речь о том, с какими проблемами можно столкнуться при оценке баланса и как типовые паттерны пользовательских маршрутов помогают лучше оценивать временную структуру спроса
ВЯЧЕСЛАВ КОСЬКИН, PRODUCT OWNER A/B-PLATFORM

КАК В OZON ПОСТРОИЛИ КОМБАЙН АВ-ТЕСТИРОВАНИЯ, ОБСЛУЖИВАЮЩИЙ БОЛЕЕ 100 ПРОДУКТОВЫХ КОМАНД, ОБСЧИТЫВАЮЩИХ БОЛЕЕ 300 МЕТРИК

Как построить процесс АВ-тестирования в крупной компании без нарушения методологии экспериментов. Полезно послушать тем, кто хочет правильно построить процесс АВ тестирования в компании без потерь денег и времени на бесполезные телодвижения		ВИТАЛИЙ БОДРЕНКОВ, DATA-ENGINEER, СБЕРМАРКЕТ

НАГЛЯДНАЯ ВИЗУАЛИЗАЦИЯ ДЛЯ ELT-ПРОЦЕССОВ В DWH. КАК МЫ ГОТОВИЛИ У СЕБЯ DBT И КАКИЕ ОШИБКИ ДОПУСТИЛИ

Доклад начинается с рассказа о том, как и почему, используемая долгое время архитектура перестала отвечать требованиям бизнеса. После этого, Виталий расскажет о переходе к фреймворку DBT. При этом, раскрываются не только бонусы, которые команда аналитиков и инженеров получают ”из коробки”, но и детально описывается кастомизация решения под особенности совместной работы DBT с Airflow и Greenplum.
Из доклада слушатели узнают, как отслеживать (и значительно облегчить) путь, который проходят сырые данные прежде, чем стать витриной		АЛИНА САВЕЛЬЕВА, АНАЛИТИК АВИТО

ЗАПУСК НОВОЙ МОДЕЛИ МОНЕТИЗАЦИИ ГЛАЗАМИ АНАЛИТИКА

Есть рискованный продукт - удержание комиссии за совершенную на площадке транзакцию, который мы хотели протестировать. Слушатели доклада узнают, как устроены крупные запуски в больших продуктах, как проходит предстартовая подготовка, моделирование, оценка потенциала и рисков. Как прорабатывается сетап тестирования и как определятся механика тестов для минимизации сетевых эффектов. На реальном кейсе продемонстрирую методы работы с сетевыми эффектами и методы работы с шумными метриками. В завершении доклада - анализ запуска и выводы, аутпуты и ауткамы
15
16
12:45 13:30ЮРИЙ КРАСИЛЬНИКОВ, Руководитель группы визуальной аналитики, ЯНДЕКС.МАРКЕТ

ЧАРТЫ, ДЕНЬГИ, ДВА BI. МИГРАЦИЯ С TABLEAU НА YANDEX DATALENS

Участники узнают лучшие практики управления BI внутри компании в условиях перехода с другой системы. Также спикер поделится техническими особенностями реализации, которые могут пригодится другим: методами оптимизации аналитических витрин, способами применения open-source технологий и т.д.
Расскажу, как разделение ETL и BI позволяет быть гибкими в работе и раскрою парадигму оптимального хранения, выраженную в ускорении работы отчётов в несколько раз. Слушатели получат готовый чек-лист переезда с идеями от команды Яндекс		КИРИЛЛ СОКОЛОВ, РУК-ЛЬ СЛУЖБЫ МАРКЕТИНГ-АНАЛИТИКИ, ЯНДЕКС.МАРКЕТ

Я ВЫКАТИЛ НА ВСЕХ! ДАВАЙ ОЦЕНИЛ ЭФФЕКТ?

Недавно из моей аналитической жизни родилась задача на собеседования:
"На AllHands сказали, что LTV юзера станции 5000р, а без станции 100р, значит станция даёт 50-кратный прирост LTV.
Можно ли верить этому выводу?"
Эту же задачу я видел под другой маской: "Кирюх, мы раскатили подписку на всех юзеров, давай измерим её эффект?". Или: "Вот у нас есть Маркет15 в приложении - как он повышает частотность заказов?"

