Комментарии 8
Почему у вас машинное обучение находится внутри аналитики? можете пояснить, какая за этим мотивация?
Привет! Отличный вопрос. Решение о том, где должна находиться команда по машинному обучению — в аналитике или в разработке — зависит от специфики и целей компании, а также текущей структуры, опыта руководителей. Мы решили оставить команду ML в аналитике по следующим причинам:
Кросс-функциональные команды: размещение команды ML в аналитике облегчает формирование кросс-функциональных команд, включающих аналитиков и разработчиков. Это улучшает коммуникацию, позволяет объединить экспертизу из разных областей и ускоряет процесс разработки и внедрения моделей. Например, мы это видим уже сейчас, когда решаем задачи матчинга товаров или делаем прогнозы спроса.
Прицел на бизнес: аналитики ближе к бизнесу, что позволяет команде ML создавать модели, решающие конкретные бизнес-задачи с лучшей эффективностью. Это помогает более точно понимать потребности бизнеса и быстрее адаптировать модели под текущие задачи.
Фокус на данные: команды аналитики глубоко понимают данные, что критично для создания и тренировки моделей. Это также позволяет эффективно прорабатывать новые идеи и гипотезы.
Опыт прошлых команд: основываясь на нашем опыте, наиболее продуктивно работала схема, когда команда ML была внутри аналитики. Это позволило добиться лучших результатов за счет тесного взаимодействия с аналитиками и более глубокого погружения в данные.
Стоит отметить, что команда ML, конечно, очень тесно связана и с продуктом, и с разработкой. Такое взаимодействие важно для интеграции моделей в продукты и обеспечения их стабильной работы. Однако структурно команда находится в аналитике, чтобы максимально использовать все перечисленные преимущества.
Из того, что вы пишете, явно следует, что ML делает базоые технологии, которыми пользуются все остальные. При этом ЖЦ для аналитики и ML совершенно разный. Навыки разные. В вашей конфигурации неизбежно появится желание/риск нагрузить ML-инженеров аналитическими задачами (плавали - знаем), отвлекая от более длительных исследований
А, у вас еще и DWH внутри
Такая конфигурация обычно возникает, когда дата аналитики самозарождаются в компании первыми, и еще не дозрели до выделения разных функций в самостоятельные направления
Про модель открытия новых ПВЗ в противовес "экспертному мнению" - а тесты эффективности проводились? Есть понимание, насколько количественно модель обогнала экспертов?
Привет! Спасибо за вопрос!
Да, наша модель действительно показывает себя более эффективной. На примере запуска первой тысячи точек нашего маркетплейса в Москве мы видим, что количество заказов в день на ПВЗ, открытых по нашей модели, значительно выше, чем на тех, что были открыты по "экспертной оценке".
"удалось на 25-30 % уменьшить рассогласованность действий при резком увеличении продаж... числа говорят сами за себя."
Про что в данном случае говорят цифры? Что это за метрика? Как её вообще можно почитать, а главное зачем?
Собрать команду хороших специалистов сейчас непросто, понадобится немало времени на поиск
вот странное явление. Молодняка всё больше, а компетенции всё ниже. Этому тренду уже лет 5-7, и с каждым годом будто бы хуже... Это так странно и грустно...
Изначально в компании работало 10 аналитиков, что для компании такого размера было совсем мало.
А сейчас-то сколько?
Как мы строим команду аналитики в «Магнит Маркете»