Два приятных обновления во внутренностях обучения моделируемых конверсий

  1. Моделируемая конверсия раскладывает реальные конверсии на составляющие части. Но во сколько раз и как именно оптимально разложить?

Кажется, что ответ простой - раскладывать в той степени, в которой сильный прирост разложения компенсируется непропорционально малым падением качества. Разумно, но не всегда идеально. Ведь разные проекты имеют разные бизнес-потребности, усередненные ожидания.

Например, у нишевого b2b проекта очень сильное ожидание как можно большего числа виртуальных конверсий. У них конверсия и так 0.05%, даже если сделать 10Х - то это всего 0.5%. Не очень удобно.

А у крупного еком проекта много конверсий и высокая базовая конверсия (например, 2%). Вероятно клиенты с такого проекта не очень хотели бы скрадывать даже небольшое качество ради объема разложения, ведь для них что 8% виртуальной конверсии, что 20% - примерно одно и тоже.

Не говоря о том, что разложив слишком сильно мы можем получить маленькие виртуальные конверсии, что не всегда удобно.

Сейчас у нас есть возможность вручную менять настройки баланса "Качество - Объем разложения" внутри моделируемых конверсий. Но ведь всегда хочется, чтобы машина сама подумала за вас, поняла какой у вас тип проекта и что вы в большой степени хотите от инструмента?

Поэтому, теперь мы будем сами пытаться предполагать по структуре ваших данных что в большей степени вы хотите получить в качестве результирующей модели.

Более того, теперь и стратегии "Больше виртуальных конверсий" и "Больше точности" так же внутри себя учитывают структуру проекта и ожидания от того, что вероятно подразумевает клиент под "Большим числом виртуальных конверсий" конкретно в рамках текущего проекта.

  1. Второй важный момент - это наши автоматические стратегии по теплоте

Пусть и не всегда идеальные, но почти все проекты очень плотно на них подсели и сейчас почти не осталось проектов на ручной регулировке.

Как работает автостратегия по теплоте? Для каждой обученной модели сверху добавляется приспособленная именно для неё динамическая автостратегия по теплоте, которая работает как амортизатор - понимает какие виртуальные конверсии нужно отправлять, какие - нет.

В итоге сначала обучили основную модель, потом "наложили" на неё автостратегию по теплоте. В итоге, автостратегия по теплоте могла обрезать много виртуальных конверсий (а ведь основная модель старалась, раскладывала!) или просто не достичь теоретически максимального качества совместной работы.

Теперь мы зашли намного дальше и автостратегия по теплоте и основная предиктивная модель теперь будут со-обучаться одновременно. А значит и средний результат совместной теперь будет лучше и стабильнее.