Привет, хабровчане! Недавно в OTUS мы провели соревнования по Data Science. По задаче в категории Data Warehouse нам прислали всего два решения — и мы решили поинтересоваться у более широкой аудитории, насколько сложной получилась эта задача. Если вы работаете с данными, приглашаем попробовать ее решить и получить приятные бонусы от OTUS.
Категория: Data Warehouse
Сквозная аналитика и практики Data-driven для e-Commerce: построение логической модели Хранилища Данных, расчет бизнес-метрик и формирование аналитических Витрин.
Задача:
Помочь владельцу e-Commerce-платформы принимать обоснованные и взвешенные решения на основании данных.
Бизнес-проблематика:
До того как вы взялись за задачу решения принимались на интуитивном уровне, без веских обоснований и часто оказывались ошибочными/убыточными.
Основная проблема бизнеса сегодня – отсутствие прозрачности и прогнозируемости по основным показателям: трафик, пользователи, взаимодействия, траты на привлечение, выручка, отдача на инвестиции, конверсии в клиентских воронках.
Владельцы бизнеса не могут ответить на элементарные вопросы:
Поведенческие характеристики, вовлеченность, интерес аудитории (веб-аналитика)
Какова доля рекламного трафика в общем объеме?
Есть ли связь между затратами на рекламу и конверсиями?
Какие каналы привлечения (кампании, объявления) являются наиболее перспективными и прибыльными, а от каких следует отказаться?
Насколько эффективно выстроены этапы пользовательской воронки?
На каких этапах воронки теряется большое количество лидов? Где и что можно улучшить?
Ваша задача — помочь выстроить культуру принятия решений, основанных на объективных фактах и событиях.
ПОЛНОЕ ОПИСАНИЕ С ДАННЫМИ ЗАДАНИЯ ЗДЕСЬ
Условия:
Свои решения присылайте через форму
Дедлайн: 30 мая, воскресенье, 23:00
Определение лучшего решения: 2 июня
Бонусы:
Автор лучшего решения по мнению команды жюри — экспертов OTUS — получит 50% скидку на курс на выбор:
или другой из курсов раздела Data Science.
Все остальные участники, приславшие корректное решение, получат скидку 20% на один из курсов раздела Data Science.
В комментариях допустимо обсуждать задачу, но просим не публиковать здесь решение до закрытия дедлайна.
Жюри:
Артемий Козырь – более 5 лет опыта с Хранилищами данных, построении ETL/ELT систем
В рамках соревнований была задача в категории Machine Learning, в которой требовалось построить рекомендательную систему для OTUS. При этом модель должна уметь работать, в том числе, и с новыми пользователями, которые еще не купили ни одного курса. Ответы на это задание прислали 14 участников. Итоговое решение получилось почти в 3 раза лучше по качеству, чем предложенный бейслайн.
Ждем ваших решений и комментариев по поводу задачи!