Это максимально жизненный кейс и давайте разберём его решение с помощью квази-экспериментов методом Propensity Score.
1. Посмотрим, где вообще нужны подобные квази-эксперименты: построение финансовых моделей для принятия решений
2. Поговорим про квази-эксперимент как про обычный эксперимент: А/А-тесты, расчёт MDE, расчёт доверительных интервалов, органичения метода, или почему не стоит ловить 1,5% процента прироста с помощью квази-экспов
3. Напишем сами метод Propensity Score на python. Поговорим про подводные камни: как он обучается; хватает ли логистической регрессии, или нам нужен град бустинг, и на что он повлияет; как бутстрапировать квази-эксперименты?
4. Разберём 2 реальных задачи от постановки до получения финальных результатов		СЕРГЕЙ ФОЛИМОНОВ, DATA TEAM PRODUCT OWNER, СРАВНИ

СЛОИ ДАННЫХ И SUPERSET: ВСЕГДА КОРРЕКТНЫЕ ДАННЫЕ В ОТЧЕТНОСТИ

Поделюсь подходом и конкретным инструментом, который помогает нам решить много сложных моментов в работе с отчетностью. Мы в Сравни работаем с большим количеством отчетности — в проде порядка 200 рабочих отчётов, которые мы агрегируем из разных наших продуктов. До недавнего времени мы испытывали много сложностей при работе с отчетами: их было избыточно много. Изменения в отчётах, которые технически можно сделать за час, могли занимать недели. Одни и те же параметры могли по-разному считаться в разных отчётах, а управленческая отчётность не была связана с продуктовой. Для себя мы выбрали решение проблем: слои данных и SuperSet. В докладе расскажу, как устроены слои данных; где там место сырых данных, витрин и аргегатов; как это помогло нам решить проблемы с отчётностью; почему мы выбрали SuperSet в качестве инструмента; как переезжаем, какие всплыли проблемы и наши ближайшие шаги. Прикладная сторона доклада рассчитана на аналитиков и коллег из бизнеса, но будем рады всем, кому интересно подробнее узнать об одном из ключевых направлений разработке в 2023 году		НАТАЛЬЯ ЗОРИНА, ТИМЛИД ПРОДУКТОВОЙ АНАЛИТИКИ, ЯНДЕКС ДОСТАВКА

СКОЛЬКО ДОЛЖЕН СТОИТЬ ТАРИФ ДОСТАВКИ?

Расскажу о процессе запуска новой фичи на рынке и о том, что может пойти не так и как это чинить в моменте. Начнем с того, как мы поняли, что этот тариф нужен пользователям, сколько он должен стоить и как запуск повлиял на маркетплейс. Затем, подробно разберем историю о том, как нам пришлось переделать маркетплейс курьеров и пользователей с учетом потребностей разных сегментов. Также ответим на вопрос, как одновременно и удовлетворить потребность пользователей в быстрой доставке, и обеспечить качество вывоза, и сохранить утилизацию и заработок курьеров
17
18
13:30 14:15ВЛАДИСЛАВ ЗАВОЛЬСКОВ, RETENTIONEERING

УЛУЧШАЕМ ПОЛЬЗОВАТЕЛЬСКИЙ ОПЫТ С PYTHON-БИБЛИОТЕКОЙ RETENTIONEERING

Пользовательский опыт – это не воронка, а граф, а Retentioneering - это библиотека Python, которая облегчает обработку и анализ путей пользователей и журналов событий. С помощью инструментов Retentioneering можно исследовать поведение пользователей, сегментировать их, строить гипотезы о том, что приводит пользователей к желаемому действию или заставляет их покинуть продукт. В рамках доклада будут затронуты как вопросы подготовки данных о пользовательских траекторий, так и их интерпретации. Слушатели узнают как выполнить подготовку данных о пользовательских траекториях (clicksteam) и с какими сложностями можно столкнуться и поймут, как оптимизировать продукт с помощью обработки и анализа траекторий ваших пользователей с помощью Python-библиотеки Retentioneering		НИКОЛАЙ ПОЛУШКИН, ПРОДУКТОВЫЙ АНАЛИТИК СРАВНИ.РУ

