Маркетинг хочет слать пуш-скидку только тем, кому она реально изменит поведение. У вас есть история рандомизированной рассылки (treatment/control) и факт покупки. Какой подход к моделированию выбрать?
MLhardsenior
Проверяет основы машинного обучения и оценку моделей.
upliftинкрементальностьтаргетинг
Варианты ответа
Кластеризация пользователей по признакам без учёта группы: шлём скидку самому крупному сегменту
Uplift-моделирование: оцениваем инкрементальный эффект P(покупка|treatment) − P(покупка|control) на пользователя и таргетируем «убеждаемых», а не тех, кто купил бы и так
Обычная классификация вероятности покупки по всем данным: шлём скидку топ-N по predicted probability, так как это и есть самые ценные клиенты
Регрессия отклика только на группе treatment: моделируем покупку среди получивших пуш и таргетируем самых вероятных
Как разобрать этот вопрос на собеседовании
Определи тип задачи (регрессия/классификация), как ты разобьёшь данные и какой метрикой будешь мерить качество с учётом дисбаланса классов. Ценят понимание переобучения, утечки данных и того, почему выбрана именно эта метрика, а не accuracy по умолчанию.
Это вопрос продвинутого уровня — на собеседовании по нему обычно идут уточняющие follow-up вопросы, поэтому держи в голове крайние случаи и альтернативные решения.
Тема вопроса — «ML». Чтобы подготовиться к похожим задачам, отрабатывай их на практике: раздел практики помогает довести навык до автоматизма, а раздел вопросов — увидеть формулировки, которые реально встречаются на интервью аналитика данных.
Разбор ответа
Подробный разбор с объяснением «почему правильный ответ верный» и почему остальные неверны — после регистрации.
3000+ вопросов с разбором, quiz-режим с проверкой, AI-собес и подготовка к интервью аналитика.