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

2y ago 1:39:55

साझा करें

Денис, Ігор, Саша द्वारा प्रदान की गई सामग्री. एपिसोड, ग्राफिक्स और पॉडकास्ट विवरण सहित सभी पॉडकास्ट सामग्री Денис, Ігор, Саша या उनके पॉडकास्ट प्लेटफ़ॉर्म पार्टनर द्वारा सीधे अपलोड और प्रदान की जाती है। यदि आपको लगता है कि कोई आपकी अनुमति के बिना आपके कॉपीराइट किए गए कार्य का उपयोग कर रहा है, तो आप यहां बताई गई प्रक्रिया का पालन कर सकते हैं https://hi.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 एपिसोडस

🔞 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

पॉडकास्ट सुनने लायक

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