Основы монетизации в Data Science

Магистратура 2026/2027

Статус: Курс по выбору (Машинное обучение в цифровом продукте)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 2-й курс, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 3

Контактные часы: 28

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён изучению аукционных и оптимизационных механизмов монетизации цифровых продуктов в задачах Data Science. В рамках дисциплины рассматриваются как классические модели аукционов (first-price, second-price, English, Dutch), так и современные механизмы, применяемые в онлайн-платформах — поиске, маркетплейсах и системах интернет-рекламы. Особое внимание уделяется формализации участников и их стратегий, анализу свойств механизмов (стимулосовместимость, индивидуальная рациональность, эффективность, доход), а также их влиянию на поведение пользователей и выручку платформ. В ходе обучения студенты осваивают методы формализации задач монетизации как задач оптимизации и online decision making, изучают подходы к решению задач автобиддинга, включая аналитические методы, эвристики, PID-контроллеры, алгоритмы онлайн-оптимизации (OMD, FTRL) и методы обучения с подкреплением. Существенное внимание уделяется ограничениям реальных систем: бюджетам, неполноте данных, задержкам и расхождениям между симуляцией и продакшн-средой. По результатам освоения дисциплины студент способен проектировать и анализировать аукционные механизмы, обосновывать выбор моделей и алгоритмов для задач монетизации, разрабатывать прототипы решений и проводить их экспериментальную оценку. Выпускник курса умеет интерпретировать результаты с точки зрения эффективности монетизации, устойчивости алгоритмов и рисков для платформы, а также аргументированно представлять архитектуру и результаты реализованных решений.

Цель освоения дисциплины

Научить студентов разрабатывать, анализировать и внедрять аукционные и оптимизационные механизмы монетизации в продуктах Data Science — от классических форматов аукционов до онлайн‑алгоритмов, RL‑подходов и автобиддинга в реальных платформах (поиск, маркетплейсы, онлайн‑реклама).

Планируемые результаты обучения

Проектировать и анализировать аукционные механизмы монетизации цифровых продуктов.
Формализовать участников, цели, правила, utility и ограничения аукционного механизма.
Объяснять ключевые свойства механизмов: DSIC, IR, welfare, revenue, равновесие и эффективность.
Сравнивать базовые и рекламные аукционы, включая first-price, second-price, GSP и VCG, по стимулам, платежам и применимости.
Выявлять ограничения выбранного механизма и объяснять, как они могут повлиять на монетизацию платформы и поведение участников.
Формулировать и предлагать решение для задачи онлайн принятия решения, на примере автобиддинга.
Уметь переводить бизнес-задачу в математическую постановку с целевой функцией, ограничениями и метриками качества.
Сравнивать аналитические решения, эвристики, PID-подходы, методы онлайн-оптимизации и RL по условиям применимости.
Понимать реальные ограничения применимости его алгоритмов: бюджет, неполные данные, задержки, нестабильность трафика и расхождение между симуляцией и реальной средой.
Уметь реализовать и оценивать прикладное решение для задачи монетизации.
Уметь создавать прототип алгоритма или симуляции для аукционного механизма либо автобиддинга.
Уметь проводить экспериментальный анализ решения и оценивать его по релевантным метрикам.
Уметь интерпретировать результаты с точки зрения качества монетизации, устойчивости алгоритма и рисков для платформы и её участников.
Уметь представлять и защищать выбранную архитектуру, метод, метрики и выводы проекта.

Содержание учебной дисциплины

Введение в теорию аукционов и монетизацию продуктов
Основные результаты теории аукционов
Инструментарий теории игр на примере теории аукционов
Sponsored Search: GSP & VCG + Autobidding
Применение методов онлайн оптимизации для задачи Autobiddibg (Dual OMD/FTRL)
Неочевидные трудности задачи автобиддинга.
Reinforcement Learning на примере autobidding

Элементы контроля

Вовлечённость
Домашняя работа
Выполнение большого проекта, разбитое на отдельные, связанные друг с другом практические работы. Цель проекта – исследовать одну задачу монетизации как задачу online decision making under resource constraints. Можно выбрать из autobidding, dynamic pricing, online matching/order fulfillment, assortment/revenue management или согласованную близкую задачу.
Экзамен
Устная защита итогового исследовательского проекта. В рамках защиты студенты представляют выбранную задачу, формальную модель, предложенные алгоритмы, метрики качества, экспериментальные результаты, ограничения работы и возможные направления дальнейшего развития.

Промежуточная аттестация

2026/2027 2nd module
0.3 * Экзамен + 0.2 * Вовлечённость + 0.5 * Домашняя работа

Список литературы

Авторы

Емашева Валерия Анатольевна

Программа дисциплины