О том, как мы убили классический A/B тест в ценообразовании.

О том, как мы убили классический A/B тест в ценообразовании.

Раньше тратили бюджет на пилоты, просто разбрасывая скидки рандомно. Это дорого: либо сливали маржу, либо теряли юзеров. Перешли на Contextual Bandits. Суть: классическое exploration для 100% базы нужно только на старте. Дальше мы запускаем exploitation практически сразу, оставляя рандомизацию лишь для малой доли пользователей, чтобы поддерживать баланс исследования и использования. Модель обучается «на лету», без переобучения по батчам. Мониторим дрейф через ковариационную матрицу (Thompson Sampling), а не ждем отчет раз в месяц.

Нюанс: готовых библиотек под бизнес-задачи нет. Пришлось писать свой пайплайн с нуля (линейные модели + AirFlow). Для Middle/Senior DS — задача на пару спринтов, но без готовых решений.

Главный лимит бандитов — они оптимизируют шаг вперед, а не LTV. Клиент может купить сегодня и уйти завтра. Поэтому наш следующий шаг — Reinforcement Learning для построения долгосрочной стратегии.

Хотите разобрать архитектуру, пайплайн и подводные камни внедрения RL?
Приходите на MF Spark Camp. Никаких лекций, только хардкорный нетворкинг и разбор полетов у костра.

📅 29 июля, Москва, м. Тургеневская.
🔗 **Залетай - **регистрация