Машинное обучение в ритейле

Бакалавриат 2026/2027

Статус: Курс по выбору (Прикладная математика и информатика)

Кто читает: Департамент больших данных и информационного поиска

Где читается: Факультет компьютерных наук

Когда читается: 3-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Кредиты: 5

Контактные часы: 56

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс посвящён полному циклу проектирования ML-систем в ритейле – от постановки бизнес-задачи и подготовки данных до эксперимента, production-мониторинга и резервной логики. Студенты разберут специфику офлайн, онлайн и омниканального ритейла, прогнозирование спроса и пополнение запасов, OSA, рекомендации, поиск и аналитику каталогов, ценообразование и промо, uplift-моделирование, CV/NLP/GenAI, A/B- и квазиэксперименты. Практика строится на открытых ритейл датасетах и включает шесть домашних заданий. Сквозной принцип курса – сначала бизнес-рамка и данные, затем алгоритм; качество модели связывается с бизнес-эффектом, а реальный эффект проверяется экспериментом. Курс стоит выбрать тем, кто хочет понять, как машинное обучение работает в реальных задачах ритейла, а не только научиться обучать модели. Студенты пройдут весь путь от постановки бизнес-задачи и подготовки данных до выбора модели, оценки её влияния на бизнес, проведения эксперимента и мониторинга решения в продакшене. На практике они поработают с задачами прогнозирования спроса, рекомендаций, промо и ценообразования, поиска, OSA, CV/NLP/GenAI и соберут собственную ML-систему. В результате курс даст опыт принятия инженерных и продуктовых решений, максимально приближенный к работе ML-специалиста в ритейле.

Цель освоения дисциплины

Формулировать retail ML-задачу через рамку решения: кто принимает решение, объект, горизонт, ограничения и цена ошибки.
Выбирать адекватную бизнес-метрику и объяснять, почему техническая метрика модели ей не эквивалентна.
Проектировать спецификацию датасета под задачу: target, гранулярность, признаки, temporal split и запрещённые признаки; выявлять источники утечки.
Проектировать систему сигналов и алертов при ограниченном бюджете проверок, используя top-K логику и бизнес-эффект.
Отличать корреляционный эффект от причинного в задачах цены, промо и uplift; проектировать A/B- или квазиэксперимент для проверки эффекта.
Проектировать production-мониторинг ML-системы и fallback/rollback-логику на случай деградации.

Планируемые результаты обучения

Формулировать ML-задачи в контексте бизнеса и подготавливать данные для их решения.
Разрабатывать и оценивать ML/DL-решения для ключевых задач ритейла.
Проводить эксперименты, обеспечивать воспроизводимость и мониторинг моделей, обосновывать их бизнес-эффект.

Содержание учебной дисциплины

Ландшафт ML в ритейле и постановка задачи
Основы продуктового подхода
Прогноз спроса и пополнение запасов
OSA и операции магазина
Рекомендательные системы и персонализация
Классический A/B
Офлайн A/B и квазиэкспериментальные методики
Uplift-моделирование
Ценообразование и промо
CV, NLP и GenAI в ритейле
Мониторинг и обзервабилити

Элементы контроля

Домашнее задание 1 «Данные, признаки, утечки»
По схеме таблиц ритейла спроектировать спецификацию датасета на грануле «товар–магазин–день»: цель, признаки и разбиение по времени; отдельно разобрать цензурированный спрос.
Домашнее задание 2 «Прогноз спроса и пополнение запасов»
Сравнить базовую модель, бустинг и DL-модель прогноза спроса, затем перевести прогноз в решение о заказе: посчитать издержки дефицита и излишков и выбрать модель по ожидаемым бизнес-потерям.
Домашнее задание 3 «OSA и операции магазина»
На смоделированных дефицитах построить детектор отсутствия товара: получить оценки аномальности, выбрать top-K под бюджет проверок, посчитать precision@K и saved sales, предусмотреть резервную логику.
Домашнее задание 4 «Рекомендации / поиск / сопоставление товаров»
На выбор – рекомендации, поиск или сопоставление товаров: собрать baseline и основную модель, посчитать offline-метрики и дать бизнес-интерпретацию с учётом наличия, маржи или порога ручной проверки.
Домашнее задание 5 «Uplift и промо»
Построить адресацию промо на основе прироста: обучить T-learner, построить Qini-кривую, выделить сегменты клиентов, найти post-treatment leakage и предложить корректный дизайн A/B.
Домашнее задание 6 «Мини-система»
На любом открытом датасете курса разработать мини-систему: подготовить данные и baseline-модель, провести offline-оценку, оценить потенциальный бизнес-эффект, предложить дизайн эксперимента для проверки решения и план production-мониторинга.
Экзамен
Устный экзамен-собеседование: вопросы по ключевым темам курса — рамка решения, причинность, выбор метрик и проверка эффекта.

Промежуточная аттестация

2026/2027 2nd module
Итог = Округление(0,6 × ДЗ + 0,4 × Э), где: ДЗ – средняя оценка за домашние задания №1–6; Э – оценка за устный экзамен, на котором студент - отвечает на 2–3 вопроса по программе; - разбирает небольшой новый кейс или изменение условий.

Программа дисциплины