Редакция Нетологии собрала и кратко законспектировала самые интересные статьи по data science, выпущенные на специализированных медиаплощадках в ноябре.
Обучение в онлайн-университете: курс ““
““, vc.ru
Представитель компании Ozon Александр Алексейцев рассказал об использовании машинного обучения для управления закупками.
Чтобы управлять закупками, мы подключили data science. За годы работы у Ozon накопилось достаточно данных для использования машинного обучения. Для предсказания будущих продаж выделили 170 критериев, среди которых:
- продажа товара за прошлые недели, доступность на площадке;
- тренд недели на основе графика продаж за каждый день;
- отношение прошлой цены к будущей с учетом скидок;
- количество прямых конкурентов на сайте.
Чтобы анализировать данные о 1,2 миллионах товарах, которые пользователи ежедневно рассматривают на сайте, мы разделили их на 13 типов по аналогии с каталогом. Для каждого типа обучили модели прогноза. Обучение проходило в течение 5 суток.
На следующем этапе внесли в прогноз поправки на человеческий фактор: вовремя ли поставщики привозят товары, хватает ли их поставок, на каких условиях проходит сотрудничество.
Получился алгоритм, который выбирает поставщиков для каждого товара, прогнозирует объем продаж и формирует заявки на закупку. Ежедневно менеджеры отдела закупок получают готовые таблицы с заказами. Так мы отошли от хранения огромных объемов на складе и перешли на цикличные закупки – закупаем столько товара, сколько по прогнозу купят на следующей неделе.
““, habr.соm
На сайте гипермаркета “Лента” запустили , в котором говорящая шляпа из Гарри Поттера распределяет по факультетам участников, предоставивших доступ к своим соцсетям. Разработчики компании Open Data Science повторили проект и опубликовали результаты .
- Разработчики сформулировали задачу – распределять участников на один из четырех факультетов по их имени и фамилии.
- Выбрали алгоритмы машинного обучения: нейронные сети, линейную регрессию, факторизационные машины, SVM.
- Собрали данные для анализа из .
- Изучили собранные данные.
- Обучили алгоритмы по схеме: сделать предсказание оценить ошибку внести поправку в параметры повторять предыдущие шаги до тех пор, пока процесс не остановится или не закончатся данные оценить качество модели.
- Протестировали результаты.
- Упаковали модель в удобный интерфейс, подготовили к использованию в любой среде без долгой настройки.
““, habr.соm
Виктор Кантор опубликовал подробное объяснение, как разработчики используют машинное обучение для прогноза времени подачи автомобиля.
Когда машина назначена, для прогноза времени ожидания ETA в Яндексе используют роутинг Яндекс.Карт и время при движении по оптимальному пути. До заказа ETA прогнозируют при помощи машинного обучения: составляют выборку с объектами и правильными ответами, обучают алгоритм угадывать ответ по признакам объекта. Как признаки используют числовые параметры, известные до заказа:
- количество пользователей рядом с пином – точкой, куда вызывают машину;
- количество водителей рядом;
- расстояние до ближайших автомобилей и прочие.
В компании использовали машинное обучение для прогноза ЕТА, чтобы предоставлять пользователям достоверные данные. После А/В-теста выяснилось, что вложения в проект целесообразны, так как после внедрения более точного прогноза выросла конверсия из заказа в поездку и из пользовательской сессии в заказ.
Читать еще: ““
Мнение автора и редакции может не совпадать. Хотите написать колонку для “Нетологии”? Читайте наши . Чтобы быть в курсе всех новостей и читать новые статьи, присоединяйтесь к .