Marketing Automation Tech Lead в Playrix Games, автор блога khashtamov.com
У любой организации, генерирующей данные, рано или поздно наступает момент, когда количество регулярных задач становится очень большим, появляются зависимости между ними, они чаще падают, и возникают проблемы деплоя. Поговорим о построении идемпотентных пайплайнов для сбора, обогащения и загрузки данных в ваши data lakes и data warehouses.
ETL на Python, или Построение идемпотентных дата пайплайнов
Специалист по ML Kolesa Group / Python-разработчик Kolesa Group
Как подошли к построению рекомендательной системы для Market.kz – архитектура, алгоритмы поиска схожих объявлений, с чего начинали, что не работало и к чему пришли в итоге.
DevOps для DS/ML. Как запустить рекомендательную систему объявлений на продакшне
Асылбек Малибаев и Рауан Курмет
Data Scientist / Менеджер проекта Kolesa Group
Для персонализированной работы с пользователями необходимо уметь правильно классифицировать и предсказывать их поведение. Зная, что пользователь сделает в будущем, можно показать максимально релевантное предложение. Тем самым увеличить выгоду для всех сторон. Расскажем, какие методики могут применятся при прогнозировании поведения пользователей, как мы распределяем их по сегментам и как мы предсказываем покупку. Покажем реальный кейс Kolesa.kz и расскажем о результатах.
Персонализация платных услуг с помощью DS и предсказание покупательского поведения
Дмитрий Казаков и Дмитрий Комаровский
Chief Data Officer Kaspi.kz
В рамках выступления мы поговорим о том, что такое блок Kaspi Data Factory, а так же о значении больших данных в бизнес-процессах Kaspi, когда клиент во главе. Мы рассмотрим кейс с компьютерным зрением: что делать, если готовых сервисов недостаточно. Так же я дам обзор того, какие задачи стоят перед нами и какие стратегии их решения мы применяем.
Kaspi Data Factory – Большому Кораблю большие данные