سلام و ټولو ته! زما نوم ساشا دی، زه په LoyaltyLab کې CTO او شریک بنسټ ایښودونکی یم. دوه کاله دمخه، زه او زما ملګري، لکه د ټولو بې وزلو زده کونکو په څیر، ماښام زموږ کور ته نږدې نږدې پلورنځي ته د بیر اخیستلو لپاره لاړو. موږ ډیر خپه وو چې پرچون پلورونکي پدې پوهیدل چې موږ به د بیر لپاره راشي، په چپس یا کریکرونو کې تخفیف وړاندیز نه کوي، که څه هم دا خورا منطقي وه! موږ نه پوهیږو چې دا وضعیت ولې پیښیږي او پریکړه یې وکړه چې خپل شرکت پیل کړو. ښه، د بونس په توګه، خپل ځان ته هره جمعه په ورته چپسونو کې تخفیف ورکړئ.

او دا ټول هغه ځای ته رسیدلي چیرې چې زه د محصول تخنیکي اړخ کې مواد وړاندې کوم NVIDIA GTC. موږ خوشحاله یو چې خپل کار له ټولنې سره شریک کړو، نو زه خپل راپور د مقالې په بڼه خپروم.

پېژندنه

د سفر په پیل کې د هرچا په څیر، موږ د یوې کتنې سره پیل وکړ چې څنګه د سپارښتونکي سیسټمونه جوړ شوي. او تر ټولو مشهور معمارۍ په لاندې ډول وګرځيده:

دا دوه برخې لري:

1. د ساده او ګړندي ماډل په کارولو سره وړاندیزونو لپاره نوماندان نمونه کول ، معمولا یو همکار.
2. د ډیر پیچلي او ورو مینځپانګې ماډل سره د کاندیدانو درجه بندي ، په ډیټا کې د ټولو ممکنه ځانګړتیاو په پام کې نیولو سره.

له دې وروسته به زه لاندې شرایط وکاروم:

• د سپارښتنو لپاره کاندید / کاندید - د کارونکي محصول جوړه چې په احتمالي توګه په تولید کې وړاندیزونو کې شامل کیدی شي.
• د کاندیدانو استخراج / استخراج / کاندید استخراج میتود - د شته معلوماتو څخه د "سپارښتنې نوماندانو" استخراج لپاره یوه پروسه یا میتود.

په لومړي ګام کې معمولا د ګډو فلټر کولو مختلف توپیرونو کارول شامل دي. تر ټولو مشهور - ALS. دا د حیرانتیا خبره ده چې د وړاندیز کونکي سیسټمونو په اړه ډیری مقالې یوازې په لومړي مرحله کې د همکارۍ ماډلونو ته مختلف پرمختګونه څرګندوي، مګر هیڅوک د نورو نمونو میتودونو په اړه ډیرې خبرې نه کوي. زموږ لپاره، یوازې د همکارۍ ماډلونو کارولو طریقه او د دوی سره مختلف اصلاح کول د کیفیت سره کار نه کوي چې موږ یې تمه درلوده، نو موږ په ځانګړې توګه پدې برخه کې څیړنه پیل کړه. او د مقالې په پای کې به زه وښیم چې موږ څومره د ALS د ښه کولو توان درلود، کوم چې زموږ بنسټیز و.

مخکې له دې چې زه زموږ د تګلارې تشریح کولو ته لاړ شم، دا مهمه ده چې یادونه وکړو چې په ریښتیني وخت سپارښتنو کې، کله چې دا زموږ لپاره مهم وي چې د 30 دقیقې دمخه د معلوماتو په پام کې نیولو سره، واقعیا ډیری طریقې شتون نلري چې کولی شي په اړین وخت کې کار وکړي. مګر، زموږ په قضیه کې، موږ باید په ورځ کې یو ځل وړاندیزونه راټول کړو، او په ډیری مواردو کې - په اونۍ کې یو ځل، کوم چې موږ ته فرصت راکوي چې پیچلي ماډلونه وکاروو او کیفیت څو چنده ښه کړو.

راځئ چې د یوې اساسې کرښې په توګه واخلو چې یوازې ALS د کاندیدانو د استخراج په دنده کې څه شاخصونه ښیې. هغه کلیدي میترونه چې موږ یې څارو دا دي:

• دقیقیت - د نمونو څخه د سم انتخاب شوي کاندیدانو تناسب.
• یادول د هغو کاندیدانو تناسب دی چې په حقیقت کې د هدف وقفې کې وو.
• F1-score - F-پیمانه په تیرو دوو ټکو کې حساب شوی.

