Как решают алгоритмы, а давать ли скидку? 🔘 Слайд 1 - Базар. Представьте обычную жизненную ситуацию. Базар. Ты хочешь купить картошку) - Продавец говорит: 500р. - Ты не соглашаешься. - Он снижает цену. - Вы торгуетесь и в какой-то момент "сделка" происходит на 300 рублях. Т.е. цена меняется до тех пор, пока покупка не совершается. Это и есть "эластичность цены" в сервисах, которыми мы пользуемся с вами каждый день. Но как это работает? ML-модель должна "понять", а какой минимальный размер скидки для вас на этот товар приведёт к покупке. 🔘 Слайд 2 - Вероятность покупки. На слайде - простая зависимость: чем ниже итоговая цена, тем выше вероятность того, что клиент купит. Это правило, на котором строится ML-модель "чувствительности" к скидке. Если правило нарушается, то ML-модель работать не будет, поэтому это нужно проверять. 🔘 Слайд 3 - Разные затраты для одинакового эффекта. Одинаковый результат (покупка) может "стоить" разного размера скидки. Миша покупает только при -30%, а Света - уже при -10%. ML-модель должна учитывать такие различия. 🔘 Слайд 4 - Выравнивание вероятностей. Задача алгоритма - подобрать скидки так, чтобы вероятность покупки у Миши и Светы стала одинаковой. 🔘 Слайд 5 - Рандомизированная раздача скидок. Перед обучением модели скидки разносятся случайно. Так мы соберём данные о том, какие пользователи чувствительны к скидке. Вместо скидок, могут быть бонусы/кешбэки. 🔘 Слайд 6 - Порог покупки. ML-модель находит минимальный размер скидки (порог), при котором вероятность покупки резко возрастает. Для каждого товара/клиента он свой. Математику "порога" рассмотрим на 9 слайде. 🔘 Слайд 7 - Что показал A/B-тест? Это результат сравнения не случайного распределения скидок (по ML-модели) и случайного распределения скидок. Модель далп +8% к метрике GMV. То есть персонализация выгода. Продолжение ниже...