Член команды:
AI SaaS Solution
в команде:
8 человек
Антон Москвин tohich51
Рейтинг
216
№ 5 829 в каталоге
Отзывы
0
Профессионализм
-/10
Коммуникация
- /10
Город
Москва
Опыт работы
8 лет
На сайте с
2026 года
Юридический статус
ИП

Сбер: ML-персонализация B2C-коммуникаций с ростом CR на 11%

Используемые навыки Machine Learning Algorithms PySpark Python SQL Интеграция модели ИИ

Описание

Организация: Сбер. Роль: Data Scientist. Период: апрель 2023 — январь 2024.

Работал в команде массовой персонализации B2C. Проект был связан с выбором наиболее подходящего времени, канала и текста коммуникации для клиентов. Задача заключалась в том, чтобы перейти от одинаковых массовых контактов к более релевантному выбору параметров каждой коммуникации.

Основным производственным направлением стала модель наилучшего времени контакта. Дополнительно исследовал uplift-подход к прогнозированию крупных трат на школьника — как один из шагов к универсальной рекомендательной системе Next Best Action.

Помимо моделирования выполнял лидерские функции: проводил собеседования и руководил двумя Junior-специалистами, включая постановку задач, объяснение алгоритмов решения и валидацию результатов.

Решение

1. Разработал модель выбора наилучшего времени B2C-коммуникации и довёл её до использования в продакшне.

2. Работал над задачами персонализации канала и текста коммуникации в рамках общего контура массовой персонализации.

3. Сформулировал uplift-задачу прогноза крупных трат на школьника и подготовил MVP модели.

4. Связал uplift-постановку с развитием подхода Next Best Action: выбором следующего наиболее релевантного действия или предложения для клиента.

5. Валидировал результаты моделирования с точки зрения целевой бизнес-метрики — конверсии коммуникаций.

6. Руководил двумя Junior-специалистами: декомпозировал задачи, объяснял алгоритм решения и проверял результаты.

7. Участвовал в найме: проводил технические собеседования кандидатов в команду.

Публичное описание отражает логическую структуру проекта. Внутренние названия систем, источники данных и закрытая архитектура Сбера не раскрываются.

Результат

Модель выбора наилучшего времени коммуникации была внедрена в продакшн и обеспечила прирост CR на 11%.

Uplift-модель прогноза крупных трат на школьника была подготовлена в формате MVP и стала практическим шагом к созданию универсальной системы Next Best Action.

Были проработаны три ключевых измерения персонализации коммуникаций: время, канал и текст. Дополнительно выстроен процесс сопровождения двух Junior-специалистов и участия в техническом найме команды.

Работа выполнена в соавторстве

Моя роль: анализ и разработка ML-моделей персонализации, валидация, uplift-MVP, руководство Junior-специалистами и проведение собеседований. Работа в команде mass-pers B2C.

Оценили проект:

Другие проекты

Все проекты →
ИИ и Нейросети Газпромбанк: response-модели и автоматизированный мониторинг ML
Газпромбанк: response-модели и автоматизированный мониторинг ML
47
ИИ и Нейросети Магнит: ML-система маркетинговых оптимизаций и единая витрина 200+ признаков
Магнит: ML-система маркетинговых оптимизаций и единая витрина 200+ признаков
50
Дизайн и Брендинг Яндекс.Карты: повышение качества геопоиска в Турции и автоматизация ML-диагностики
Яндекс.Карты: повышение качества геопоиска в Турции и автоматизация ML-диагностики
45
ИИ и Нейросети B2B-Center: NLP-рекомендательная система и анализ поведения пользователей
B2B-Center: NLP-рекомендательная система и анализ поведения пользователей
49