Соревнование посвящено задаче uplift моделирования, которая находится на стыке causal inference и машинного обучения. В жизни вы решаете именно эту задачу, когда пытаетесь оценить эффект коммуникации на конверсию клиента в продукт.

Участникам предлагается построить модель для определения CATE (Conditional Average Treatment Effect), оценки эффекта целевого воздействия на пользователя. В качестве метрики используется Qini coefficient (более подробная информация приведена на вкладке Data).

Реальные данные нашей компании - sensitive data, а мы очень ответственно относимся к конфиденциальности информации. Поэтому мы сгенерировали синтетические данные, стараясь приблизить их к реальному кейсу, с которым сталкивались.

Участвовать в соревновании могут DS любого уровня. Для тех, кто хочет кратко ознакомиться с темой, мы рекомендуем статью:&nbsp;<a href="https://towardsdatascience.com/a-quick-uplift-modeling-introduction-6e14de32bfe0" rev="en_rl_none" target="_blank">https://towardsdatascience.com/a-quick-uplift-modeling-introduction-6e14de32bfe0</a>

Остались вопросы? Самые популярные раскрыты в FAQ, а все остальные можно задать, отправив письмо на&nbsp;<a href="mailto:datafest@megafon.ru" rev="en_rl_none">datafest@megafon.ru</a>&nbsp;(с темой Uplift).

Участвуешь в соревновании, хочешь стать частью нашей команды и побил бейзлайн? Присылай резюме на&nbsp;<a href="mailto:datafest@megafon.ru" rev="en_rl_none">datafest@megafon.ru</a>&nbsp;(с темой Резюме).&nbsp;

Призы: 
1 место - портативная колонка и power bank 
2 место - фитнес-браслет 
3 место - свитшот

Даты: 
Открытие приема решений: 22&nbsp;мая, 19:00 
Окончание приема решений: 13 июня, 23:59 
Раскрытие лидерборда: 14 июня, 00:00

Для участников: 
Индивидуальное участие 
Ограничение на число решений: не более трёх в сутки 
Выбор двух финальных решений

Соревнование посвящено задаче uplift моделирования, которая находится на стыке causal inference и машинного обучения.

Public

Private

User Agreement

I accept <a target="_blank" rel="noopener noreferrer" href="https://drive.google.com/file/d/1n-fPczc0u7vYGvOzUUGH55HCbuRlCp8x/view?usp=sharing">Terms of User Agreement</a>

Privacy Policy

I accept <a target="_blank" rel="noopener noreferrer" href="https://drive.google.com/file/d/1JifpdktW5xCMAYgxzomLhYQZuxSrp0Wi/view?usp=sharing">Privacy Policy</a>

Consent

I give my <a target="_blank" rel="noopener noreferrer" href="https://storage.yandexcloud.net/datasouls-ods/DataFest2021_pres/Consent.pdf">consent</a> to «Sorevnovaniya Analiza Dannykh» LLC to process and transfer my personal data (name, email, address) to the partners of the event for information interaction

first_name

First name

last_name

Last name

country

Country (lat)

city

City (lat)

email

Email

slack_name

Your ODS Slack nickname

study_place

Study place

study_specialty

Study specialty

work_place

Work place

work_position

Work position

expectations

Expectations

interests

Interests

preferred_language

Preferred language

about

About

Registration application for Data Fest & ODS Summer Of Code

MegaFon Uplift Competition

Predictions

Хотите увеличить прибыль с партии товара? Интересуетесь causal inference и динамической оптимизацией? В этом докладе вы познакомитесь с подходом к динамической оптимизации цены, который с этим справляется. 
Do you want to increase the margin from your stock of goods? Interested in causal inference and dynamic optimization methods? In this video we tell you such an approach.

Теория

Casual methods in dynamic pricing

Расскажу о том, как еще можно превратить категориальные переменные в числовые векторы, пригодные для дальнейшего анализа. Наглядно продемонстрирую, что любой человек, знающий толк в обработке естественного языка, легко справится с этой задачей.

Advanced categorical encodings

Расскажу о том, как мы оптимизировали затраты нашей команды на работу со стажерами, как мы готовим полноценных Data Scientist’ов за 3 месяца в акселераторе стажеров. Доклад будет интересен как руководителям, так и тем, кто только начинает свою карьеру в DS.

