Аналитика Telegram-канала
Подписчики
181
Охват за 24 ч
48
ER за 24 ч
26,52%
Публикаций
56

Динамика подписчиков

7 дней 30 дней 6 месяцев Больше
14 ноя17 ноя20 ноя
Показаны последние 7 дней Больше истории →

Охваты публикаций

29.1030.1030.1006.1109.1117.11
10
Средний охват
19
Лучший результат
Показаны 6 публикаций — последние в канале Больше статистики →

Упоминания

7
Упоминаний
0
Из них репостов
3
Каналов
Все упоминания

Последние посты

3 из 56 2 из 56
Персонализация в AdTech, или как ML за миллисекунды решает, сколько стоит пользователь? Вы открываете сайт, а за рекламное место на нем уже прошел аукцион. Пока грузилась страница, несколько систем оценили, насколько вы интересны рекламодателям, и выбрали, что вам показать. Так работает персонализация в AdTech. Рекламодатель хочет показать рекламу и получить продажу. Пользователь же смотреть рекламу не особо хочет, хотя может что-то купить, если предложение ему подходит. Модель стоит между ними. За несколько миллисекунд ей нужно понять, чье предложение из сотен будет интереснее конкретному человеку. Причем у одного рекламодателя обычно несколько вариантов рекламы одного продукта, с разными картинками и текстами, так что модель угадывает еще и то, на какой из них человек скорее кликнет. Откуда берется цена пользователя? Модель считает pCTR (вероятность, что человек кликнет на рекламу), а потом эту вероятность умножают на сумму, которую рекламодатель готов отдать за клик. Выходит цена показа конкретному пользователю в конкретную секунду. От нее зависит ставка на аукционе. Почему все упирается в миллисекунды? На ответ аукциону обычно дают около 100 миллисекунд, причем часть этого времени съедает сеть. Опоздавшую ставку просто не учитывают. Самой модели достаются десятки миллисекунд, а вариантов, которые нужно оценить, сотни, а то и тысячи. Поэтому чаще всего берут простые быстрые модели, обычно логистическую регрессию, а сервис пишут на C++. Она смотрит на признаки (данные о пользователе и ситуации), например кто человек и на каком он сайте. Каждому признаку модель дает вес, складывает их и получает вероятность клика. Считает она очень быстро, даже когда признаков огромное количество. Даже Google использовал логистическую регрессию для предсказания кликов и подробно описал это в статье 2013 года (кто хочет углубиться, вот разбор этой статьи). За скорость приходится платить точностью. Простая модель плохо улавливает сложные связи в данных. Да и кликают на рекламу редко, а редкое событие предсказать в целом сложнее. Каково в этом работать? По моему опыту, работы здесь очень много. На проде постоянно что-то падает, а любая ошибка сразу бьет по деньгам. Прибыль у таких проектов при этом часто небольшая, а зарплаты ниже, чем ждешь от задач такой сложности. Зато AdTech хорошо учит production ML, потому что у модели тут жесткие ограничения по времени и деньгам. Если думаете о переходе в AdTech, спросите на собеседовании, сколько миллисекунд есть у модели и часто ли прод приходится чинить в спешке. По ответам будет понятно, к какой работе готовиться. А если вы уже работали в этой сфере, напишите в комментариях, похоже ли это на ваш опыт.
ещё
3 0 17 ноя, 20:56
Как работает банковский антифрод 💳 Когда банк приостанавливает перевод и начинает спрашивать, точно ли вы не разговариваете с мошенниками, легко подумать: «Антифрод решил, что я мошенник». На практике под словом «антифрод» обычно скрываются как минимум две разные системы. Первая связана с базой Банка России о случаях и попытках переводов без добровольного согласия клиента. Это не просто общий чёрный список людей. В базе есть сведения о подозрительных реквизитах получателей, платёжных средствах и других данных, которые поступают от банков, правоохранительных органов и участников информационного обмена. Если реквизиты получателя совпали со сведениями из базы, банк обязан применить предусмотренные законом меры противодействия. В частности, перевод могут приостановить, а клиента предупредить о риске. В некоторых ситуациях банк может ограничить использование карты или онлайн-банка, а когда сведения поступили от МВД, такая приостановка обязательна. Поэтому похожее поведение разных банков в этом сценарии объясняется не тем, что у них одинаковые модели, а общими требованиями регулирования. Важно: это не означает, что любая операция, которая «как-то связана» с человеком из базы, автоматически и навсегда блокируется. Для конкретной операции имеют значение реквизиты, сценарий перевода и нормы, по которым банк обязан действовать. А требования объяснить цель перевода или подтвердить, что вас не обманывают, часто становятся частью процесса проверки и защиты клиента, но это не лекция, которую ML-модель сама вам назначила. Второй слой, внутренний антифрод банка, каждая организация строит и настраивает сама. Его задача не