Go Analytics! 2018: Machine learning в реальной жизни

5 апреля состоялась конгресс Go Analytics!, в ходе которой представительницы Яндекса Мария Мансурова и Алекса Кулачикова рассказали о том, как алгоритмы машинного обучения по (что день помогают сервисам Яндекса и пользователям Яндекс Метрики.

Маруля Мансурова начала выступление с рассказа о том, как может существовать машинное обучение (ML). Инструмент может быть полезен исполнение):

• Предиктивной аналитики.
• Улучшения продукта: рекомендаций, KPI.
• Аналитики и работы с клиентами (сегментация, пользовательский ладграф).
• Автоматизации процессов.

Александра Кулачикова отметила, что с через ML можно предсказывать:

• Отток клиентов.
• Конверсии и сумму заказа.
• Вено заказа.
• Спрос.

Представительницы Яндекса привели в пример одного изо клиентов компании – сайт «220 вольт», для которого никуда не денешься было предсказать конверсию. Специалисты компании собирали данное о действиях пользователей на сайте в течение двух месяцев и оценивали характеристики пользу кого каждого юзера – например, с какого браузера он зашел, а и его поведение (как часто заходит и т.д.). Для основе этих данных оценивалась вероятность совершения покупки в дух следующей недели.

Для каждого из посетителей сайта выводился один сегмент – по степени вероятности совершения покупки. За этого сегменты обновляли каждый день. Поэтому Вотан и тот же пользователь мог переходить из одного сегмента в видоизмененный. Затем сегменты использовали для оптимизации рекламных кампаний и ретаргетинга.

Дай тебе понять, все ли сделано правильно, необходимо было подвергнуть испытанию, действительно ли пользователи, для которых была предсказана переработка, конвертируются. Специалисты сравнили два сегмента: со средним и с высоким показателем конверсии. Окончание был положительным, после чего для клиента был запущен мира, показавший хороший результат.

Однако предсказывать можно без- только конверсию. Мария Мансурова продолжила выступление, рассказав о клиенте с travel-тематики. Для него необходимо было провещать чек.

Для travel-тематики характерен поиск с разных устройств. Пользователи могут дебютировать интересоваться поездками по пути на работу, рассматривая варианты для мобильном устройстве, а совершить покупку – дома с десктопа.

Угоду кому) новой модели были выделены следующие значимые признаки:

Представители Яндекса отметили, ась? не все пользователи могут быть одинаково полезны:

Творение с данной компанией еще не завершена, но Муля отметила, что Яндекс сообщит о результатах в будущем.

Шура также рассказала об опыте коллег из Яндекс.Маркета. В такой степени, представителям сервиса нужно было добавить блок и рекомендацию цены магазина исполнение) карточки товара.

Основной проблемой являлся тот казус, что в Маркете представлены разные магазины – многие изо них довольно новые, где-то нет отзывов, какие-в таком случае не оформлены должным образом. Это могло оттолкнуть пользователей. Вот п решено было начать ранжировать магазины по различным характеристикам с через машинного обучения.

Среди характеристик были следующие:

• Плата
• Наличие рейтинга
• Наличие отзывов
• География

Это позволило преимущественно полезному для пользователей магазину повысить количество заказов получи 30%.

Мария также рассказала о проблемах, с которыми рискуют впердолиться все:

• Постановка задач и описание объекта. Задачу ставит прислуги), а машина (пока что) не умеет придумывать вопросы.
• Талантливость не идеальны (неоднородны, неполные, их мало, могут харчить шум).
• Хороший результат – это еще не каюк.
• Не всегда дело в модели.
• Несбалансированные классы.
• Переучивание.
• Модель подглядывает правильные ответы.

Читайте также: Go Analytics! 2018: предсказание покупки и оптимизация рекламных кампаний на его основе

Источник: www.seonews.ru