Kantor.AI
🎲Пятница — время наших традиционных квизов. И сегодня квиз посвящён прогнозированию временных рядов. Угадывайте и пишите ваш вариант ответа в комментариях под постом ;)
#квиз
С ответом на прошлый квиз как всегда справились легко :) Пора уже переходить к менее очевидным вопросам
С ответом на прошлый квиз как всегда справились легко :) Пора уже переходить к менее очевидным вопросам
👍32🔥8
#образование
Моя история запуска школы ML
(часть 4) - с чего начинается разработка курса
В прошлый раз мы закончили на важном вопросе - с чего начинается разработка курса?📚
↪️Не буду томить: конечно же, с анализа потребностей аудитории. Для этого мы и проводили опросы перед стартом. Опрос проводился в этом канале как в основном канале привлечения слушателей на начальном этапе (дальше у нас тоже есть план, но всему свое время).
💭Честно говоря, когда я заводил телеграм-канал несколько лет назад, целью было ровно это - аккумулировать аудиторию до тех пор, пока я все-таки не решу, что именно сделать делом моей жизни дальше. Сейчас я определился со своей целью: построение экосистемы из компаний, занимающихся образованием, карьерным развитием, консалтингом, аутсорсом AI проектов и акселерацией AI-стартапов, с глобальной миссией замашинлернить весь бизнес в России и ряде соседних стран. И первый шаг к этому - школа машинного обучения MLinside.
🚀Но вернемся с небес на землю - к запуску первого курса. Мы с командой выбрали наиболее эффективный канал привлечения на старте (этот канал в tg) и начали с опроса. Он показал, что в основном у людей есть запрос на погружение в применение ML в бизнесе, в активно развивающийся сейчас Deep Learning и в конкретные узкие темы. При этом запрос на базовый ML тоже был большой. Дальше мы пересекли это с темами, по которым у нас наработано больше всего материалов сейчас (или по которым я знаю крутых преподавателей и команды, которые могут запустить классный курс). Мы учли уникальность курсов (чтобы на горизонте полугода у нас появился как минимум один флагманский курс, который пока еще не смог запустить никто, и который будет явным прорывом в обучении ML) и возникла примерная очередность запусков.
☝️Первым курсом стал базовый ML, потому что запрос на него хоть и не максимальный, но очень большой. И к нему есть очень много материалов (14+ лет только моего непрерывного преподавания студентам, сотрудникам компаний и даже школьникам, а есть еще другие преподаватели). Кроме того, более экспертные курсы точно будут создавать поток лидов и на узкие курсы, и на базовый ML. Поэтому хочется при запуске и продвижении экспертных курсов сразу иметь базовый, чтобы не терять лиды. Это мой довод за то, чтобы начинать все с начала, а не с того, что сейчас на хайпе.
Разумеется, можно сказать, что сначала нужно наоборот сделать супер-экспертные курсы, чтобы создать школе репутацию, а потом уже идти вниз по сложности и забирать рынок. Честное слово, обосновать можно все что угодно. Так что давайте остановимся на том, что первым делом мне хотелось взяться за то, что я точно могу сделать лучше всех. И опросы показали, что это не бессмысленное занятие. Даже в 2024 году, когда курсов по ML просто тьма.
📖Определившись с первым курсом, мы распараллелили процесс: набросали примерную программу с нашей экспертной точки зрения, чтобы уже собирать и дорабатывать материалы, а также продолжили заниматься кастдевом и узнавать больше о болях, потребностях и опыте наших будущих слушателей. О том, чем это закончилось, я буквально вчера рассказал в канале MLinside.
В итоге мы столкнулись с необходимостью перейти к более гибкому формату, который позволит пройти курс хоть за 2 месяца (как мы хотели изначально), хоть за 6. И опыт такого формата у меня уже был - это наша специализация «Машинное обучение и анализ данных», запущенная на Coursera Яндексом и МФТИ. Там действительно можно было все 6 курсов специализации при желании пройти хоть за неделю. Главное - успевать изучать контент и делать задания.
👥Чтобы лучше осознать и проанализировать тот опыт (очень успешный, 200+ тысяч слушателей тому подтверждение), мне теперь очень нужно опросить выпускников нашей специализации⬇️
Те, кто учился у нас на Coursera - пожалуйста, откликнитесь в комментариях к этому посту и напишите свой отзыв об этом обучении👇
Вы очень поможете появиться новому классному курсу своим фидбеком 🙂
Ну а в следующий раз я поделюсь с вами инсайтами из отзывов выпускников и тем, как они наложились на мой опыт преподавания. Поверьте, там было очень интересно!
Моя история запуска школы ML
(часть 4) - с чего начинается разработка курса
В прошлый раз мы закончили на важном вопросе - с чего начинается разработка курса?📚
↪️Не буду томить: конечно же, с анализа потребностей аудитории. Для этого мы и проводили опросы перед стартом. Опрос проводился в этом канале как в основном канале привлечения слушателей на начальном этапе (дальше у нас тоже есть план, но всему свое время).
💭Честно говоря, когда я заводил телеграм-канал несколько лет назад, целью было ровно это - аккумулировать аудиторию до тех пор, пока я все-таки не решу, что именно сделать делом моей жизни дальше. Сейчас я определился со своей целью: построение экосистемы из компаний, занимающихся образованием, карьерным развитием, консалтингом, аутсорсом AI проектов и акселерацией AI-стартапов, с глобальной миссией замашинлернить весь бизнес в России и ряде соседних стран. И первый шаг к этому - школа машинного обучения MLinside.
🚀Но вернемся с небес на землю - к запуску первого курса. Мы с командой выбрали наиболее эффективный канал привлечения на старте (этот канал в tg) и начали с опроса. Он показал, что в основном у людей есть запрос на погружение в применение ML в бизнесе, в активно развивающийся сейчас Deep Learning и в конкретные узкие темы. При этом запрос на базовый ML тоже был большой. Дальше мы пересекли это с темами, по которым у нас наработано больше всего материалов сейчас (или по которым я знаю крутых преподавателей и команды, которые могут запустить классный курс). Мы учли уникальность курсов (чтобы на горизонте полугода у нас появился как минимум один флагманский курс, который пока еще не смог запустить никто, и который будет явным прорывом в обучении ML) и возникла примерная очередность запусков.
