№27: ML В E-commerce Для Ціноутворення Опівночні Балачки podcast

2y ago 1:39:55

اشتراک گذاری

محتوای ارائه شده توسط Денис, Ігор, Саша. تمام محتوای پادکست شامل قسمت‌ها، گرافیک‌ها و توضیحات پادکست مستقیماً توسط Денис, Ігор, Саша یا شریک پلتفرم پادکست آن‌ها آپلود و ارائه می‌شوند. اگر فکر می‌کنید شخصی بدون اجازه شما از اثر دارای حق نسخه‌برداری شما استفاده می‌کند، می‌توانید روندی که در اینجا شرح داده شده است را دنبال کنید.https://fa.player.fm/legal

🔞 Тут будуть матюки 🔞

В гостях – Дмитро Ткаченко

Робочі посилання і коментарі в каналі https://t.me/midnight_chatter

0:00-0:30 Дисклеймер
0:30-2:05 Книга з Амазона за 23 млн $. Про що цей епізод
2:05-5:20 Динаміка E-commerce останніми роками
5:20-11:36 E-commerce агрегатори: що це і як вони працюють?
11:36-14:28 Як агрегатори обирають, які бізнеси придбати? Тех нічні виклики аналітики
14:28-20:56 Як нам визначити, за якою ціною продавати наш продукт: базові економічні матерії
20:56-23:22 Про що мовчить базова модель: зміни реального світу з часом та поведінкова економіка
23:22-28:44 Як максимізувати прибуток? Відповідь зарита десь у еластичності попиту, але спочатку визначимо, що це таке. Еластичні і нееластичні товари
28:44-32:24 Але як порахувати еластичність попиту? Чому просту теоретичну формулу не так-то і просто обрахувати на практиці?
32:24-36:26 Отримуємо дані для обрахування еластичності: A/B тести і "натуральні" експерименти. Агрегація сигналів по товарам тієї ж категорії
36:26-38:40 Знову про економічну теорію: що таке крос-еластичність
38:40-48:17 Розчехляємо ML: чим корисні CV і NLP для цих задач? Моделюємо еластичність попиту. Лінійна регресія. Causal inference. Confounding factors
48:17-1:00:20 Fixed effects model. Demeaning / log-трансформації. Як від коефіцієнтів моделі переходимо до еластичності попиту
1:00:20-1:09:20 От порахували ми еластичність попиту, що далі? Визначення оптимальної ціни. І як для різних обставин ми маємо різні точки оптимальності
1:09:20-1:10:00 Інтерлюдія про посилання, що можна знайти в нашому телеграмі
1:10:00-1:22:08 Як визначати якість наших моделей? Хитрощі для проведення A/B тестів з цінами
1:22:08-1:29:10 2х ступеневий підхід для кейсів, коли даних недостатньо, а вирахувати еластичність хочеться – R-learner підхід
1:29:10-1:31:15 Аномальність історичних даних останніми роками
1:31:15-1:34:20 Чому варто почитати оригінальні пейпери?
1:34:20-1:36:47 Outro
1:36:49-1:39:39 Post-credits: підручник дрозофіл за 23 млн $

Долучайтесь:

Музика: https://www.streambeats.com/ | @stasgavrylov

47 قسمت

🔞 Тут будуть матюки 🔞

В гостях – Дмитро Ткаченко

Робочі посилання і коментарі в каналі https://t.me/midnight_chatter

0:00-0:30 Дисклеймер
0:30-2:05 Книга з Амазона за 23 млн $. Про що цей епізод
2:05-5:20 Динаміка E-commerce останніми роками
5:20-11:36 E-commerce агрегатори: що це і як вони працюють?
11:36-14:28 Як агрегатори обирають, які бізнеси придбати? Тех нічні виклики аналітики
14:28-20:56 Як нам визначити, за якою ціною продавати наш продукт: базові економічні матерії
20:56-23:22 Про що мовчить базова модель: зміни реального світу з часом та поведінкова економіка
23:22-28:44 Як максимізувати прибуток? Відповідь зарита десь у еластичності попиту, але спочатку визначимо, що це таке. Еластичні і нееластичні товари
28:44-32:24 Але як порахувати еластичність попиту? Чому просту теоретичну формулу не так-то і просто обрахувати на практиці?
32:24-36:26 Отримуємо дані для обрахування еластичності: A/B тести і "натуральні" експерименти. Агрегація сигналів по товарам тієї ж категорії
36:26-38:40 Знову про економічну теорію: що таке крос-еластичність
38:40-48:17 Розчехляємо ML: чим корисні CV і NLP для цих задач? Моделюємо еластичність попиту. Лінійна регресія. Causal inference. Confounding factors
48:17-1:00:20 Fixed effects model. Demeaning / log-трансформації. Як від коефіцієнтів моделі переходимо до еластичності попиту
1:00:20-1:09:20 От порахували ми еластичність попиту, що далі? Визначення оптимальної ціни. І як для різних обставин ми маємо різні точки оптимальності
1:09:20-1:10:00 Інтерлюдія про посилання, що можна знайти в нашому телеграмі
1:10:00-1:22:08 Як визначати якість наших моделей? Хитрощі для проведення A/B тестів з цінами
1:22:08-1:29:10 2х ступеневий підхід для кейсів, коли даних недостатньо, а вирахувати еластичність хочеться – R-learner підхід
1:29:10-1:31:15 Аномальність історичних даних останніми роками
1:31:15-1:34:20 Чому варто почитати оригінальні пейпери?
1:34:20-1:36:47 Outro
1:36:49-1:39:39 Post-credits: підручник дрозофіл за 23 млн $

Долучайтесь:

Музика: https://www.streambeats.com/ | @stasgavrylov

پادکست هایی که ارزش شنیدن دارند

Опівночні Балачки « »
№27: ML в e-commerce для ціноутворення