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

2y ago 1:39:55

Μοίρασέ το

Το περιεχόμενο παρέχεται από το Денис, Ігор, Саша. Όλο το περιεχόμενο podcast, συμπεριλαμβανομένων των επεισοδίων, των γραφικών και των περιγραφών podcast, μεταφορτώνεται και παρέχεται απευθείας από τον Денис, Ігор, Саша ή τον συνεργάτη της πλατφόρμας podcast. Εάν πιστεύετε ότι κάποιος χρησιμοποιεί το έργο σας που προστατεύεται από πνευματικά δικαιώματα χωρίς την άδειά σας, μπορείτε να ακολουθήσετε τη διαδικασία που περιγράφεται εδώ https://el.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 επεισόδια

🔞 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

Podcasts που αξίζει να ακούσετε

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