☝️Первым курсом стал базовый ML, потому что запрос на него хоть и не максимальный, но очень большой. И к нему есть очень много материалов (14+ лет только моего непрерывного преподавания студентам, сотрудникам компаний и даже школьникам, а есть еще другие преподаватели). Кроме того, более экспертные курсы точно будут создавать поток лидов и на узкие курсы, и на базовый ML. Поэтому хочется при запуске и продвижении экспертных курсов сразу иметь базовый, чтобы не терять лиды. Это мой довод за то, чтобы начинать все с начала, а не с того, что сейчас на хайпе.
Разумеется, можно сказать, что сначала нужно наоборот сделать супер-экспертные курсы, чтобы создать школе репутацию, а потом уже идти вниз по сложности и забирать рынок. Честное слово, обосновать можно все что угодно. Так что давайте остановимся на том, что первым делом мне хотелось взяться за то, что я точно могу сделать лучше всех. И опросы показали, что это не бессмысленное занятие. Даже в 2024 году, когда курсов по ML просто тьма.
📖Определившись с первым курсом, мы распараллелили процесс: набросали примерную программу с нашей экспертной точки зрения, чтобы уже собирать и дорабатывать материалы, а также продолжили заниматься кастдевом и узнавать больше о болях, потребностях и опыте наших будущих слушателей. О том, чем это закончилось, я буквально вчера рассказал в канале MLinside.
В итоге мы столкнулись с необходимостью перейти к более гибкому формату, который позволит пройти курс хоть за 2 месяца (как мы хотели изначально), хоть за 6. И опыт такого формата у меня уже был - это наша специализация «Машинное обучение и анализ данных», запущенная на Coursera Яндексом и МФТИ. Там действительно можно было все 6 курсов специализации при желании пройти хоть за неделю. Главное - успевать изучать контент и делать задания.
👥Чтобы лучше осознать и проанализировать тот опыт (очень успешный, 200+ тысяч слушателей тому подтверждение), мне теперь очень нужно опросить выпускников нашей специализации⬇️
Те, кто учился у нас на Coursera - пожалуйста, откликнитесь в комментариях к этому посту и напишите свой отзыв об этом обучении👇
Вы очень поможете появиться новому классному курсу своим фидбеком 🙂
Ну а в следующий раз я поделюсь с вами инсайтами из отзывов выпускников и тем, как они наложились на мой опыт преподавания. Поверьте, там было очень интересно!
Telegram
Kantor.AI
#образование
Моя история запуска школы ML (3 часть) - об организационных этапах открытия бизнеса📑
👉Итак, я нашел первых преподавателей, Савелий познакомил меня с Марией - менеджером нашего проекта, ядро команды было в сборе. Начались регулярные созвоны.…
Моя история запуска школы ML (3 часть) - об организационных этапах открытия бизнеса📑
👉Итак, я нашел первых преподавателей, Савелий познакомил меня с Марией - менеджером нашего проекта, ядро команды было в сборе. Начались регулярные созвоны.…
❤18🔥7👍4
#карьера
Как вы помните, недавно мы с командой выложили на youtube-канал MLinside интервью с одним из преподавателей нашей школы ML и CDO Яндекс.Еды, Ильей Ирхиным.
В комментариях слушателей неизбежно беспокоило, что в ролике мы не озвучиваем зарплаты и вообще мало говорим про деньги💰
Чтобы удовлетворить этот интерес, показываю восстановленное по опросу в этом канале распределение зарплат джунов, миддлов и синьоров в Data Science👇
Надеюсь, что эти распределения будут вам полезны и помогут понять, чего ожидать на каждом этапе :)
Disclaimer: помните, что когда вы только переходите на какой-то грейд, скорее всего вы будете в нижней части распределения по зарплате, и это нормально. Но по мере набора опыта и повышений зарплаты ваше положение в общей статистике будет ожидаемо улучшаться.
Как вы помните, недавно мы с командой выложили на youtube-канал MLinside интервью с одним из преподавателей нашей школы ML и CDO Яндекс.Еды, Ильей Ирхиным.
В комментариях слушателей неизбежно беспокоило, что в ролике мы не озвучиваем зарплаты и вообще мало говорим про деньги💰
Чтобы удовлетворить этот интерес, показываю восстановленное по опросу в этом канале распределение зарплат джунов, миддлов и синьоров в Data Science👇
Надеюсь, что эти распределения будут вам полезны и помогут понять, чего ожидать на каждом этапе :)
Disclaimer: помните, что когда вы только переходите на какой-то грейд, скорее всего вы будете в нижней части распределения по зарплате, и это нормально. Но по мере набора опыта и повышений зарплаты ваше положение в общей статистике будет ожидаемо улучшаться.
❤18👍9🙏4
#подкаст
А пока подсвечу еще один классный выпуск из первого сезона - с СТО Ozon Антоном Степаненко
Два наиболее важных для меня тезиса из интервью:
🏋️ Главное качество руководителя - воля
🥮 Интеллектуальный труд у людей гораздо лучше получается в blameless культуре
А пока подсвечу еще один классный выпуск из первого сезона - с СТО Ozon Антоном Степаненко
Два наиболее важных для меня тезиса из интервью:
🏋️ Главное качество руководителя - воля
🥮 Интеллектуальный труд у людей гораздо лучше получается в blameless культуре
Yandex Music
Наука. Команда. Blameless культура.
❤18👍4🔥1👌1
А поделитесь в комментах историями, кто смог устроиться в Data Science, не имея высшего физмат образования. Знаю геолога, химика, экономиста и филолога, интересно, кто еще бывает :)
❤7💩6
#образование #игры
Обучающие игры (часть 1)
Год или два назад мы уже поднимали тут тему обучения в играх, давайте снова к ней вернемся.