ОСОБЕННОСТИ И ПОДВОДНЫЕ КАМНИ A/B/N-ТЕСТИРОВАНИЯ

Расскажу, как в Сравни.ру устроена система А/Б-тестов, в чем ее недостатки и как мы работаем над их устранением. Отдельно остановлюсь на том, какие возможности для бизнеса может дать многовариантное и одновременное тестирование, в чем особенности планирования и анализа таких экспериментов? В ходе лекции расскажу, как учесть все эти особенности и предложу варианты решения проблем и дам рекомендации по дизайну таких экспериментов
ДМИТРИЙ ЧЕРНЫШЕВ, X5 Tech
PY SPARK PIPELINE В ПОМОЩЬ АНАЛИТИКАМ БОЛЬШИХ ДАННЫХ ДЛЯ ПОСТРОЕНИЯ КАЧЕСТВЕННЫХ ETL-ПРОЦЕССОВ

Расскажем про метод написания кода на PySpark таким образом, чтобы он был более читаем, легко тестируем и поддерживаем. Слушатели узнают как решить проблему документирования кода и логики пайплайнов, а также как стандартизировать работу с аналитическими пайплайнами
ТАМАРА КУЧЕРЕНКО, РУКОВОДИТЕЛЬ НАПРАВЛЕНИЯ АНАЛИТИКИ МЕДИАПРОДУКТОВ, ТИНЬКОФФ

Баланс между творчеством и метриками: оценка контента в банковском приложении для достижения целей. Эволюция роли аналитиков с ростом продукта

Рост базы лояльных клиентов – стратегическая цель компании Тинькофф. Для достижения этой цели у нас существует целая система продуктов вовлечения, разных форматов предоставления контента и работы с пользователями. Расскажем, как мы выстраивали аналитику первого контентного продукта – историй, какие ошибки допускали, как учились оценивать контент и как менялась роль аналитики и аналитиков с ростом и развитием продукта
19
20
14:15 15:00перерыв 45 минут - можно успеть дойти до ближайшей кафешки и пообедать или перехвать чай-кофе-печеньки на площадке
21
БОЛЬШОЙ ЗАЛ - 2 ЭТАЖМАЛЫЙ ЗАЛ - 1 ЭТАЖЛЕКТОРИЙ №2 - 2 ЭТАЖЛЕКТОРИЙ №1 - 2 ЭТАЖ
22
ДОКЛАДЫ ДЛЯ САМОЙ ШИРОКОЙ АУДИТОРИИХАРДКОРНЫЙ ТРЕК ПРО ЭКСПЕРИМЕНТЫТРЕК ПРО BI и ETL-ПРОЦЕССЫ ДЛЯ МАРКЕТИНГОВОЙ АНАЛИТИКИМОДЕЛИ МОНЕТИЗАЦИИ
23
⬇️ ⬇️ ⬇️⬇️ ⬇️ ⬇️⬇️ ⬇️ ⬇️⬇️ ⬇️ ⬇️
24
25
15:00 15:45ВАЛГУШЕВ ДАНИЛ, АРХИТЕКТОР VARIOQUB

VARIOQUB: ЧТО ПОД КАПОТОМ

Простым языком расскажу про технические детали А/Б от Яндекса. Как мы пришли к новой методологии обработки данных, какую математическую модель заложили в алгоритм расчета статистики и как с помощью нее построили инфраструктуру А/Б для всего веба и не только.

Доклад будет полезен всем, кто проводит А/Б-тесты.

Еще вы первыми узнаете о новой фиче в VARIOQUB 		ЕГОР АФАНАСЬЕВ, РУК-ЛЬ ГРУППЫ АНАЛИЗА ДАННЫХ, СБЕРМАРКЕТ

КАК МЫ АВТОМАТИЗИРУЕМ ОЦЕНКУ ЭКОНОМИЧЕСКОГО ЭФФЕКТА ФИЧЕЙ В СБЕРМАРКЕТЕ

В докладе я расскажу, как можно выстроить процесс оценки влияния фичей на экономику компании (в терминах выручки, издержек, чистой прибыли) с помощью A/B тестов. Рассмотрим, как в СберМаркете мы подружили A/B тесты и финансовую отчетность, и при чем тут иерархия метрик. Также я остановлюсь на тонкостях A/B тестирования, которые нужно учитывать при оценке экономического эффекта (триггеринг, затухание эффектов). Отдельно подсвечу сложности, с которыми мы столкнулись во время внедрения этого процесса и о том, что нам еще только предстоит решить		ЮЛИЯ ЗИНОВЬЕВА, ПРОДУКТОВЫЙ АНАЛИТИК СБЕРМАРКЕТ

