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.

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.

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.

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.

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.