⚠️ Накидайте в комменты образовательно полезные игры, которые лично вам нравятся (можно инди, можно и созданные игровыми студиями :)
Мой пример - Timeflow, которая есть и на мобильных устройствах, и в Steam, и на мой взгляд оказалась очень поучительной, т.к. позволяет пройти через много довольно жизненных ситуаций. Не является рекламой, я искренне залип в нее наверно больше, чем на 100 часов.
⏰ Широко известные монополия и сashflow Роберта Кийосаки не учитывают один важный момент: ограниченность времени игрока на заработки. Несложно становиться магнатом, когда у тебя бесконечное количество часов в сутках. В качестве ответа некие российские разработчики (я думаю даже разработчиК, потому что на вид игра та еще индюшатина, но это этого ничуть не хуже) выпустили Timeflow. По сути это такая настолка в компьютерном исполнении, которая помимо денег добавляет в cashflow-подобную игру несколько аспектов: время, настроение и стресс.
В начале игры вы выбираете персонажа. Кто хочет получше его прокачать, может выбрать 18-летнего студента, у которого все впереди. А кто хочет хардкор, может вывести на финансовую независимость медработника или работягу с завода, которым на старте денег едва хватает. Также вы выбираете «финансовую мечту» (обеспеченные дети, полет в космос, квартира в столице, остров - на что хватит наглости)). Цель игры - до пенсии (65 лет) достричь определенного уровня активов и соотношения денежного потока и расходов, оставив себе кучу свободного времени и успев исполнить «мечту».
В игре есть 5 уровней сложности, они зависят от персонажа, плюс если вы выиграли, но нажимаете «продолжить» - сложность повышается. На пятой сложности («хардкор») в игровом мире вообще не происходит позитивных событий, но выиграть все равно можно.
Другая такая образовательно полезная игрушка, недавно занявшая место в моем сердце, это Crusader Kings, но о ней в другой раз :)
Обучающие игры (часть 1)
Год или два назад мы уже поднимали тут тему обучения в играх, давайте снова к ней вернемся.
⚠️ Накидайте в комменты образовательно полезные игры, которые лично вам нравятся (можно инди, можно и созданные игровыми студиями :)
Мой пример - Timeflow, которая есть и на мобильных устройствах, и в Steam, и на мой взгляд оказалась очень поучительной, т.к. позволяет пройти через много довольно жизненных ситуаций. Не является рекламой, я искренне залип в нее наверно больше, чем на 100 часов.
⏰ Широко известные монополия и сashflow Роберта Кийосаки не учитывают один важный момент: ограниченность времени игрока на заработки. Несложно становиться магнатом, когда у тебя бесконечное количество часов в сутках. В качестве ответа некие российские разработчики (я думаю даже разработчиК, потому что на вид игра та еще индюшатина, но это этого ничуть не хуже) выпустили Timeflow. По сути это такая настолка в компьютерном исполнении, которая помимо денег добавляет в cashflow-подобную игру несколько аспектов: время, настроение и стресс.
В начале игры вы выбираете персонажа. Кто хочет получше его прокачать, может выбрать 18-летнего студента, у которого все впереди. А кто хочет хардкор, может вывести на финансовую независимость медработника или работягу с завода, которым на старте денег едва хватает. Также вы выбираете «финансовую мечту» (обеспеченные дети, полет в космос, квартира в столице, остров - на что хватит наглости)). Цель игры - до пенсии (65 лет) достричь определенного уровня активов и соотношения денежного потока и расходов, оставив себе кучу свободного времени и успев исполнить «мечту».
В игре есть 5 уровней сложности, они зависят от персонажа, плюс если вы выиграли, но нажимаете «продолжить» - сложность повышается. На пятой сложности («хардкор») в игровом мире вообще не происходит позитивных событий, но выиграть все равно можно.
Другая такая образовательно полезная игрушка, недавно занявшая место в моем сердце, это Crusader Kings, но о ней в другой раз :)
🔥32❤5👍3💩3
#карьера
Печальный секрет успеха менеджеров в корпорациях
1️⃣ Мудрость и дальновидность
Всегда всем рассказывайте, как вы умны и хороши, как всё, что происходит, это ваш стратегический план. И даже если он включает ваше участие в чем-то неприятном, так это вы еще посмотрите, каково другим, им-то еще хуже, а вот вы как всегда ловко все провернули😎
2️⃣ Превосходство
Всегда удивляйтесь, какие все вокруг неумелые, непрофессиональные, тупые, ничего не делающие, непонятно за что получающие зарплату, не забывая упомянуть, что а вот вы-то Прометей наших дней💪
3️⃣ Лояльная и сильная команда
Если вы уже руководитель, не забудьте ту же операцию проводить со своими подопечными: им - дифирамбы, всех вокруг - чмырить и говорить, что ваши сотрудники в сто раз умнее (и обязательно приводить примеры)
4️⃣ Подтверждение слов делом
Примеры вашего великолепия и великолепия вашей команды приводятся очень легко: берете любой проект, где вы руками поводили и понесли бред, который нормальные спецы худо-бедно выдержали и сделали потом что-то рабочее, и конечно же всем рассказываете, что это вы лично тут строите будущее💪
Рассказывать конечно же надо не тем, кто работает, а другим «чиновникам», чтобы те, кто работает, не подняли вас такого молодца на вилы и не посваливали работать с нормальными людьми.
5️⃣ Ценность для руководства
Критически важная часть успеха - присесть со всей этой хренью на уши вашему руководству. В корпорациях людей не выбирают, а назначают, и источник власти - начальство. Только тут нужно действовать особенно лицемерно. Наверх вы только рассказываете хорошее про себя и свою команду, а говном коллег почти не поливаете (только если на общих совещаниях, где положено друг-друга разносить, и то аккуратно). А вот на своем уровне про каждого вышедшего из помещения обязательно надо лить по-полной: слабаки пусть нервничают, ошибаются и вместо работы думают только о вашей токсичности, а сильных такой фигней не смутить.
