Студенты ФКН НИУ ВШЭ разработали ИИ-решения для прогнозирования и маркетинга

© Высшая школа экономики

24 мая в Вышке состоялись защиты и церемония награждения хакатона по машинному обучению для ретейла, организованного MAGNIT TECH и факультетом компьютерных наук НИУ ВШЭ. В течение четырех дней команды работали над индустриальными кейсами технологичного драйвера крупнейшего ретейлера страны — компании «Магнит». Участники анализировали данные, обучали модели, проверяли гипотезы и защищали свои решения перед экспертами компании, чтобы в итоге не только добиться высокого качества моделей, но и предложить подходы для использования в реальном бизнесе.

В хакатоне приняли участие 370 студентов технических специальностей, объединенных в 111 команд. Решения участников оценивали эксперты и руководители направлений MAGNIT TECH и НИУ ВШЭ, а также специалисты в области машинного обучения и аналитики данных, среди которых Вячеслав Кубаев, директор по цифровым технологиям MAGNIT TECH, Александр Бульдяев, руководитель продуктовой трансформации MAGNIT TECH, Евгений Соколов, руководитель департамента больших данных и информационного поиска ФКН НИУ ВШЭ.

© Высшая школа экономики

Призовой фонд составил 600 000 рублей. Победители и призеры также будут иметь возможность пройти ускоренный отбор на стажировку в MAGNIT TECH, а лучшие решения смогут получить дальнейшее развитие внутри компании.

В течение четырех дней студенты:

 анализировали реальные данные компании;

 прорабатывали продуктовые гипотезы;

 обучали и тестировали модели;

 работали с экспертами и менторами MAGNIT TECH и НИУ ВШЭ;

 презентовали решения экспертному жюри.

«Прогнозирование продаж с учетом изменения тенденций» — один из кейсов, над которыми работали команды. Для ретейла критически важно точно прогнозировать продажи новых магазинов и оценивать перспективность локаций. Однако со временем меняются поведение покупателей, конкурентная среда и внешние факторы, из-за этого даже точные модели постепенно теряют качество прогнозирования. Участникам предстояло разработать подход, который позволяет учитывать изменение распределения данных и сохранять стабильную точность прогноза между переобучениями моделей.

© Высшая школа экономики

Победителем трека стала команда Даниила Хромова (капитан, ФКН ВШЭ, AI Engineer) и Артема Рукавицы (МГУ, аналитик-разработчик). Студенты предложили устойчивый пайплайн прогнозирования продаж новых магазинов с учетом изменения распределения данных между переобучениями модели. В решении использовались ансамбли CatBoost и логистической регрессии, дополнительные фичи, калибровка прогнозов и усреднение нескольких сидов для повышения стабильности качества. Отдельный акцент команда сделала на снижении «недоторговки» — случаев, когда модель переоценивает потенциальные продажи новой точки. В результате команде удалось существенно сократить долю переоцененных прогнозов. Решение показало высокий уровень проработки ML-пайплайна — от feature engineering и fine-tuning до калибровки и подготовки модели к использованию.

«Uplift-моделирование для маркетинговых кампаний» — еще один кейс хакатона. Большинство маркетинговых кампаний в ретейле ориентируются на массовые механики и прошлые тренды. Однако такой подход не позволяет понять, какие клиенты действительно изменят свое поведение под влиянием персонального предложения. Участники разрабатывали модели для более точечного таргетинга, чтобы определять категории, клиентов и сценарии коммуникации с максимальной эффективностью для бизнеса. 

© Высшая школа экономики

Победителем трека «Uplift-моделирование для маркетинговых кампаний» стала команда Кирилла Рыжичкина (капитан, НИТУ МИСИС, Kaggle Master, Research Engineer) и Адиля Хабибуллина (НИТУ МИСИС, Kaggle Expert). Цель состояла в том, чтобы определить не просто клиентов с высокой вероятностью покупки, а тех, чье поведение действительно изменится под влиянием персонального предложения. С точки зрения бизнеса модель помогает точнее выбирать клиентов для персональных предложений, снижать неэффективные маркетинговые расходы и увеличивать инкрементальные покупки на тот же бюджет.

Елена Одоевская

«Преимущество среды Вышки — возможность учиться, работая с реальными данными, учиться собирать свои команды, быть частью команды своих одногруппников, выстраивать процессы, анализировать данные, — говорит Елена Одоевская, проректор НИУ ВШЭ. — Все это готовит их к реальной работе. Такие форматы позволяют университету проверить, насколько наши программы отвечают запросам рынка, а для компаний это шанс заранее увидеть ребят в деле. В результате выигрывают все».

Евгений Соколов (слева)

© Высшая школа экономики

«Все чаще ФКН совместно с партнерами проводит соревнования по машинному обучению и анализу данных, — отметил Евгений Соколов, руководитель и доцент департамента больших данных и информационного поиска, академический руководитель бакалавриата «Прикладная математика и информатика» ФКН. — У нас есть большая экспертиза в организации и методике, а компании глубоко понимают свою область, ставят интересные задачи и делятся данными, кейсами. Приятно, что среди участников — больше сотни студентов Вышки, то есть интерес к теме ИИ и к соревновательному формату у нас определенно высок». Евгений Соколов отметил и многогранное плодотворное сотрудничество с MAGNIT TECH. «Соревнования и хакатоны сегодня становятся особенно важны из-за генеративного ИИ, — считает он. — Сделать домашнее задание можно с помощью той или иной модели, а обойти всех конкурентов по качеству или сделать полезный продукт невозможно без экспертизы, без аналитики, без творческого подхода. Мы определенно будем и дальше вкладываться в подобные форматы, развивать их и экспериментировать с ними».

Вячеслав Кубаев

«Существование современного ретейла невозможно представить без ИИ-технологий, “Магнит” активно внедряет такие решения во всех сферах бизнеса — от магазинов до коммуникаций с клиентами. Это непрерывный процесс, который требует новых нестандартных подходов, совершенствования компетенций и развития команды, — говорит Вячеслав Кубаев, главный директор по цифровым технологиям группы компаний «Магнит». — Нам важно привлекать к работе лучших профессионалов, и формат хакатона стал хорошей возможностью познакомиться с будущими ML-специалистами индустрии. Участники смогли попробовать свои силы в решении прикладных задач и получить опыт работы с условиями, приближенными к реальным бизнес-процессам».