Чему вы научитесь
Lookalike-моделирование часто выглядит простой задачей: взять хороших клиентов и найти похожих. На практике именно здесь ломаются ML-проекты в маркетинге, CRM и growth: команда путает похожесть с вероятностью покупки, выбирает неправильный seed, собирает biased negatives, получает красивый ROC-AUC и не видит бизнес-эффекта.
Этот курс разбирает lookalike как полноценный production-case, а не как кнопку в рекламном кабинете. Вы научитесь формулировать задачу через seed-аудиторию, candidate pool, business action, ограничения канала и цену ошибки. Отдельно разберём, чем lookalike отличается от response-модели, uplift, recommender-системы и обычной сегментации.
Внутри курса вы пройдёте весь путь от постановки до внедрения: таргет и разметка, positive и negative class, feature window и target window, leakage, ranking top-K, embeddings, nearest neighbors, metric learning, two-tower подходы, baseline, эвристики, calibration, ROI, monitoring, data drift, concept drift и business monitoring. Акцент не на «обучить модель», а на том, как принять рабочее решение и защитить его перед маркетингом, ML-командой или hiring manager'ом.
Внутри: 10 модулей, 50 уроков и 12 проверочных заданий. Курс покрывает бизнес-постановку, математические варианты lookalike, дизайн таргета, offline / online / business-метрики, требования к данным, baseline, продвинутые модели, переход от MVP к production, мониторинг деградации и финальный production-case.
Сквозная логика курса такая: у команды есть ценная seed-аудитория, ограниченный бюджет или capacity канала и большая база кандидатов. Нужно выбрать, кого добавить в аудиторию, как посчитать score, как не перепутать корреляцию с эффектом, как не усилить старые перекосы и как понять, что модель действительно приносит пользу. В финале вы собираете design document решения и проверяете его как на рабочем ревью или ML/DS-собеседовании.
335