вынести моральный приговор клиенту, а оценить риск конкретной операции или поведения: может ли это быть мошеннический перевод, захват аккаунта, использование чужой карты, обналичивание или другая схема, которую банк считает нарушением. Здесь и появляются модели, правила и графовые связи. В качестве обучающих примеров банк использует подтверждённые случаи фрода и другие сигналы риска. Невозврат кредита сам по себе не относится к антифроду, это область кредитного риска и скоринга. Антифрод отвечает на другой вопрос: насколько операция или паттерн действий похожи на известный риск мошенничества или нарушения правил прямо сейчас. Отсюда важный и не очень приятный вывод: модель не может измерить вашу честность как личное качество. Она видит только доступные ей признаки. В банке маркетплейса это могут быть история покупок и платежей, в экосистемном банке могут добавиться сигналы из других сервисов, а в банке с более узкими данными останутся в основном транзакции, устройство, география, время и получатели переводов. Если ваш паттерн в этом пространстве признаков похож на паттерн операций, которые раньше оказались фродом, риск может вырасти, даже если вы самый добросовестный клиент. Это не доказательство вины, а вероятностная оценка при неполной информации. Поэтому хороший антифрод ищет баланс: пропущенный фрод ведёт к потерям, а ложное срабатывание раздражает честного клиента и может лишить его доступа к деньгам. Именно в этом состоит сложность антифрода: не построить «модель мошенника», а принять полезное решение в условиях, где точной информации мало, цена ошибки высока, а последствия ощущает конкретный человек. Если интересно, следующим постом могу разобрать, чем антифрод отличается от кредитного скоринга: данные могут пересекаться, но целевая переменная, цена ошибки и бизнес-решение у них разные. 🔥
ещё
1 0 9 ноя, 15:54
ML в FinTech: модель, которая ошиблась, может стоить миллионы 💳 В финтехе модель редко просто выдаёт красивый скор или метку в таблице. Её прогноз может повлиять на то, кому одобрят кредит, какую операцию остановят, кому покажут предложение и на какой риск согласится бизнес. За этим стоят деньги, клиентский опыт и требования к контролю решений. Возьмём кредитный скоринг. Ложно одобрить рискованную заявку может означать будущий убыток. Ложно отказать надёжному клиенту означает потерять потенциальный доход и испортить отношения с ним. Поэтому недостаточно максимизировать AUC. Нужно выбирать порог и правила принятия решения с учётом стоимости ошибок, лимитов и устойчивости портфеля. В антифроде есть похожий конфликт. Пропустить мошенническую операцию дорого, но слишком агрессивно блокировать транзакции тоже опасно: можно лишить клиента доступа к деньгам и увеличить число обращений в поддержку. Модель должна работать с задержкой, доступной в конкретном процессе, а у системы должен быть способ обработать сбой или сомнительный прогноз. В CRM и uplift-моделировании вопрос не только в том, кто вероятнее откликнется. Важно понять, изменит ли предложение поведение клиента. Если человек и так собирался купить, скидка может уменьшить маржу без дополнительного эффекта. Здесь нужны корректные эксперименты, контрольная группа и оценка инкрементального результата, а не только точность индивидуального прогноза. Из-за этого в финтехе особенно важна экономика решения целиком: ожидаемый доход или предотвращённый убыток, стоимость ложных срабатываний, цена инфраструктуры и ручной проверки, влияние на клиента, задержки появления меток, мониторинг и возможность объяснить, почему система сработала. А для кредитных решений дополнительно важны внутренние политики и применимые регуляторные требования. За что здесь могут хорошо платить? Не за одно слово «финтех» в резюме и не за то, что человек обучил сложную модель. Ценны специалисты, которые умеют связать статистику с решением: знают, как устроен процесс, проверяют данные и метки, оценивают разные типы ошибок, проектируют безопасный запуск и могут показать, что изменилось в экономике продукта. Неправильно говорить, что любая ошибка модели автоматически стоит миллионы, но масштаб ущерба действительно может быть большим, поэтому цена экспертизы включает и ответственность за последствия. Именно поэтому в таких задачах лучшая модель не всегда та, у которой самая высокая офлайн-метрика. Хорошее ML-решение помогает принять более выгодное решение с контролируемым риском, а не просто точнее предсказать число. Если интересно, могу отдельно разобрать скоринг, антифрод или uplift: от постановки задачи до выбора порога и оценки денег.
ещё
17 0 6 ноя, 10:57
Больше постов

Продолжить анализ этого канала

  • История роста подписчиков
  • Просмотры и охваты публикаций
  • Кто упоминает канал и кого упоминает он
  • Похожие каналы и подбор для рекламы
Открыть аналитику
Демо до 14 дней