😇 Если вы следуете всем этим советам, поздравляю: вы успешный корпоративный менеджер. Главное в KPI себе добивайтесь того, что знаете, как накрутить, и благоденствие ваше будет нескончаемо.
⚠️ На самом деле, конечно, это вредные советы. Не в том смысле, что не помогут. Помогут еще как, просто выбирая линию поведения вы выбираете, кто будет вокруг вас. Если вам ок, что вокруг вас будут такие же мерзкие личности - дерзайте, если не ок - ищите другие пути.
👇Дополняйте и пишите в комментах другие вредные советы, и всем хорошей рабочей недели без вот этого всего, о чем написал выше :)
Печальный секрет успеха менеджеров в корпорациях
1️⃣ Мудрость и дальновидность
Всегда всем рассказывайте, как вы умны и хороши, как всё, что происходит, это ваш стратегический план. И даже если он включает ваше участие в чем-то неприятном, так это вы еще посмотрите, каково другим, им-то еще хуже, а вот вы как всегда ловко все провернули
2️⃣ Превосходство
Всегда удивляйтесь, какие все вокруг неумелые, непрофессиональные, тупые, ничего не делающие, непонятно за что получающие зарплату, не забывая упомянуть, что а вот вы-то Прометей наших дней
3️⃣ Лояльная и сильная команда
Если вы уже руководитель, не забудьте ту же операцию проводить со своими подопечными: им - дифирамбы, всех вокруг - чмырить и говорить, что ваши сотрудники в сто раз умнее (и обязательно приводить примеры)
4️⃣ Подтверждение слов делом
Примеры вашего великолепия и великолепия вашей команды приводятся очень легко: берете любой проект, где вы руками поводили и понесли бред, который нормальные спецы худо-бедно выдержали и сделали потом что-то рабочее, и конечно же всем рассказываете, что это вы лично тут строите будущее
Рассказывать конечно же надо не тем, кто работает, а другим «чиновникам», чтобы те, кто работает, не подняли вас такого молодца на вилы и не посваливали работать с нормальными людьми.
5️⃣ Ценность для руководства
Критически важная часть успеха - присесть со всей этой хренью на уши вашему руководству. В корпорациях людей не выбирают, а назначают, и источник власти - начальство. Только тут нужно действовать особенно лицемерно. Наверх вы только рассказываете хорошее про себя и свою команду, а говном коллег почти не поливаете (только если на общих совещаниях, где положено друг-друга разносить, и то аккуратно). А вот на своем уровне про каждого вышедшего из помещения обязательно надо лить по-полной: слабаки пусть нервничают, ошибаются и вместо работы думают только о вашей токсичности, а сильных такой фигней не смутить.
😇 Если вы следуете всем этим советам, поздравляю: вы успешный корпоративный менеджер. Главное в KPI себе добивайтесь того, что знаете, как накрутить, и благоденствие ваше будет нескончаемо.
⚠️ На самом деле, конечно, это вредные советы. Не в том смысле, что не помогут. Помогут еще как, просто выбирая линию поведения вы выбираете, кто будет вокруг вас. Если вам ок, что вокруг вас будут такие же мерзкие личности - дерзайте, если не ок - ищите другие пути.
👇Дополняйте и пишите в комментах другие вредные советы, и всем хорошей рабочей недели без вот этого всего, о чем написал выше :)
Please open Telegram to view this post
VIEW IN TELEGRAM
👍25😁22👏5❤4💯3🎅2
#ML_in_business
🏷️ Ценообразование: часть 1. Цены в такси
🧐 Рассказ про ML в ценообразовании надо бы начинать с базовых объяснений про спрос, предложение, равновесную цену и философского вопроса, насколько этично выставлять цену любой, ведь сформированный ей спрос сам вознаградит или накажет бизнес. Невидимая рука рынка и все такое.
🚕 Но кто ж дочитает такой пост до конца, если не дать хорошую затравку. И вот вам затравка. Яндекс.Такси заказывали? Повышающий коэффициент ловили? Скажите мне спасибо :) Моя работа Chief DS’ом в Такси как раз приходится на время бурного развития там surge pricing, оно же - динамическое ценообразование. Мое подразделение не было единственным участником проекта, но об этом расскажу позже, а сейчас к делу.
📍 Допустим, вы хотите вызвать такси, открываете приложение и ставите точку на карте. Мы её называем «пин» от английского “pin” - булавка или «точка А» по аналогии со школьными задачками по математике. Строго говоря, «пин» обычно говорят до заказа, но все это все равно жаргонизмы. В этот момент происходит много всего интересного, что делала моя команда MLщиков:
- вам предлагают переставить пин в удобное для вас и водителя место,
- вы видите подсказки места назначения («точки Б»), чтобы не вбивать руками,
- вам сообщают, что если пройти 30 метров, поездка выйдет дешевле,
- вам показывают ETA - estimated time of arrival водителя, хотя водитель вам еще даже не назначен (тут тоже магия ML).
🫰Но самое главное - вам показывают цену (кстати фиксированную, а не по счетчику - тоже благодаря ML).
Так как же эту цену посчитать? Чтобы ответить на этот вопрос, нужнобыть ценой, думать как цена, понять, зачем цены нужны. Раздавая свой товар бесплатно, вы разоритесь. Продавая за 100500 миллионов штука, никому не продадите. Значит, имея ограниченное количество товара, вы должны продать его подороже. Идея dynamic pricing в том, чтобы не пытаться угадать идеальную цену «навсегда», а чем меньше у вас товара осталось, тем дороже его продавать.
В такси тоже есть свой «товар» - это поездки. Чтобы нужная вам поездка произошла, нужно, чтобы нашелся готовый ее исполнить водитель с машиной.
⏱️ Теперь я предлагаю взять небольшую паузу: напишите в комментах, как бы вы сами реализовали dynamic pricing в такси, с учетом сказанных выше вводных, а дальше я расскажу вам, как в свое время это сделали мы с коллегами :)
🏷️ Ценообразование: часть 1. Цены в такси
🧐 Рассказ про ML в ценообразовании надо бы начинать с базовых объяснений про спрос, предложение, равновесную цену и философского вопроса, насколько этично выставлять цену любой, ведь сформированный ей спрос сам вознаградит или накажет бизнес. Невидимая рука рынка и все такое.