КАК МЫ АВТОМАТИЗИРОВАЛИ МОНИТОРИНГ СОБЫТИЙНЫХ ДАННЫХ В АНАЛИТИКЕ

Автоматизация поиска ошибок в событиях экономит время аналитиков и позволяет избежать ситуаций, когда принятие важного решения в продукте блокируется отсутствием корректных данных. Из него можно узнать, почему важно иметь мониторинг аномалий в данных для аналитики и какую методологию мы использовали при его написании. Подробно расскажу про стэк мониторинга, выбор методологии для мониторинга и почему мы решили делать без ml. Отдельно остановимся на плюсах и минусах автоматизации мониторинга. Доклад будет полезен руководителям направления аналитики, продуктовым аналитикам и product-менеджерам		АЛЕКСАНДРА ШТАРЕВА, АНАЛИТИК YANDEX GO

ОПТИМИЗАЦИЯ СКИДОК В ЯНДЕКС.ТАКСИ

Расскажу про виды скидок, про зависимость эластичности пользователей от цены поездки, про сегментацию пользователей по их поведению и выдачу разных скидок разным сегментам, про алгоритм, оптимизирующий разные бизнес-метрики с помощью распределения фиксированного бюджета по сегментам пользователей и ценам поездок.
Слушатели смогут узнать, от чего может зависеть эластичность пользователей, послушать про разные сценарии использования скидок и применить полученные знания в своем бизнесе, раздавая оптимизированные скидки вместо flat-скидок всем
26
27
15:45 16:30ДМИТРИЙ ЛУНИН, SENIOR ANALYST, АВИТО

ПРОДВИЖЕНИЕ ТОВАРОВ В ПОИСКЕ: ИСТОРИЯ ЗАПУСКА РЕКЛАМНЫХ АУКЦИОНОВ В АВИТО

Зачем вообще нужны аукционные механики для продвижения товаров? Из каких компонент мы составили новый продукт продвижения в Авито? Какие метрики помогают нам оценить качество продвижения? Как зарабатывать больше через аукционы? Доклад расскажет, как сделать управляемый, и интерпретируемый продукт продвижения в поисковой выдаче у маркетплейса. Кроме того, отдельное внимание будет уделено монетизации: как увеличить выручку от продвижения
ИГОРЬ МОИСЕЕВ, Experimentation Analysis Team Lead, OZON TECH

МНОГОРУКИЕ И КОНТЕКСТНЫЕ БАНДИТЫ. ТЕОРИЯ И ПРАКТИКА

Доклад сосредоточил в себе и теоретическую и практическую ценность, так как сначала достаточно глубоко погрузимся в теорию по вариантам и аспектам использования MAB и CMAB, а затем перейдем к практическим аспектам. Разберем, как можно реализовать MAB и CMAB и пройдемся по нюансам реализации алгоритмов, а также подробно остановимся на особенностях применения контекстных бандитов		АНАСТАСИЯ ДЕТКОВА, Head of Customer Success, DATA GO

СМЕНА ИСТОЧНИКА ДАННЫХ ДЛЯ СКВОЗНОЙ АНАЛИТИКИ: МИГРАЦИЯ ВЕБ-СТРИМИНГА КРУПНОГО ПРОЕКТА

Слушатели получат ответы на вопросы о том как формулируется задача миграции аналитического проекта и узнают, с какими подводными камнями и сложностями можно столкнуться при организации веб-стриминга, а также что стоит учесть при входе в такие проекты. Ключевая ценность доклада в рассказе о том, как обеспечить "бесшовность" при смене источников данных на крупных проектах с развитыми процессами маркетинговой аналитики		АЛЕКСАНДР СИДОРОВ, РУК-ЛЬ РЕКОМЕНД-ЫХ И ПОИСКОВЫХ СИСТЕМ HEADHUNTER

