About me (EN) | Обо мне (RU)
Portfolio DA (EN) | Портфолио DA (RU)
Portfolio DS/ML (EN) | Портфолио DS/ML (RU)
Кейсы:
Предсказание стоимости недвижимости
- Проблема: Агрегаторам недвижимости требуется автоматически определять рыночную стоимость объектов на основе их характеристик для релевантного ценообразования и выбора оптимальных стратегий продажи.
- Решение: Разработана модель машинного обучения на базе Lasso-регрессии с полиномиальными признаками 3-й степени. Реализован пайплайн предобработки: обработка пропусков, клиппирование выбросов по IQR, кодирование категориальных признаков, преобразование дат, масштабирование. Модель обучена на 18 349 объектах. Достигнут R² = 0.6863 (выше требуемого порога 0.6). Модель успешно учитывает нелинейные зависимости между признаками, избегая переобучения за счёт L1-регуляризации. Сгенерирован файл с предсказаниями для 3 087 тестовых объектов, готовый к отправке.
Предсказание задержек транспортной компании
- Проблема: Транспортной компании необходимо прогнозировать, будет ли заказ доставлен с опозданием, чтобы своевременно выявлять проблемные поставки, улучшать клиентский сервис и снижать издержки.
- Решение: Разработана модель классификации на базе Random Forest с балансировкой классов. Выполнен feature engineering: частотное кодирование высококардинальных признаков, создание производных признаков (время обработки заказа, сезонность, плотность товара, отношение цены к доставке), one-hot-кодирование способов оплаты. Модель обучена на исторических данных о доставленных заказах. Достигнута F1-мера = 0.3255 (выше требуемого порога 0.3). Модель позволяет выявлять заказы с риском опоздания, что дает возможность компании принимать упреждающие меры. Сгенерирован файл с предсказаниями для 8 558 тестовых заказов.
Таргетированный маркетинг: прогнозирование отклика на кампании
- Проблема: Бизнесу необходимо предсказывать, откликнется ли клиент на рекламные предложения, чтобы оптимизировать маркетинговые бюджеты и повысить прибыль за счет таргетирования только перспективных клиентов.
- Решение: Разработана модель классификации на базе Gaussian Naive Bayes. Выполнена предобработка: порядковое кодирование категориальных признаков (уровень образования, семейное положение), заполнение пропусков в доходе медианой, нормализация числовых признаков MinMaxScaler. Целевая переменная сформирована как отклик хотя бы на одну из 6 кампаний. Модель позволяет прогнозировать вероятность отклика клиента на рекламные кампании, что дает возможность бизнесу направлять предложения только целевой аудитории. Сгенерирован файл с предсказаниями для 448 тестовых клиентов.
Прогнозирование рентабельности ресторана
- Проблема: Ресторану необходимо классифицировать блюда по уровню рентабельности (Low/Medium/High), чтобы анализировать меню, корректировать цены и состав ингредиентов для повышения эффективности бизнеса.
- Решение: Разработана модель многоклассовой классификации на базе OneVsRestClassifier с логистической регрессией. Выполнен инжиниринг признаков: one-hot-кодирование категориальных признаков (RestaurantID, MenuCategory, MenuItem) и бинарное кодирование ингредиентов (каждый ингредиент - отдельный признак). Целевая переменная закодирована числовыми метками. Достигнута Accuracy = 0.8154 (выше требуемого порога 0.75). Модель позволяет автоматизировать анализ меню и принимать обоснованные бизнес-решения на основе состава блюд и их категории. Сгенерирован файл с предсказаниями для 195 тестовых блюд.
Разработка модели для кластеризации базы клиентов
- Проблема: Ресторану быстрого питания необходимо сегментировать клиентов на основе их восприятия бренда, демографических и поведенческих характеристик для разработки таргетированных маркетинговых стратегий.