🚕 Но кто ж дочитает такой пост до конца, если не дать хорошую затравку. И вот вам затравка. Яндекс.Такси заказывали? Повышающий коэффициент ловили? Скажите мне спасибо :) Моя работа Chief DS’ом в Такси как раз приходится на время бурного развития там surge pricing, оно же - динамическое ценообразование. Мое подразделение не было единственным участником проекта, но об этом расскажу позже, а сейчас к делу.
- вам предлагают переставить пин в удобное для вас и водителя место,
- вы видите подсказки места назначения («точки Б»), чтобы не вбивать руками,
- вам сообщают, что если пройти 30 метров, поездка выйдет дешевле,
- вам показывают ETA - estimated time of arrival водителя, хотя водитель вам еще даже не назначен (тут тоже магия ML).
🫰Но самое главное - вам показывают цену (кстати фиксированную, а не по счетчику - тоже благодаря ML).
Так как же эту цену посчитать? Чтобы ответить на этот вопрос, нужно
В такси тоже есть свой «товар» - это поездки. Чтобы нужная вам поездка произошла, нужно, чтобы нашелся готовый ее исполнить водитель с машиной.
⏱️ Теперь я предлагаю взять небольшую паузу: напишите в комментах, как бы вы сами реализовали dynamic pricing в такси, с учетом сказанных выше вводных, а дальше я расскажу вам, как в свое время это сделали мы с коллегами :)
Please open Telegram to view this post
VIEW IN TELEGRAM
👍18❤7💩5
#ML_in_business
🏷️ Ценообразование: часть 2. Как мы делали dynamic pricing в Яндекс.Такси
🗓️ Во-первых, вспомним про контекст 2017 года, когда в такси появлялся ML в ценообразовании. Был ряд крупных игроков, среди которых Gett, Uber и Яндекс.Такси, которые довольно активно конкурировали. Особенно последние два. Каждый игрок на рынке имел свою тарификацию за километр и за минуту (которые постепенно у всех примерно сошлись), итоговая цена - это стоимость времени плюс стоимость расстояния.
🤔 Можно ли здесь накинуть 20% сверх вашей ценовой политики «просто так» и «потому что купят»? Скорее нет, потому что не купят. Откроют соседнее приложение и закажут там дешевле. А вот когда действительно есть простор для конкуренции, так это когда водители в районе кончились. Если вы можете увезти клиента, а конкурент нет - клиент достанется вам.
💡 Отсюда возникает идея: динамическое ценообразование должно делать так, чтобы водителей всегда хватало, т.е. срезать часть спроса. Здесь есть серьезный плюс и для клиента: если такой прайсинг работает, то клиент всегда сможет уехать на такси, пусть иногда и за дорого.
Таким образом, если водителей много, оставляем обычные цены, а вот если водителей становится меньше, чем спрос на поездки, умножаем базовую цену на повышающий коэффициент. Коэффициент должен выводить систему в состояние баланса: в пик спроса количество освобождающихся рядом водителей должно быть примерно равно количеству заказов, которые сделают в ближайшее время.
⚖️ Уравнение, которое описывает это состояние динамического равновесия (мы называли его «уравнение баланса»), можно записывать по-разному, дорабатывать и модифицировать. Этим занималась команда эффективности платформы под руководством Саши Аникина (ныне СЕО Яндекс.Go).
Моя же команда делала прогнозные ML-модели, которые были нужны для уравнения. Например, про водителей мы еще понимаем, кто и когда закончит поездку в заданном районе. А вот про пассажиров действительно нужно прогнозировать, с какой вероятностью пин превратиться в заказ (в зависимости от цены). Дальше суммируем вероятности в заданном районе, чтобы получить матожидание заказов, и подбираем такую цену, чтобы нам хватило притока водителей в район эти заказы вывезти.
Уравнение баланса можно усложнять и усложнять. Например, можно учесть, что как только водители видят сурдж на карте, они начинают специально переезжать в район подороже. Или можно добавлять вероятность того, что водитель все равно не возьмет заказ. Или вероятность отмены.
☝️Но идейно простой модели уже достаточно, чтобы решать основную задачу - всегда давать пассажиру уехать. Это когда у вас есть такси по цене х2 вы огорчаетесь. А вот я вас уверяю, если все уехали по х1, а вы просто не уедете - это куда обиднее :) Недавно попадал в такую ситуацию в другой стране, совсем не понравилось.
Задавайте в комментариях вопросы про модели ценообразования, в следующем посте я отвечу на популярные мифы и то, что еще поместится в пост :)
P.S.: скорее всего, сейчас алгоритмы уже совсем поменялись, все-таки прошло много времени и рынок теперь другой, но несколько лет с 2017 все работало как-то так
🏷️ Ценообразование: часть 2. Как мы делали dynamic pricing в Яндекс.Такси
🗓️ Во-первых, вспомним про контекст 2017 года, когда в такси появлялся ML в ценообразовании. Был ряд крупных игроков, среди которых Gett, Uber и Яндекс.Такси, которые довольно активно конкурировали. Особенно последние два. Каждый игрок на рынке имел свою тарификацию за километр и за минуту (которые постепенно у всех примерно сошлись), итоговая цена - это стоимость времени плюс стоимость расстояния.
🤔 Можно ли здесь накинуть 20% сверх вашей ценовой политики «просто так» и «потому что купят»? Скорее нет, потому что не купят. Откроют соседнее приложение и закажут там дешевле. А вот когда действительно есть простор для конкуренции, так это когда водители в районе кончились. Если вы можете увезти клиента, а конкурент нет - клиент достанется вам.
💡 Отсюда возникает идея: динамическое ценообразование должно делать так, чтобы водителей всегда хватало, т.е. срезать часть спроса. Здесь есть серьезный плюс и для клиента: если такой прайсинг работает, то клиент всегда сможет уехать на такси, пусть иногда и за дорого.
