ML in Marketing - events & meetups

Что появилось первым – курица или яйцо? Под Новый Год хочется говорить только о важном. Один из простых методов для первичного анализа причинно-следственных связей во временных рядах – тест Грейнджера. Именно с помощью него в 1988 г. Walter N. Truman и Mark E. Fisher попытались ответить на извечный вопрос: что появилось первым, курица или яйцо? Это одна из знаковых работ в области, вдохновившая многих на дальнейшее применение и развитие методов CI. Датасет был включен в стандартные библиотеки python и R, так что результаты можно легко воспроизвести и сейчас. Для исследования были взяты данные по производству яиц и численности кур с 1930 г. по 1983 г. Причем авторы позаботились и о коррекции выборки на коммерческих бройлеров, чтобы можно было назвать выборку репрезентативной для исследования. По результатам был сделан вывод о том, что яйца являются причиной по Грейнджеру для кур, а наоборот, гипотеза неверна – куры не являются причиной по Грейнджеру для яиц. В качестве продолжения применения метода авторы предложили исследовать следующие факты: - Хорошо смеется тот, кто смеется последним - Погибели предшествует гордость, а падению предшествует надменность Вот так. Используйте методы CI для правильных вопросов. *** Немного подробнее о тесте Грейнджера Тест Гренджера базируется на построении регрессии предполагаемой зависимой переменной Y на собственные предшествующие значения и предшествующие значения предполагаемого фактора Х c помощью верификации нулевой гипотезы об одновременной незначимости или равенстве нулю коэффициентов при последних [Granger, 1969]. В случае отвержения нулевой гипотезы, можно сделать вывод о наличии причинности по Гренджеру между рассматриваемыми рядами. Тест также включает в себя проверку обратной взаимосвязи и проверку устойчивости выводов относительно числа используемых лагов для вычисления предшествующих значений переменной. Результаты последнего могут отличаться при изменении числа включаемых в анализ лагов. Корректное проведение теста возможно только для стационарных временных рядов. Положительный результат теста на причинность по Гренджеру не обязательно означает наличие истинной причинно-следственной связи. Последняя должна быть обязательно подтверждена теоретическими предпосылками, а также может быть дополнительно проверена с помощью другого статистического инструментария, который к 2021 г. значительно продвинулся.

Новый телеграм канал от Дмитрия Колодезева и Ирины Голощаповой, авторов треков Interpretable & Causal ML. Обязательно подпишитесь, это очень полезный контент. @reliable_ml

🧞‍♂️ ВИДЕО с ML in Marketing Meetup Совместный митап @leanDS и @MLinMarketing 📋 Тема: Ускорение A/Б тестов линейными методами: сравнительный анализ 📋 Описание: Задача ускорения А/Б тестов ( a.k.a. повышения чувствительности ) является одной из самых актуальных в индустрии. К наиболее удобным методами ускорения А/Б тестов, статистические свойства которых можно вывести аналитически, относятся линейная регрессия и методы на остатках, например, CUPED. Однако, некоторые реализации этих методов и, в частности, реализации CUPED'a, незаметно приводят к очень нежелательным последствиям - оценки получаются смещёнными, т.е. результаты A/Б теста искажаются и перестают отражать реальность на ограниченном количестве данных. — — — 🎤 Спикер: Ваагн Минасян, Lead Data Scientist at X5 Retail Group 🎬 Видео 📥 Презентация — — — Кстати, вопросы по докладу можно задавать тут же в комментариях ;) — — — Тут же в комментариях опубликовали запись с QnA сессии, ее нет на youtube

» Сегодня смотрим доклад про А/Б тестирование Спикер: 🎤 Ваагн Минасян, Lead Data Scientist at X5 Retail Group Начинаем через 30 минут! 🙂 Ссылочка на вход у всех на почте. Регистрация тут Подключайтесь!

