Опыт применения машинного обучения в розничной персонализации: от идеи до внедрения
1. О важности бизнес-анализа:
- Классификация vs. аплифт (кейс: предотвращение оттока)
2. О данных как основе машинного обучения:
- самый простой способ добиться прироста качества
- качественные данные = новые возможности для бизнеса (кейс: геолокация терминалов)
3. О выборе лучшего ML-подход для решения задачи:
- Какие задачи персонализации мы решили в Сбер Банке (обзор)
- Многоликие рекомендательные системы (кейсы: сколонность клиента к категориям трат / витрина программы лояльности / ранжирование частых платежей)
4. Об оценке качества ML-модели
- С точки зрения ML-метрик / бизнес-метрик / денег
- A/B тесты и методы сausal inference как инструменты оценки
5. Жизнь моделей в проме
- О внедрении и мониторинге моделей