Таким образом, если водителей много, оставляем обычные цены, а вот если водителей становится меньше, чем спрос на поездки, умножаем базовую цену на повышающий коэффициент. Коэффициент должен выводить систему в состояние баланса: в пик спроса количество освобождающихся рядом водителей должно быть примерно равно количеству заказов, которые сделают в ближайшее время.
⚖️ Уравнение, которое описывает это состояние динамического равновесия (мы называли его «уравнение баланса»), можно записывать по-разному, дорабатывать и модифицировать. Этим занималась команда эффективности платформы под руководством Саши Аникина (ныне СЕО Яндекс.Go).
Моя же команда делала прогнозные ML-модели, которые были нужны для уравнения. Например, про водителей мы еще понимаем, кто и когда закончит поездку в заданном районе. А вот про пассажиров действительно нужно прогнозировать, с какой вероятностью пин превратиться в заказ (в зависимости от цены). Дальше суммируем вероятности в заданном районе, чтобы получить матожидание заказов, и подбираем такую цену, чтобы нам хватило притока водителей в район эти заказы вывезти.
Уравнение баланса можно усложнять и усложнять. Например, можно учесть, что как только водители видят сурдж на карте, они начинают специально переезжать в район подороже. Или можно добавлять вероятность того, что водитель все равно не возьмет заказ. Или вероятность отмены.
☝️Но идейно простой модели уже достаточно, чтобы решать основную задачу - всегда давать пассажиру уехать. Это когда у вас есть такси по цене х2 вы огорчаетесь. А вот я вас уверяю, если все уехали по х1, а вы просто не уедете - это куда обиднее :) Недавно попадал в такую ситуацию в другой стране, совсем не понравилось.
Задавайте в комментариях вопросы про модели ценообразования, в следующем посте я отвечу на популярные мифы и то, что еще поместится в пост :)
P.S.: скорее всего, сейчас алгоритмы уже совсем поменялись, все-таки прошло много времени и рынок теперь другой, но несколько лет с 2017 все работало как-то так
👍26❤7🔥6🤬3🤩3💩3
☺️ Выложили мой доклад на датафесте в офисе VK (секция Data Strategy). Никаких покровов не срываю, доношу очень простые мысли: зачем дата стратегия нужна, когда это бесполезная фигня, а когда хорошая тема. В комментариях можно задавать вопросы по докладу или просто так по теме.
❤️ Также рекомендую подписаться на канал Иры Голощаповой Reliable ML. Ира прекрасна тем, что всегда поднимает хорошие важные вопросы применения ML, не гонясь за сезонным хайпом. А такого в наше время, когда каждый суслик, потыкавший ChatGPT, уже сразу AI эксперт, всегда не хватает :)
❤️ Также рекомендую подписаться на канал Иры Голощаповой Reliable ML. Ира прекрасна тем, что всегда поднимает хорошие важные вопросы применения ML, не гонясь за сезонным хайпом. А такого в наше время, когда каждый суслик, потыкавший ChatGPT, уже сразу AI эксперт, всегда не хватает :)
Telegram
Reliable ML
Reliable ML - фреймворк о том, как управлять внедрением и развитием аналитики и data science/machine learning/AI, чтобы результат был применим в бизнес-процессах и приносил компании финансовую пользу.
Admin: @irina_goloshchapova @promsoft
Admin: @irina_goloshchapova @promsoft
❤15👍3👎1
Forwarded from Reliable ML
Дата-стратегия в крупной группе компаний - Секция Data Strategy - Data Fest 2024
Обсуждение доклада Виктора Кантора, ex-CDO MTS, founder MLinside
В этом году на Data Fest мы с Димой провели экспериментальную секцию - Data Strategy. Тем самым расширили охват тем, обсуждаемых на фесте, добавив к data science проблематике историю с построением и развитием команд данных.
Опыт считаем успешным - запрос стратегического взгляда на дата-офисы оказался большим. Секция собрала аншлаг участников и после каждого доклада были интереснейшие обсуждения, которые потом продолжились на афтепати. Поэтому предлагаем дообсуждать недообсужденное с каждым из наших прекрасных CDO - авторов докладов.
Первым на секции выступил Виктор Кантор, у которого есть замечательный тг-канал Kantor.AI, а также школа по ML - MLinside. Витя в своем докладе задал провокационный вопрос: а нужна ли вообще стратегия по данным компании? И далее, с помощью интересных кейсов и примеров раскрыл пользу наличия стратегии, а также наиболее важные аспекты, которые там должны быть продуманы.
Презентацию доклада можно найти здесь, видеозапись - тут.
Витя готов ответить в треде на ваши вопросы по теме доклада.
Есть ли в вашей команде/компании дата-стратегия? Насколько, на ваш взгляд, она полезна?
***
Полные материалы секций Reliable ML на Data Fest 2024 можно посмотреть на сайте ODS.ai:
- Career от 25.05
- Data Strategy от 25.05
- Reliable ML от 02.06
Ваш @Reliable ML
#tech #business #datafest2024 #career
Обсуждение доклада Виктора Кантора, ex-CDO MTS, founder MLinside
В этом году на Data Fest мы с Димой провели экспериментальную секцию - Data Strategy. Тем самым расширили охват тем, обсуждаемых на фесте, добавив к data science проблематике историю с построением и развитием команд данных.
Опыт считаем успешным - запрос стратегического взгляда на дата-офисы оказался большим. Секция собрала аншлаг участников и после каждого доклада были интереснейшие обсуждения, которые потом продолжились на афтепати. Поэтому предлагаем дообсуждать недообсужденное с каждым из наших прекрасных CDO - авторов докладов.
Первым на секции выступил Виктор Кантор, у которого есть замечательный тг-канал Kantor.AI, а также школа по ML - MLinside. Витя в своем докладе задал провокационный вопрос: а нужна ли вообще стратегия по данным компании? И далее, с помощью интересных кейсов и примеров раскрыл пользу наличия стратегии, а также наиболее важные аспекты, которые там должны быть продуманы.
Презентацию доклада можно найти здесь, видеозапись - тут.
