ML в маркетинге: как модели делают банк более чутким к негативу

Низкий аплифт может быть и не связан с негативом. Но высокий аплифт, кажется, должен подразумевать отсутствие негатива.

Если в вашем подходе сначала отобрать аудиторию с помощью аплифт модели, а потом применить модель негатива, то будет очень странно обнаружить там людей с высокой вероятностью отказа.

ML в маркетинге: как модели делают банк более чутким к негативу

А при планировании маркетинговых кампаний у вас не используются uplift модели? По идее, отбирая с их помощью наиболее оптимальных клиентов для воздействия, мы заодно и сокращаем контакты с теми, кто этого не желает.

ML в маркетинге: как модели делают банк более чутким к негативу

А как данная модель используется непосредственно в бизнес-целях? Определяете, как часто отправлять клиенту маркетинговые предложения?

Быстрая Data Quality проверка на базе алгоритма adversarial validation

Catboost и xgboost, кажется, имеют спарковские реализации. Почему используете UDF?

Разбираемся в ROC и AUC

>>Кривая ROC – это график, который иллюстрирует производительность классификационной модели при всех возможных порогах классификации

>>При использовании ROC кривой важно помнить, что ее форма зависит от выбора порогового значения классификации

Проясните, пожалуйста, последнее утверждение. Как форма кривой может зависеть от выбора порога, если она строится при всех возможных порогах?

Генеративные рекомендательные системы: как мы научились предсказывать заказы пользователей

На мой взгляд было бы интересно также в результатах увидеть как сильно улучшились мл или бизнес метрики. Особенно по сравнению с базовыми моделями

Использование ML для прогнозирования CLTV

Спасибо, интересная статья. Про ML модели рассказали подробно, но почему-то не рассказали, как хорошо все эти модели решают конечную задачу прогнозирования CLV из заголовка. Если не секрет, расскажите каких объёмов получаются обучающие выборки? Почему используете catboost, а не бустинги на спарке?

Как мы катили roBERT'у в прод по полю граблей

Спасибо, отличная статья. Вопрос немного не по теме: как проверить статистическую значимость улучшений в случае больших языковых моделей? Или в данном случае ресурсы позволяют выполнить большое количество валидаций для получения удовлетворяющего доверительного интервала?

ML-подходы по поиску похожих изображений

Я правильно понимаю, что если использовать фото, которого нет в базе банка (например любые генерации лиц), то модель становится бесполезна?