Нашли сезонные товары по которым есть большая история (2 года) и с помощью их обучили алгоритм на другие товары

Примеры найденных кластеров. Вот этот волосатый график - про новогодние.

Чем дальше в лес, чем позже вылез или как random forest метод показал вполне приличный результат, другие просто не понадобились.

В общем МАРЕ (...Р - percentage) стало на 10% лучше, а ручного труда меньше. Ёлки в январе больше не заказываем.

Я не знаю почему такая высокая интерференция на фотках, конфа не про физику.

Будут слайды в PDF. Идея предыдущей картинки - разница в МАЕ микроскопическая, но правая модель значитеьно лучше покрывает дорогие товары (которых мало) поэтому она значительно лучше!

Ошибки всё еще будут, их не избежать. Но мы будем знать их масштаб и готовиться к этому.

Формула успеха.

Как оптимизировать цены? Самый важный вопрос для e-commerce.

Используя оптимизацию повысили оборот для проанализированных товаров на 3.5%! Но ...

...неизвестно, не повлиял ли этот рост выбранных товаров на падение оборотов в невыбранных? Мы не знаем пока, но считаем. Когда посчитаем - сообщим :)

... но не факт, что поможет другому проекту. Проверяйте. Одна из настроек не документирована с 2016.

Важно. Запускайте репартиционирование ваших таблиц после их наполнения. Это сильно увеличит скорость обработки.

Больше настроек богу настроек!

Меньше ресурсов используем! Памяти в 10 раз меньше даже.

Доклад закончен. Всем спасибо!

Интересный вопрос из зала: Делали ли А/В тест? Часть товаров по прогнозу подсчитанному моделью, часть - по "простому прогнозу".
Ответ: нет, не делали, было бы интересно, хотя и элемент случайности очень велик.

а вот и #презентация