Ключевые задачи:

• занимаемся ранжированием товаров на Маркете и встраиванием полезных для пользователя элементов (статей) в поисковую выдачу;
• ранжирование как контекстное (при запросе), так и безусловное (при навигации по категориям);
• придумываем новые факторы (текстовые, нейросети, статистические и пользовательские), обучаем ранжирующие модели. Улучшаем текущие и придумываем новые ML-системы;
• разрабатываем метрики качества поисковой выдачи и удовлетворенности пользователей, как на основе исторических данных, так и на результате разметок асессоров;
• мониторинг качества поиска и других систем, за которые мы ответственны;
• работаем с big data из разных источников (внутренние логи, Яндекс.Метрика, внутренние сервисы Яндекса).

Улучшаем рекомендации на Маркете при помощи технологий машинного обучения. Интегрируем Маркет в другие сервисы Яндекса (Поиск, Картинки, Алиса).

Аналитика рекомендаций — это:

• применение машинного обучения для созданий лучших решений на рынке e-commerce в области персональных рекомендаций;
• прозрачное влияние наших фич на бизнес-метрики всего сервиса: счастье пользователя и выручку сервиса;
• разработка метрик качества рекомендательных систем;
• проведение большого количества экспериментов, влияющих на бизнес Маркета;
• возможность увидеть изнутри и Маркет, и Яндекс.

Занимаемся построением прогноза спроса на товары, который используется для пополнения складов Яндекс.Маркета, и построением моделей эластичности по цене и времени доставки, используемых в ценообразовании в реальном времени.

Отличительные особенности направления:

• специфика e-com, большое число источников данных с различными сигналами, которых нет в offline retail;
• прозрачное влияние наших фич на бизнес-метрики всего сервиса: счастье пользователя и выручку сервиса;
• прогнозные модели строят не просто оценку среднего или оценку нескольких квантилей, а прогнозируют распределения при условии ценовой политики и позиции на рынке;
• Никаких ограничений на используемый стек и возможность использовать внушительные вычислительные мощности;

Ключевые задачи:

• улучшаем модели для расчёта вероятности заказа, релевантности и CTR;
• предлагаем идеи по внедрению ML-решений в другие рекламные продукты;
• придумываем механики рекламных аукционов на разных местах размещения;
• принимаем участие в улучшении алгоритмов по выбору лучшего предложения в байбоксе;
• создаем и анализируем эксперименты;
• участвуем в продакшене.

Строим алгоритмы, которые работают в трёх направлениях:

• для пользователей — помогают выбирать товары по структурированному каталогу и фильтровать их по параметрам;
• для аналитиков рынка — сравнивают внешние транзакции с каталогом товаров Маркета и строят отчёты по объёмам продаж в различных сегментах рынка и оптимизации процессов ценообразования собственного ассортимента;
• для внутренних процессов Маркета — оптимизируют и ускоряют процессы модерации контента за счёт саджестов и рекомендаций, снижают порог входа на Маркет для продавцов.

• улучшаем качество работы инструментов для систематизации знаний и расширяем их функциональность;
• исследуем данные Маркета и делаем на их основе выводы;
• пишем код на Java для сервисов в продакшене;
• ставим офлайн-эксперименты и анализируем их результаты;
• разрабатываем пайплайны подготовки данных для использования в процедурах ML;