Всем привет! В эту пятницу (3.12) проведем совместный online митап (@leands и @mlinmarketing) 🔥 Доклад про ускорение А/Б тестов 🔸20:00 - 21:00 🎤 Ваагн Минасян, Lead Data Scientist at X5 Retail Group 📋 Ускорение A/Б тестов линейными методами: сравнительный анализ 📋 Задача ускорения А/Б тестов ( a.k.a. повышения чувствительности ) является одной из самых актуальных в индустрии. К наиболее удобным методами ускорения А/Б тестов, статистические свойства которых можно вывести аналитически, относятся линейная регрессия и методы на остатках, например, CUPED. Однако, некоторые реализации этих методов и, в частности, реализации CUPED'a, незаметно приводят к очень нежелательным последствиям - оценки получаются смещёнными, т.е. результаты A/Б теста искажаются и перестают отражать реальность на ограниченном количестве данных. — — — 🗓 03 декабря, начало в 20:00 мск, Пятница 🌐 ОНЛАЙН Регистрация на мероприятие тут Добавляйте в календарь, ссылка придет на почту перед началом митапа

Этот день настал!🎉 Рады представить вам первое видео нашего курса. Оно уже доступно на страничке курса!😎 Основные ссылки: • Страничка курса: https://ods.ai/tracks/uplift-modelling-course • Новостной канал: https://t.me/uplift_modelling • Чат в телеграме: https://t.me/uplift_course_chat • Чат в slack ods: #course_uplift_modelling Присоединяйтесь в каналы и чаты, следите за анонсами и задавайте ваши вопросы!😉

На нашей платформе ods.ai стартовал курс по uplift моделированию🚀 Максим Шевченко, Святослав Гулаков и Ирина Елисова подготовили простой и понятный контент:  • где и в каких кейсах лучше всего использовать uplift модели; • как собрать обучающую выборку для аплифт модели; • как провести AB-тест; • основные подходы аплифт моделирования и метрики качества. Также на практике с помощью библиотеки sklift рассмотрим, как обучать модели и оценивать метрики качества. Подключайтесь, вводное видео уже на платформе! Канал курса: #course_uplift_modelling

🧞‍♂️ ВИДЕО с ML in Marketing Meetup Совместный митап @leanDS и @MLinMarketing 📋 Тема: 13 способов ускорить А/В тест, или "Не CUPED-ом единым" 📋 Описание: Многие аналитики для ускорения А/В тестов в первую очередь используют достаточно сложные статистические приемы (например, CUPED). Однако существует огромное множество более простых и эффективных способов ускорить А/В тесты. Мы обсудим 13 таких способов: от улучшения процесса дизайна теста до применения стат критерия и финального принятия решения о выкатке фичи. А также оценим потенциальный trade-off эффект-затраты от внедрения каждого из способов. 🎤 Спикер: Иван Максимов, Data Science Team Lead at Delivery Club - автор тг канала @ml4value 🎬 Видео 📥 Презентация — — — Кстати, вопросы по докладу можно задавать тут же в комментариях ;) — — — Тут же в комментариях опубликовали запись с QnA сессии, ее нет на youtube

🧞‍♂️ ВИДЕО с ML in Marketing Meetup @MLinMarketing 📋 Тема: Разбор главной конференции по рексистемам RecSys 2021 📋 Описание: Расскажу о том, что было в этом году на RecSys, какие были интересные статьи, расскажу подробнее про некоторые из них: - предсказание пользовательских кликов на управляющие элементы на мобилках от Google Research с трансформерами под капотом - решение проблем повторяющегося потребления и динамической доступности айтемов на примере twitch - разбор честности экспериментов в SOTA статьях при использовании разных стратегий сэмплирования - решение задачи подбора релевантной музыки через диалог с голосовым помощником от Amazon 🎤 Спикер: Андрей Кузнецов, Machine Learning Engineer at Одноклассники - автор статей про RecSys на хабр 🎬 Видео 📥 Презентация — — — Кстати, вопросы по докладу можно задавать тут же в комментариях ;) — — — Тут же в комментариях опубликовали запись с QnA сессии, ее нет на youtube

» Сегодня смотрим доклад про А/Б тестирование Спикер: Иван Максимов, - Data Science Team Lead at Delivery Club - автор телеграм канала @ml4value Начинаем через 5 минут! 🙂 Ссылочка на вход у всех на почте. Регистрация тут Подключайтесь!