КАК МОНЕТИЗАЦИЮ С ПРОДАЖЕЙ МЕСТ В КЛАССИФАЙДЕ СДЕЛАТЬ ДРУГОМ КАЧЕСТВА ВЫДАЧИ ДЛЯ ПОЛЬЗОВАТЕЛЕЙ

Расскажу, как сделать так, чтобы монетизация за счёт продвижения результатов в выдаче не снижала, а увеличивала качество выдачи для пользователей, а также давала тем, кто публикует продвигаемые объявления, более качественный и долговременный результат, без ухудшения репутации и баннерной слепоты со стороны пользователей. Я расскажу о том, как прямое продвижение в поиске обеспечивает разнообразие и ротацию, а разделение резюме и вакансий на подходящие и не подходящие обеспечивает приемлемое качество в поиске, так что поиск работает как exploration. Покажу на примере, как пересчитываемые в реальном времени признаки по поведению пользователей на основе трансформеров BERT и BST, позволяют использовать информацию о том, какие пользователи интересуются резюме и вакансиями. Как прямое продвижение вакансий в поиске позволяет накопить больше данных о том, кому они интересны, а кому нет, по сравнению с вакансиями без продвижения. В итоге, разберем как построена наша система и как мы избавили ее от недостатков современного deep RL, связанных с необходимостью накапливать большое количество негативных примеров для каждого пользователя, а также стабильностью, воспроизводимостью и резкой деградации перегрузки состояний
28
29
16:30 17:15АНДРЕЙ ЗАЙКО, РУК-ЛЬ УПРАВЛЕНИЯ АВТОМАТИЗАЦИИ И АНАЛИТИКИ ПРОДАЖ ЯНДЕКСА

КАК ПРЫГНУТЬ ВЫШЕ ПОТОЛКА В PERFORMANCE-РЕКЛАМЕ?

К нам часто приходят рекламодатели и говорят, что уже уперлись в потолок в перформанс рекламе. Все возможное уже тестировали и вырасти больше не могут. Для решения этой проблемы обычно рекомендуют запускать медийную рекламу. Но эффект от ее размещения оценить не так-то и просто. В рамках доклада я расскажу, какие аналитические возможности Яндекса можно использовать для расширенной оценки эффективности текущих перформанс размещений и медийной рекламы и акцентирую внимание на оценке влияния рекламы на поисковый интерес и оценке цепочек касания с рекламой		ШИТОВ НИКИТА, ВЕБ-АНАЛИТИК ГРУППЫ РАЗВИТИЯ ВЕБ-ПРОЕКТОВ

УСКОРЕНИЕ ПРОВЕРКИ ГИПОТЕЗ В ВЕБ-ПРОЕКТАХ

Расскажу на примере кейсов, как мы изменили подход к a/b-тестированию и вырастили число эффективных гипотез до 30%. Также дам советы, как внедрить в команду новый процесс и проводить эксперименты не только быстро, но и качественно.		ОЛЕГ КОЧЕРГИН И ДАНИЭЛ РАЧИЧ

РАЗМЕТКА-СОБЫТИЙ-КАК-КОД

Процесс разметки событий — это почти всегда путаница в Excel-файлах и большая вероятность ошибок из-за человеческого фактора на всех этапах. Мы расскажем про новый способ работы с разметкой, вдохновленный OpenAPI. В этом выступлении мы представим слушателям открытый стандарт, который обеспечивает структуру, согласованность, автоматизацию процесса и, в конечном счете, ведет к улучшению качества данных		АНЖЕЛИКА ШАХУРИНА, АНАЛИТИК В АВИТО

КАК ВЫЯВИТЬ УСПЕШНЫХ ПРОДАВЦОВ И ПОМОЧЬ ИМ СТАТЬ ЕЩЁ УСПЕШНЕЕ?

Мы попытались смоделировать понятие успешного продавца, собрав более ста фичей по различным драйверам ликвидности. Затем перешли к обучению моделей градиентного бустинга, чтобы предсказать успех продажи объявления, получив на выходе топ факторов

Исходя из полученной модели мы разместили продавцов по уровням зрелости (у каждого продавца на выходе оценка по каждому из значимых факторов) и позволили команде по работе с продавцами распределить эффективно ресурсы для прокачки профессионального уровня продавцов в сервисе и увеличения их сделок
30
31
17:15 18:00ЕВГЕНИЙ КУДАШЕВ, DATA ANALYST, CONSTRUCTOR.IO

