Восьмой онлайн-митап для продуктовых аналитиков. С докладами выступят спикеры из Авито, Lamoda и СберМаркета. Поговорим про предиктивную классификацию, офлайн-эксперименты и аналитику клиентской базы.

Доклады

Как мы в Авито увеличили эффективность привлечения за счёт предиктивной классификации — Ирина Гутман, Авито

Расскажу, как большая площадка с кучей данных может их использовать для эффективного привлечения целевого трафика. Обсудим, как использовать предсказания и классификации для оптимизации и как быть с неизбежными подводными камнями. Приведу пример из истории перформанс-маркетинга Авито, когда это сработало.

В докладе затронем следующие темы:

• Как устроена оптимизация перформанс-кампаний и что можно использовать в качестве целей.
• Какие факторы стоит учесть при выборе событий для оптимизации.
• Чем может помочь ML для увеличения эффективности.

О спикере: Аналитик маркетинга в Авито — лидирую направление оценки привлечения B2B-продавцов. Выстроила фреймворк оценки перформанс- маркетинга для B2B в Авито практически с нуля. Менторю студентов Академии Аналитиков Авито.

Аналитика клиентской базы — Кирилл Федоренков, Lamoda

Расскажу, почему для нас важна аналитика клиентской базы и какие задачи, связанные с ней, мы решали.

Поделюсь кейсами, которые затрагивают:

• Сегментацию клиентской базы.
• Построение прогнозов.
• Анализ причинно-следственных связей.

О спикере: В аналитике работаю 5 лет, в Lamoda больше года занимаю позицию руководителя команды аналитики по развитию бизнеса. В пул задач моей команды входят клиентская аналитика, оценка эффекта инициатив и событий, расчёт бизнес-кейсов, разработка персональных клиентских условий и политик.

Применение иерархических моделей в офлайн-экспериментах — Полина Ревина, СберМаркет

В офлайн-тестах в СберМаркете мы сталкиваемся с влиянием объектов рандомизации в разных группах друг на друга во время эксперимента. Для проведения таких экспериментов мы используем свитчбэк-тестирование. При таком подходе возникает естественная вложенность данных и зависимость наблюдений.

Для оценки подобных экспериментов мы применяем иерархические регрессионные модели, которые обеспечивают низкий уровень ложноположительных результатов и высокую мощность. Иерархические модели эффективно используют вложенность данных и могут быть использованы в различных видах экспериментов.

О чём расскажем:

• Зависимость и вложенная структура наблюдений.
• Способ и результаты сравнения различных подходов к оценке экспериментов с вложенной структурой данных.
• Предпосылки, интуиция, сильные и слабые стороны иерархических моделей.

О спикере: Experimentation Data Scientist в СберМаркете. Занимаюсь методологией A/B-тестирования и дизайном сложных экспериментов для наших команд.