Витя готов ответить в треде на ваши вопросы по теме доклада.
Есть ли в вашей команде/компании дата-стратегия? Насколько, на ваш взгляд, она полезна?
***
Полные материалы секций Reliable ML на Data Fest 2024 можно посмотреть на сайте ODS.ai:
- Career от 25.05
- Data Strategy от 25.05
- Reliable ML от 02.06
Ваш @Reliable ML
#tech #business #datafest2024 #career
👍12❤5👎1
Что думаете про приватные каналы в тг? Что там может быть, чтобы был смысл подписываться? Ну кроме типичного онлифанс контента) (и то есть вопросы)
Вижу сейчас прямо какой-то бум популярности после свежего апдейта телеграмма, но остается вопрос, за чем именно туда идут подписчики.
Вижу сейчас прямо какой-то бум популярности после свежего апдейта телеграмма, но остается вопрос, за чем именно туда идут подписчики.
🤔22💩6👍2
Как я запускал и проводил курс DMIA. Часть вторая
⏭️ Продолжаю историю о том, как мы с командой единомышленников 9 лет обучали людей Data Science бесплатно :)
Постепенно вокруг меня появлялись другие участники.
🥇 В какой-то момент мы скооперировались с Сашей Гущиным, который был очень хорошим кагглером и доходил до топ-5 в мировом рейтинге на Kaggle. Так у нас появилось соревновательное направление.
🤿 С разными другими ребятами мы сделали направление deep learning. Это изначально Арсений Ашуха, который сейчас вовсю занимается наукой, а позже - Никита Селезнев из Яндекса и Таня Савельева, которая впоследствие стала серийным CEO как раз в теме ИИ.
⤴️ Знаковым стал момент, когда к нам присоединилась Эмели Драль и помогла вывести Data Mining in Action на новый уровень. В моём исполнении это всё-таки была немного местечковая, физтеховская тема. Мы познакомились с Эмели, работая вместе в Yandex Data Factory и записывая специализацию на Coursera, стали хорошими друзьями, и сделали намного больше крутых курсов, чем это получилось бы порознь.
🚌 Одним из важных факторов был перевоз курса из Долгопрудного. Это отчасти было задрайвлено тем, что в Долгопрудном было непросто находить аудиторию. В какой-то момент нас выручил ФизТех Парк. Он был недалеко от МФТИ, и там могло разместиться около 500 человек. Но потом стало понятно, что на курс ездят люди со всей Москвы (даже из МГУ доезжали) и как-то не очень правильно концентрировать всё на Физтехе — было бы здорово переместиться куда-то в Москву, чтобы всем было удобнее ездить.
🌍 Эмели, как выпускница РУДН, сразу нашла способы договориться с родным ВУЗом, мы переехали и пару лет пробыли там. К этому моменту у нас сформировались основное направление курса, трек «Индустриальный анализ данных», трек «Спортивный анализ данных» про соревнования по машинному обучению и трек «Глубокое обучение». И в таком качестве мы могли бы достаточно долго существовать, но позже мы познакомились с МИСИСом и переехали к ним.
🤝 Мы начали пытаться как-то дружить с компаниями, то есть договариваться, что они на какую-то небольшую сумму профинансируют курс. Идея была в том, что как минимум эти компании будут представлены, смогут прочитать гостевую лекцию, а как максимум — кого-то наймут на собеседованиях в конце курса.
За год через нас проходила где-то тысяча человек. Не всегда до конца, к концу курса было кратно меньше слушателей, все же у нас давались довольно содержательные знания. Но смысл для нас был в процессе, и в том, что из этого процесса пусть, условно, 25–30% студентов, но выходят, что-то узнав и как-то культурно обогатившись.
🔚 Эта история была бесплатная для студентов, просуществовала она 9 лет, но, к сожалению, уже к концу я не смог нормально её сочетать со своей работой в топ-менеджменте. Основной вывод, который я из этого всего сделал: даже на энтузиазме, при большом желании можно держать большой курс в течение аж 9 лет и привлекать людей. Ну а если под это ещё положить нормальную экономическую модель, будет совсем идеально.
Про экономическую сторону вопроса я немного расскажу в третьей, заключительной части.
⏭️ Продолжаю историю о том, как мы с командой единомышленников 9 лет обучали людей Data Science бесплатно :)
Постепенно вокруг меня появлялись другие участники.
🥇 В какой-то момент мы скооперировались с Сашей Гущиным, который был очень хорошим кагглером и доходил до топ-5 в мировом рейтинге на Kaggle. Так у нас появилось соревновательное направление.
🤿 С разными другими ребятами мы сделали направление deep learning. Это изначально Арсений Ашуха, который сейчас вовсю занимается наукой, а позже - Никита Селезнев из Яндекса и Таня Савельева, которая впоследствие стала серийным CEO как раз в теме ИИ.
⤴️ Знаковым стал момент, когда к нам присоединилась Эмели Драль и помогла вывести Data Mining in Action на новый уровень. В моём исполнении это всё-таки была немного местечковая, физтеховская тема. Мы познакомились с Эмели, работая вместе в Yandex Data Factory и записывая специализацию на Coursera, стали хорошими друзьями, и сделали намного больше крутых курсов, чем это получилось бы порознь.
🚌 Одним из важных факторов был перевоз курса из Долгопрудного. Это отчасти было задрайвлено тем, что в Долгопрудном было непросто находить аудиторию. В какой-то момент нас выручил ФизТех Парк. Он был недалеко от МФТИ, и там могло разместиться около 500 человек. Но потом стало понятно, что на курс ездят люди со всей Москвы (даже из МГУ доезжали) и как-то не очень правильно концентрировать всё на Физтехе — было бы здорово переместиться куда-то в Москву, чтобы всем было удобнее ездить.
🌍 Эмели, как выпускница РУДН, сразу нашла способы договориться с родным ВУЗом, мы переехали и пару лет пробыли там. К этому моменту у нас сформировались основное направление курса, трек «Индустриальный анализ данных», трек «Спортивный анализ данных» про соревнования по машинному обучению и трек «Глубокое обучение». И в таком качестве мы могли бы достаточно долго существовать, но позже мы познакомились с МИСИСом и переехали к ним.
