Подсистема подписок · ML-рекомендация

Персональный тариф для каждого покупателя

Модель анализирует стиль покупок клиента — частоту доставки, средний чек, разнообразие категорий — и предлагает наиболее выгодный тариф «Пакета от Х5». Выберите персону, чтобы увидеть, как меняется рекомендация.

Профиль покупателя

Формулировка плашки (A/B-тест):

Выберите тариф

Подбираем рекомендацию…

Глава 3 · Таблица 3.2

Качество ML-моделей

Три CatBoost-модели (рекомендация тарифа, прогноз оттока, smart dunning), обученные на синтетических данных с временным сплитом. Сравнение с baseline.

ROC-кривые модели рекомендации тарифа (OvR) — ROC-кривые: рекомендация тарифа (OvR)

Матрица ошибок модели рекомендации тарифа — Матрица ошибок: рекомендация тарифа

SHAP summary-plot важности признаков — SHAP: важность признаков

ROC-кривая модели прогноза оттока — ROC-кривая: прогноз оттока

Lift-кривая модели прогноза оттока — Lift-кривая: прогноз оттока

Загрузка метрик…

Глава 3 · Таблица 3.3

A/B-эксперимент

Сплит 50/50 по хешу user_id, длительность ≥ 4 недель, мощность 80%, MDE 1,5 п.п. Сравнение контрольной и тестовой групп.

Конверсия в оформление: контроль и тест с доверительными интервалами — Конверсия в оформление (с ДИ)

Ключевые метрики A/B-эксперимента: ARPU, retention, recovery — ARPU · Retention · Recovery

Загрузка результатов…

Показатель	Контроль	Тест	Прирост

Прирост статистически значим при α = 5% (p < 0,05).