- Решение: Разработана модель кластеризации на базе KMeans с инициализацией центров на основе эталонных клиентов. Выполнена предобработка: кодирование категориальных признаков, масштабирование числовых признаков StandardScaler. Оптимальное число кластеров (k=4) определено методом локтя. Проведена визуализация кластеров с помощью PCA. Достигнута Accuracy = 0.8018 (выше требуемого порога 0.8). Модель позволяет присваивать каждому клиенту сегмент на основе эталонных архетипов, что дает возможность ресторану определять персонализированные маркетинговые стратегии. Сгенерирован файл с сегментами для 1453 клиентов.
Анализ клиентов кредитных карт с использованием методов кластеризации
- Проблема: Банку необходимо сегментировать клиентов на основе их поведения при использовании кредитных карт (транзакции, балансы, платежи) для адаптации бизнес-стратегий и персонализированного обслуживания.
- Решение: Выполнен кластерный анализ клиентской базы (8950 клиентов, 17 признаков) с использованием алгоритма DBSCAN. Проведена предобработка данных: заполнение пропусков, стандартизация признаков. Выполнен подбор гиперпараметров (eps=0.9, min_samples=12) с оценкой качества через Silhouette Score и Calinski-Harabasz Index. Визуализированы кластеры с помощью PCA. Выявлено 4 содержательных кластера и идентифицированы аномалии (шум ~49%). Silhouette Score = 0.391 (хорошая различимость), Calinski-Harabasz Index = 80.91 (отличное разделение). Модель позволяет банку понимать структуру клиентуры и адаптировать маркетинговые стратегии для каждого сегмента.
Рекомендательная система для интернет-магазина
- Проблема: Интернет-магазину необходимо персонализировать выдачу товаров для каждого пользователя, чтобы повысить CTR, конверсию и удержание клиентов.
- Решение: Разработана модель ранжирования на базе XGBoost LambdaMART с оптимизацией NDCG@5. Выполнена предобработка: объединение данных о пользователях, товарах и взаимодействиях, кодирование категориальных признаков, масштабирование числовых, формирование групп по user_id. Модель обучена на 30 000+ взаимодействий (720 пользователей) и валидирована на 20% пользователей. Достигнут NDCG@5 = 0.9464 (выше требуемого порога 0.9). Модель позволяет формировать персонализированные рекомендации, автоматизируя процесс ранжирования товаров. Сгенерирован файл с предсказаниями для 3 993 тестовых взаимодействий.
Разработка товарных рекомендаций на основе ассоциативных правил
- Проблема: Интернет-магазину необходимо предлагать клиентам дополнительные товары на основе истории покупок, чтобы увеличить средний чек и глубину чека.
- Решение: Разработана система товарных рекомендаций на основе алгоритма Apriori. Выполнен анализ 97 152 транзакций: поиск частых наборов товаров (min_support = 0.05) и генерация ассоциативных правил (min_confidence = 0.5). Для каждого товара из тестового набора выбирается правило с наивысшей уверенностью для рекомендации сопутствующего товара. Достигнута Accuracy = 0.909 (10 из 11 рекомендаций верны). Система позволяет автоматически формировать рекомендации дополнительных товаров, что повышает кросс-продажи и улучшает пользовательский опыт. Сгенерирован файл с рекомендациями для 11 тестовых товаров.
Разработка модели для поиска товаров по их визуальному сходству (CNN)
- Проблема: Интернет-магазину одежды необходимо находить визуально похожие товары в каталоге для рекомендации клиентам, что позволит увеличить вероятность покупки и повысить лояльность пользователей.
- Решение: Разработана система визуального поиска на основе предобученной сверточной нейронной сети VGG16 (feature extractor). Выполнено извлечение векторов признаков для всех изображений каталога, для каждого запроса вычислено косинусное сходство с векторами из базы, исключены изображения с тем же ID и выбран наиболее похожий товар. Реализована предобработка изображений (аугментации, нормализация). Достигнута Accuracy = 0.72 (выше требуемого порога 0.7). Модель позволяет находить визуально похожие товары, что повышает релевантность рекомендаций и улучшает пользовательский опыт. Сгенерирован файл с предсказаниями для 50 запросов.
Обновлено: 2026-09-09