Как оптимизировать ресурсы команды - кейс “Акселератор для стажёров”

Соревнование посвящено задаче uplift моделирования, которая находится на стыке causal inference и машинного обучения.
Участникам нужно будет построить модель для определения CATE (Conditional Average Treatment Effect), оценки эффекта целевого воздействия на пользователя. В качестве метрики используется qini AUC score.

Топ лидерборда пригласим на собеседование, а первым три места получат призы: 

1 место - портативная колонка и power bank

2 место - фитнес-браслет

3 место - свитшот

Соревнование

Это будут эфиры про данные и людей, которые с ними работают. Их истории и деятельность, как они к этому пришли и куда идут. В каждом выпуске приглашаем известных в сообществе Data Science и за его пределами.

Серия Voice Chats и подкаст «‎Данные люди»

megafon-df2021-2020

megafon-df2021-pr

megafon-df2021

Data Science в МегаФоне совсем не ограничивается телекомом! Вы познакомитесь с интересными  проектами и методами из сферы Causal ML, Recommendations и просто работы с табличными данными. Также сможете попробовать свои силы в соревновании по Uplift Modelling. И на закуску - телеграм чаты+подкаст об ML с любимыми спикерами из индустрии и академии.

Добро пожаловать на главное Data Science событие сообщества и нашу первую летнюю школу ODS!
Жми "подать заявку" и получи доступ ко всем трекам, активностям школы и нетворкинг комнатам в SpatilChat ODS.

#	Teams (46)	Qini Coefficient	Last	Entries
1	Oleg Chugalinsky	0.767837269	4y	8
2	Stepan Pachganov	0.6994536444	4y	33
3	Daniil Stepanov	0.685995866	4y	6
4	horrlod	0.6696521979	4y	7
5	Alex Tsepa	0.6496505019	4y	6
6	Andriy Samoshyn	0.6426272668	4y	2
7	Denis Mashukov	0.5007432376	4y	15
8	Vova Semerikov	0.4568011972	4y	19
9	Katerina Pustakhod	0.4219575477	4y	9
10	Rinat	0.2661995847	4y	16
11	Maykl Chikvashvili	0.2625011353	4y	19
12	Alexander Melnikov	0.2543550938	4y	13
13	Alexey Korevin	0.2453837066	4y	4
14	Dmitrii V	0.2421663014	4y	12
15	Serg	0.2420481432	4y	3
16	Aleksandr Kirilin	0.2419558191	4y	2
17	Anastasia Komova	0.2416599322	4y	6
18	Slam	0.2410525244	4y	9
19	Dmitry Akimov	0.2410039013	4y	10
20	Arslan Akhmadeev	0.2409613223	4y	5
21	Владимир Борисевич	0.240596606	4y	12
22	Aleksandr Zhukov	0.2401853142	4y	5
23	Sergei Makarin	0.238625156	4y	7
24	Darya Ezhova	0.2376294984	4y	21
25	Maksim Pukin	0.2375163491	4y	6
26	b80a07957fd2	0.2325321244	4y	4
27	Wassily	0.2282049595	4y	5
28	bazilyq	0.2260768374	4y	3
29	Aleksey Popov	0.2248792494	4y	5
30	Voropaev Vladislav	0.2244818582	4y	2
31	Andrey Ko	0.220639635	4y	4
32	Oluwadahunsi Alawode	0.2166450222	4y	3
33	Andrew Atamanyuk	0.2105490519	4y	3
34	tommy date	0.2056014736	4y	7
35	Arshak Mkhoyan	0.1991791451	4y	2
36	Mikhail Sveshnikov	0.1974535038	4y	2
Baseline Baseline		0.1974535038
37	pavel popov	0.1956571396	4y	3
38	Artyom Chistov	0.1810040704	4y	3
39	Konstantin Krasov	0.0000828055	4y	3
40	Zhenya Torkunov	0.0000828055	4y	2
41	SERGEI BARINOV	0.0000828055	4y	1
42	Chermen Valiev	-0.0003998594	4y	2
43	Pavel Socolov	-0.0126854012	4y	2
44	Tatiana	-0.0303453351	4y	15
45	ZenQe	-0.0655104797	4y	3
46	Nikita Voronov	-0.1340142433	4y	2