Проектировать и строить ML-системы для ценообразования, промо-аллокации и прогнозирования спроса — от постановки до продакшена
Декомпозировать бизнес-задачи в ML/оптимизационные постановки. Понимать что именно мы должны оптимизировать и где использовать ML, а где обойтись подходами проще
Проектировать и анализировать эксперименты (A/B, switchback, каузальный инференс), валидировать модели на оффлайн- и онлайн-метриках
Встраивать модели в продукт: realtime/batch пайплайны, интеграция с сервисами бекенда
Обеспечивать зрелость ML-систем: мониторинг, алерты, тесты, документация, воспроизводимость экспериментов
Влиять на продуктовые и бизнес-решения через данные — объяснять результаты стейкхолдерам и продакт-менеджерам
Побаерные промо: модель, которая определяет, какому пользователю какой оффер отдать (скидка, кэшбек, бонусные ночи), чтобы максимизировать конверсию при контроле бюджета
Поайтемные промо: выбор объектов для продвижения в выдаче — какие объявления «подсветить», чтобы поднять GMV и улучшить матчинг спроса и предложения
Uplift-модели для промо-кампаний: отделить тех, кого промо реально сдвинет, от тех, кто купил бы и так
Модели ценовой эластичности спроса: как изменится букинг при изменении цены на X% для данного сегмента / региона / сезона
Прогнозирование спроса (demand forecasting): кратко- и среднесрочные прогнозы на уровне регионов, дат, категорий жилья — для оптимизации аллокации промо-бюджетов и планирования стока
Дизайн и анализ A/B-тестов для ценовых и промо-интервенций (с учётом сетевых эффектов маркетплейса, switchback-дизайны)
Каузальный инференс: оценка эффекта промо и ценовых изменений в ситуациях, когда чистый A/B невозможен (diff-in-diff, synthetic control, instrumental variables)