Это хорошая свежая статья с полезными прогнозами, ей место на Хабре. Переводы - вполне допустимый жанр здесь. Даже профессиональные переводчики используют инструменты для упрощения работы.
Я много исправлял, к сожалению, даже связка Google translate и chatgpt не помогает автоматически отловить все такие проблемы, именно эту пропустил, спасибо.
Жаль, что в статье это не описано, как дальше с DDS работают аналитики. Эти витрины денормализованные они сами делают или в рамках ELT автоматически собираются?
Прикольно, но непонятен практический смысл этой работы. Я бы вам предложил попробовать собрать нейросеть для символьных вычислений, типа такой arxiv.org/abs/1912.01412. Может быть можно будет её развить до уровня, когда она сможет сама доказывать теоремы? :)
Да, это нужно было, чтобы сэкономить на стоимости распознавания. Точность снизилась незначительно, на качество результата (гифки в конце урока) это не повлияло.
Ну с последней частью я точно не соглашусь, благо потребителя — это не только, какие результаты обучения достигнуты, но и какой ценой. Любой потребитель вас скажет, что при прочих равных предпочтет более приятные уроки, где в конце его хвалят и ему улыбаются. Тест показывает именно это. точки зрения статзначимости там тоже все ок, я не стал подробно расписывать, но мы замеряли размах C2 в А/А тесте и всю прочую статистику считали по науке, результат для бизнеса железный. Другая проблема, что на C2 влияет ещё куча других факторов, кроме самих занятий, скажем источники трафика, и улучшение результата в A/B-тесте не гарантирует, что после раскатки теста в общей массе в другом месяце конверсия не пойдёт вниз.
Это хороший вопрос, я туда не смотрел, честно говоря. Но в целом можно сказать, что раз конверсия во вторую оплату выросла, значит перестали бросать занятия, значит скорее всего результаты тоже улучшились.
При желании всё, что угодно можно оценить, конечно, из других открытых источников. В этой статье есть цифры про конверсию в повторную оплату на небольшой выборке за узкий период, но C2 очень подвержена сезонности, так что в лоб экстраполировать не стоит. А ожидаемый прирост прибыли не даёт понимания величины самой прибыли.
Да, это все логичные продолжения. Правда есть нюансы, скажем скуку сложно отличить от спокойствия и сосредоточенности просто по выражению лица, нужно трекать направление взгляда, моргания, раствор глаз, а это уже более сложная задача.
Когда технология позволяет, мы добираемся до длинного хвоста распределения пользователей и придумываем, как на нем заработать.
Штука в том, что одно решение удовлетворяет далеко не 80% пользователей и далеко не в лучшей степени.
Конечно Netflix мог тоже продолжать всем пользователям рекомендовать одно и то же, те же блокбастеры, которые удовлетворяют 80% пользователей, но вместо этого они сделали персонализированные рекомендации и научились на этом зарабатывать гораздо больше.
Автор статьи специально пропустил все технические аспекты проведения AB-тестов, в том числе AA-тесты, чтобы сконцентрироваться на рассмотрении идеи суперкастомных пользовательских сценариев, а в таких условиях AA-тесты никак не помогут.
Ниже написали, зачем нужны AA-тесты, это полезная штука, чтобы понять, вообще можно ли проводить AB-тест, насколько большой разброс и неоднородность, но ни как не помогает понять, какому пользователю что показывать и по какой ветке customer journey его вести.
Конкретно у нас более 30 продакшен баз, несколько мобильных и веб-приложений, откуда мы собираем данные и события. Лично я слабо представляю, как без специалиста по ETL сгрузить это всё в Hadoop.
Это хорошая свежая статья с полезными прогнозами, ей место на Хабре. Переводы - вполне допустимый жанр здесь. Даже профессиональные переводчики используют инструменты для упрощения работы.
Я много исправлял, к сожалению, даже связка Google translate и chatgpt не помогает автоматически отловить все такие проблемы, именно эту пропустил, спасибо.
Триумф велосипедостроения
Жаль, что в статье это не описано, как дальше с DDS работают аналитики. Эти витрины денормализованные они сами делают или в рамках ELT автоматически собираются?
Да, все прописано.
Ограничения не было.
Да, это все логичные продолжения. Правда есть нюансы, скажем скуку сложно отличить от спокойствия и сосредоточенности просто по выражению лица, нужно трекать направление взгляда, моргания, раствор глаз, а это уже более сложная задача.
Штука в том, что одно решение удовлетворяет далеко не 80% пользователей и далеко не в лучшей степени.
Конечно Netflix мог тоже продолжать всем пользователям рекомендовать одно и то же, те же блокбастеры, которые удовлетворяют 80% пользователей, но вместо этого они сделали персонализированные рекомендации и научились на этом зарабатывать гораздо больше.