Технологии машинного обучения приводят к постепенной трансформации сферы маркетинга, и первыми потенциал big data осознали крупные корпорации. Дискуссия даст взгляд на проблему со стороны бизнеса: руководитель отдела интернет-маркетинга Hoff (Марина Ковпак) и CEO Retail Rocket (Николай Хлебинский) расскажут, какой запрос на data science есть у крупных компаний, какими инструментами автоматизации маркетинга бизнес уже пользуется, а о чем пока только мечтает. Модератор дискуссии— Александр Иванов, руководитель отдела маркетинговых исследований и аналитики в Яндексе.

Поговорим о том, чем машинное обучение может помочь в маркетинге и развитии бизнеса. Покажем примеры применения и расскажем, как мы сами используем ML для построения моделей на данных Яндекс.Метрики.

Нашим клиентам важно знать, какая часть посетителей выполнит целевое действие и сколько денег это принесет. А в идеале — как использовать это знание в рекламе. Мы покажем, как шаг за шагом изучали потенциальных покупателей и к каким результатам это привело.

Подробно расскажу о том, как работает автотаргетинг в Директе, какую задачу мы перед собой ставили и что из этого получилось. Будет немного цифр о том, каких результатов удалось достичь за полгода работы в боевом режиме, и пара слов о дальнейших планах.

«Многорукие бандиты» — это метод тестирования гипотез, который, в отличие от AB-тестирования, позволяет автоматически оптимизировать выигрыш сразу после начала эксперимента. Мы остановились на них, потому что требовалось проверять сразу много разных гипотез, автоматически отбрасывая совсем плохие.

В докладе расскажу о том, как применять бандитов для различных задач и как они помогают нам улучшать качество рекомендаций похожих объявлений на карточке товара. Также расскажу об архитектуре сервиса рекомендаций похожих объявлений, сложностях и проблемах в процессе его построения.

Благодаря прогрессу машинного обучения в обработке естественного языка, распознавании и синтезе речи, стало возможно автоматизировать голосовые взаимодействия. В ряде случаев оператора специализированного колл-центра уже сегодня можно заменить роботизированной системой — особенно в областях, где общение фактически ограничено скриптами.

Однако между лабораторными результатами и продакшн-решением лежит целый ряд сложных инженерных задач. Вы узнаете о технологической начинке «робота-коллектора», об истории проекта и его бизнес-результатах.

Расскажем, как объединённые несемплированные данные делают маркетинг М.Видео эффективнее. На реальных кейсах мы покажем, как возникает симбиоз маркетинговой ценности и технического подхода: что получает бизнес и какие технологии этому способствуют.

Обсудим:

• Что такое Google BigQuery и как он помогает в объединении онлайн-данных и офлайн-данных.
• Google Data Prep. Как обработать и подготовить большие объемы данных к анализу.
• Кейсы М.Видео: как повысить эффективность маркетинга, анализируя омниканальные взаимодействия с клиентом.

Расскажу о том, с какими интересными случаями можно столкнуться при построении Data Science — процессов в большой корпорации. Приведу примеры самых приоритетных задач, которые стоят перед офлайн-ритейлером и расскажу про три недавних кейса Х5: предсказание оборота магазина, повышение лояльности клиентов и кластеризация клиентов по чекам.