🤝 Мы начали пытаться как-то дружить с компаниями, то есть договариваться, что они на какую-то небольшую сумму профинансируют курс. Идея была в том, что как минимум эти компании будут представлены, смогут прочитать гостевую лекцию, а как максимум — кого-то наймут на собеседованиях в конце курса.
За год через нас проходила где-то тысяча человек. Не всегда до конца, к концу курса было кратно меньше слушателей, все же у нас давались довольно содержательные знания. Но смысл для нас был в процессе, и в том, что из этого процесса пусть, условно, 25–30% студентов, но выходят, что-то узнав и как-то культурно обогатившись.
🔚 Эта история была бесплатная для студентов, просуществовала она 9 лет, но, к сожалению, уже к концу я не смог нормально её сочетать со своей работой в топ-менеджменте. Основной вывод, который я из этого всего сделал: даже на энтузиазме, при большом желании можно держать большой курс в течение аж 9 лет и привлекать людей. Ну а если под это ещё положить нормальную экономическую модель, будет совсем идеально.
Про экономическую сторону вопроса я немного расскажу в третьей, заключительной части.
Telegram
Kantor.AI
Как я запускал курс DMIA. Часть первая
🧑🎓 Расскажу, как формировался мой курс DMIA (Data Mining in Action), какие с ним были сложности и какие цели я ставил перед собой как преподаватель. Курс начался как спецкурс по машинному обучению — факультатив в МФТИ…
🧑🎓 Расскажу, как формировался мой курс DMIA (Data Mining in Action), какие с ним были сложности и какие цели я ставил перед собой как преподаватель. Курс начался как спецкурс по машинному обучению — факультатив в МФТИ…
55🔥31❤9💩3👍1
#образование
Как я проводил курс DMIA:
часть третья, заключительная
💸 Если вы думаете, что, раз у нас были спонсоры, мы купались в деньгах, это абсолютно не так. То есть было обычной историей, что мы с Эмели скидывались сами, ещё сколько-то добавляли спонсоры (соотношение было условно 0,5х + 0,5х от нас и 0,15-0,45х от спонсоров). Мы фактически обучали за свой счёт других людей, а не зарабатывали на этом. Этим в частности объясняются переезды курса. Когда место, где нас принимали с нашей аудиторией, понимало, что мы ПРАВДА делаем это бесплатно и нам НЕЧЕМ с ними поделиться, энтузиазм от того, чтобы захостить курс на 500 человек в семестр внезапно резко падал 😂 Самыми доброжелательными оказались коллеги из МИСИСа - ничего, кроме пресс-релизов про то, что мы учим именно у них, у нас не просили. Но мы в любом случае очень благодарны всем, кто принимал наш курс в своих стенах.
📌 Со многими из ребят, которые у нас учились, мы впоследствии работали вместе. Кстати говоря, попал я в качестве Chief Data Scientist в Big Data МТС в своё время тоже благодаря своей образовательной деятельности. Люди, которые работали в МТС, назвали моё имя руководству в числе наиболее известных деятелей нашей сферы. Всё потому, что многие из них либо учились у нас, либо просто знали о существовании таких курсов. Поэтому, по большому счёту, хоть это и было благотворительностью, я думаю, что своими карьерными успехами я обязан этой деятельности и она себя оправдала.
📌 Но в будущем, учитывая полученный опыт, я бы предпочёл всё-таки запускать это как коммерческую историю, которая может сама себя поддерживать и не умрёт от того, что в какой-то момент просто не нашлось спонсоров или закончилось время у основателей. Либо с каким-то большим стратегическим партнером надолго и серьезным бюджетом. Кто знает, может какой-то большой корпорации это будет интересно, и однажды DMIA реинкарнирует в виде академии со своим зданием, крутыми преподавателями и нашими любимыми направлениями :)
Как я проводил курс DMIA:
часть третья, заключительная
💸 Если вы думаете, что, раз у нас были спонсоры, мы купались в деньгах, это абсолютно не так. То есть было обычной историей, что мы с Эмели скидывались сами, ещё сколько-то добавляли спонсоры (соотношение было условно 0,5х + 0,5х от нас и 0,15-0,45х от спонсоров). Мы фактически обучали за свой счёт других людей, а не зарабатывали на этом. Этим в частности объясняются переезды курса. Когда место, где нас принимали с нашей аудиторией, понимало, что мы ПРАВДА делаем это бесплатно и нам НЕЧЕМ с ними поделиться, энтузиазм от того, чтобы захостить курс на 500 человек в семестр внезапно резко падал 😂 Самыми доброжелательными оказались коллеги из МИСИСа - ничего, кроме пресс-релизов про то, что мы учим именно у них, у нас не просили. Но мы в любом случае очень благодарны всем, кто принимал наш курс в своих стенах.
📌 Со многими из ребят, которые у нас учились, мы впоследствии работали вместе. Кстати говоря, попал я в качестве Chief Data Scientist в Big Data МТС в своё время тоже благодаря своей образовательной деятельности. Люди, которые работали в МТС, назвали моё имя руководству в числе наиболее известных деятелей нашей сферы. Всё потому, что многие из них либо учились у нас, либо просто знали о существовании таких курсов. Поэтому, по большому счёту, хоть это и было благотворительностью, я думаю, что своими карьерными успехами я обязан этой деятельности и она себя оправдала.
📌 Но в будущем, учитывая полученный опыт, я бы предпочёл всё-таки запускать это как коммерческую историю, которая может сама себя поддерживать и не умрёт от того, что в какой-то момент просто не нашлось спонсоров или закончилось время у основателей. Либо с каким-то большим стратегическим партнером надолго и серьезным бюджетом. Кто знает, может какой-то большой корпорации это будет интересно, и однажды DMIA реинкарнирует в виде академии со своим зданием, крутыми преподавателями и нашими любимыми направлениями :)
188👍26❤🔥8👎2🤔1