Data Science Meetup #3 от Alfa Digital

Schedule

Закрытая панельная дискуссия «Особенности разработки и применение моделей CLTV»

ВИТАЛИЙ КОРЖИК Руководитель проекта LTV в Альфа-Банке САЛАВАТ МУЛЛАБАЕВ Руководитель департамента «Управление ценностью клиента», билайн

Побеждаем рутину в Data Science

ЕВГЕНИЙ СМИРНОВ Амбассадор Альфа-Банка, Chief Data Scientist, автор канала Нескучный Data Science, MIPT alumni

Data Science оптимизирует рутину в бизнес-процессах, тем не менее редко внутренние процессы работы дата сайентиста обходятся без нее. Многие компании используют следующую житейскую мудрость: «хочешь больше продуктов с ML-компонентами — найми больше дата сайентистов». В докладе пойдет речь, как совершить переход от экстенсивного пути развития к интенсивному и наших успехах на этом тернистом пути. Приятным бонусом, переход поможет сделать профессию дата сайентиста более уважаемой как для программистов, так и для исследователей.

Прогнозные модели для расчёта CLTV Розничного Клиента

ИГОРЬ ДОЙНИКОВ Chief Data Scientist, Руководитель продвинутой аналитики Розничного бизнеса, Альфа-Банк

Постановка бизнес задачи. Как разработать несколько десятков моделей за короткий срок. Feature Store для Розничного клиента Банка. Как развиваем и как используем. Какие получились модели и с какими проблемами столкнулись. Бизнес Кейсы использования CLTV.

Комплексный подход к решению задачи CLTV

МАРИЯ САМОДЕЛКИНА Старший специалист по интеллектуальному анализу данных, Альфа-Банк

Почему нельзя сделать прогноз с помощью одной модели. Как превратить набор продуктовых моделей склонности и оттоков в полноценный инструмент прогнозирования продуктового состояния клиента. На какие метрики нужно ориентироваться при оценке ожидаемого CLTV или как убедиться, что CLTV работает.

Как промышленная инфраструктура помогает решать бизнес задачи моделирования «под ключ»

ПАВЕЛ НИКОЛАЕВ Начальник Управления, Управление технологий машинного обучения, Альфа-Банк

Для чего нужен Feature Store. Кто является пользователем Feature Store. Основные функциональные компоненты Feature Store. Потенциал для развития Feature Store. Уровни зрелости Feature Store в разрезе потребностей команд data scientist-ов.

Что такое MLOps и как мы внедряли каскады моделей

АЛЕКСАНДР ЕГОРОВ Middle MLOps, Альфа-Банк

Что такое MLOps. Какие есть отличия между MLOps и DevOps. Основные инструменты MLOps инженера. Как мы строили пайплайн для запуска моделей. Будущее каскадов. Разбор полётов.