Организация: розничная сеть «Магнит». Роль: Senior ML-инженер. Период: январь 2024 — декабрь 2025.
Проект объединял несколько направлений маркетинговых оптимизаций: выбор целевой аудитории, персонализацию предложений, определение оптимального размера скидки, развитие подписки «Магнит Плюс» и оценку фактического эффекта кампаний.
Бизнесу требовался воспроизводимый ML-контур, который позволяет использовать данные разных типов, быстро собирать признаки, запускать модели для конкретных маркетинговых задач и подтверждать результат через A/B-тесты.
Отдельной инфраструктурной задачей было устранение повторной ручной подготовки данных. До создания единой витрины поиск и сбор необходимых признаков занимал от одного до трёх дней. Также требовался единый подход к оценке кампаний с ratio- и non-ratio-метриками и понятный формат согласования ML-решений с бизнес-заказчиками.
1. Разработал единую витрину более чем с 200 признаками и четырьмя модальностями данных. Она унифицировала подготовку выборок и предоставила моделям повторно используемый набор признаков.
2. Разработал и внедрил Response-модель для персональных предложений VIP-сегменту. Модель оценивала вероятность отклика на маркетинговую коммуникацию при выполнении условий предложения.
3. Реализовал Propensity-модель для выбора оптимального размера скидки в «Магнит Косметик». Решение позволило сравнивать сценарии скидок 10%, 15% и 20% и учитывать не только конверсию, но и возврат инвестиций.
4. Разработал Look-alike-модель для поиска digital-active клиентов, склонных к оформлению подписки «Магнит Плюс». Качество аудитории оценивалось с учётом сохранения подписки спустя два месяца.
5. Подготовил Upsell-модель рекомендации более дорогого товара из той же категории в статусе MVP и NPD-модель вероятности посещения магазина в течение недели для планирования кампаний.
6. Разработал автоматизированную систему оценки A/B-тестов с ratio- и non-ratio-метриками. Она сформировала единый подход к сравнению кампаний и расширила набор показателей для принятия решений.
7. Подготовил ML system design-документ для взаимодействия с заказчиками: постановка задачи, источники данных, критерии качества, схема внедрения и контроль результата.
8. Исследовал transaction embeddings и современные uplift-подходы. Результаты использовались для проверки новых гипотез и развития дорожной карты ML-решений.
9. Выполнял функции технического лидера: наставничество двух Junior-специалистов, постановка и проверка задач, планирование спринтов, оценка нагрузки, daily-встречи и разработка критериев отбора кандидатов.
В публичном описании не раскрываются внутренние названия систем, структура хранилищ и конфиденциальные данные компании.
Response-модель для персональных предложений VIP-сегменту обеспечила ROI +3%.
Propensity-модель для «Магнит Косметик» показала ROI +8% при скидке 10%, +6% при скидке 15% и +4% при скидке 20%. Решение помогло перейти от одинаковой максимальной скидки к выбору экономически обоснованного предложения.
Первый запуск Look-alike-модели увеличил базу подписчиков «Магнит Плюс» на 8%. В результате учитывались клиенты, которые не отменили подписку спустя два месяца.
Единая витрина объединила более 200 признаков и четыре модальности данных. Доступ к необходимым признакам ускорился с одного–трёх дней до практически мгновенного.
Автоматизированная оценка A/B-тестов закрепила единый подход к ratio- и non-ratio-метрикам и сделала сравнение маркетинговых кампаний более системным.
Дополнительно были подготовлены Upsell-MVP, рабочая NPD-модель для планирования кампаний, исследования transaction embeddings и uplift-подходов, а также дорожная карта развития ML-решений.
Моя роль: проектирование и разработка ML-моделей, исследования, ML system design и техническое лидерство. Работа велась совместно с бизнес-заказчиками.