КАК НАУЧИТЬСЯ ПРОХОДИТЬ ТЕХНИЧЕСКИЕ ИНТЕРВЬЮ (НО В ИТОГЕ ОБЛАЖАТЬСЯ)

Евгений поделится опытом прохождения технического интервью на роль BI/Analytics Engineer на примере крупных зарубежных компаний

Ознакомившись с докладом вы сможете избежать многих нелепых ошибок и достойно пройти техническую часть собеседования. Вы узнаете как подходить к решению задания и вместе с лектором разберете типичные задачи		АСЛАН БАЙРАМКУЛОВ, РУК-ЛЬ ГРУППЫ ЭКСП-НЫХ НАПРАВЛЕНИЙ И АРТЁМ ХАКИМОВ, ВЕДУЩИЙ ML-ИНЖЕНЕР МТС BIG DATA

ПРЕИМУЩЕСТВА БАЙЕСОВСКОГО ПОДХОДА В A/B ТЕСТИРОВАНИИ И ЕГО ЦЕННОСТЬ ДЛЯ БИЗНЕСА

Про байесовское A/B тестирование много начинают говорить, но в деталях мало людей понимают его пользу и его преимущество над классическим A/B тестированием. Наша задача - познакомить с основами байесовского A/B тестирования, провести сравнительный анализ с частотным подходом, указать на слабые стороны классики, которые нивелируются за счет байесовского подхода. В рамках доклада мы освежим основные аспекты A/B-тестирования и сделаем акцент на недостатках классического частотного подхода. Далее мы разберем устройство и механику байесовского A/B-тестирования, какие дополнительные возможности оно нам открывает, и какие преимущества мы получаем за счет этого. Также будут рассмотрены сценарии применения байесовского подхода, и мы оценим эффективность его использования в жизненном цикле развития продуктов		ИРИНА ГОЛОЩАПОВА, HEAD OF ADVANCED ANALYTICS AND DATA MANAGEMENT DEPARTMENT, RAIFFEISENBANK OPERATIONS

ML SYSTEM DESIGN DOC КАК СПОСОБ ПОВЫСИТЬ ЭФФЕКТИВНОСТЬ РЕАЛИЗАЦИИ ML-ПРОЕКТОВ

Большое число ML-решений, многообещающих в начале проекта, не доходят до прода, или доходят, но не приносят велью. Внедрить работу над ML System Design документом в процесс работы над ML-решениями позволяет значительно повысить вероятность успеха и обойти множество шишек на пути к нему.

ML System Design документ - это по сути сводный план по построению системы машинного обучения для решения конкретного запроса бизнеса в вашей компании. Его стоит применять на этапе дизайна вашей системы, чтобы в итоге ваше решение было полезным для бизнеса, а именно: могло быть внедрено, работало после внедрения и приносило реальную пользу. В докладе будет рассказано о шаблоне такого документа для российского рынка от сообщества Reliable ML, который призван помочь построить план ML-системы, чтобы она, действительно, приводила к результату		ДАРЬЯ ШАТЬКО, DATA SCIENCE TEAMLEAD, МЕГАФОН BIGDATA

ПЕРСОНАЛЬНЫЙ ТАРИФ ИЛИ КАК УБИТЬ 2Х ЗАЙЦЕВ СРАЗУ - ЗАКРЫТЬ ПОТРЕБНОСТИ АБОНЕНТА И ПОСТРОИТЬ МОЩНЫЙ ИНСТРУМЕНТ ДЛЯ CVM

Расскажу о том, как мы решаем задачу персонализации тарифа абоненту в рамках CVM-маркетинга, в чем отличительные черты CVM-а в телекоме и как нам помогают ML-модели и аналитика. Поговорим о принципах кастомизации и персонализации тарифов, можно ли bundle-оффер рассматривать как продукт, какие плюсы и минусы у подбора скидок на существующие продукты против подбора уникального предложения для каждого абонента
32
33
18:00ДИСКУССИЯ

ГДЕ НУЖНЫ А/B-ТЕСТЫ, А ГДЕ (О БОЖЕ МОЙ!) ЛУЧШЕ БЕЗ НИХ.
ДЕБАТЫ АНАЛИТИКОВ И ПРОДАКТОВ
34
Купить билет
35
36
37
38
39
40
41
42
43