موږ به د اضافي مینځپانګې ب featuresو سره د تدریجي ودې روزنې وروسته د وروستي ماډل میټریکونه هم وګورو. دلته 3 اصلي میترونه هم شتون لري:

• precision@5 - د هر پیرودونکي لپاره د احتمال له مخې له پورتنۍ 5 څخه د محصولاتو اوسط سلنه.
• Response-rate@5 - پلورنځي ته د لیدو څخه د لږترلږه یو شخصي وړاندیز پیرود ته د پیرودونکو تبادله (په یوه وړاندیز کې 5 محصولات).
• اوسط roc-auc هر کارن - اوسط roc-auc د هر پیرودونکي لپاره.

دا مهمه ده چې په یاد ولرئ چې دا ټول میټریکونه اندازه کیږي د وخت لړۍ کراس اعتباريعنې، روزنه په لومړيو k اونيو کې واقع کيږي، او k+1 اونۍ د ازموينې د معلوماتو په توګه اخيستل کيږي. په دې توګه، موسمي پورته او ښکته د موډلونو د کیفیت په تفسیر لږ تر لږه اغیزه درلوده. نور په ټولو ګرافونو کې، د abscissa محور به د کراس تصدیق کې د اونۍ شمیره په ګوته کړي، او منظم محور به د ټاکل شوي میټریک ارزښت په ګوته کړي. ټول ګرافونه د یو پیرودونکي څخه د لیږد ډیټا پراساس دي ترڅو د یو بل ترمینځ پرتله کول سم وي.

مخکې له دې چې موږ د خپلې تګلارې تشریح پیل کړو، موږ لومړی اساسی کرښه وګورو، کوم چې د ALS روزل شوی ماډل دی.
د نوماندانو د ترلاسه کولو میټریکونه:

وروستنۍ میټریکونه:

زه د الګوریتم ټول پلي کول د یو ډول سوداګرۍ فرضیې په توګه چلند کوم. په دې توګه، په عمدي توګه، هر ډول همکارۍ ماډل د فرضیې په توګه ګڼل کیدی شي چې "خلک هغه څه اخلي چې ورته ورته خلک اخلي." لکه څنګه چې ما مخکې وویل، موږ خپل ځان په داسې سیمانټیکونو پورې محدود نه کړو، او دلته ځینې فرضیې دي چې په آفلاین پرچون کې د معلوماتو په اړه ښه کار کوي:

1. کوم چې ما دمخه اخیستی دی.
2. د هغه څه په څیر چې ما مخکې اخیستی و.
3. د اوږدې مودې پیرود موده.
4. د کټګورۍ/برانډ له مخې مشهور.
5. له اونۍ څخه تر اونۍ پورې د مختلف توکو بدیل پیرود (مارکوف زنځیرونه).
6. د پیرودونکو لپاره ورته محصولات، د ځانګړتیاوو سره سم چې د مختلف ماډلونو لخوا جوړ شوي (Word2Vec، DSSM، او نور).

مخکې مو څه پېرل؟

خورا څرګند هوریستیک چې د پرچون پرچون پلور کې خورا ښه کار کوي. دلته موږ ټول هغه توکي اخلو چې د وفادارۍ کارت لرونکي په تیرو K ورځو کې (معمولا 1-3 اونۍ) یا یو کال دمخه K ورځو کې پیرودل. یوازې د دې میتود پلي کول ، موږ لاندې میټریکونه ترلاسه کوو:

دلته دا څرګنده ده چې هر څومره چې موږ دوره اوږده کړو، هومره یې یادونه کوو او لږ دقیقیت لرو او برعکس. په اوسط ډول، "وروستی 2 اونۍ" د پیرودونکو لپاره غوره پایلې ورکوي.

د هغه څه په څیر چې ما مخکې اخیستی و

دا د حیرانتیا خبره نده چې د پرچون پرچون پلور لپاره "هغه څه چې ما مخکې اخیستي" ښه کار کوي، مګر یوازې د هغه څه څخه د کاندیدانو استخراج کول چې کاروونکي یې دمخه اخیستي وي خورا ښه نه وي، ځکه چې دا امکان نلري چې پیرودونکي د یو څه نوي محصول سره حیران کړي. له همدې امله، موږ وړاندیز کوو چې د ورته همکار موډلونو په کارولو سره دا هوریستیک یو څه ښه کړو. د هغه ویکتورونو څخه چې موږ د ALS روزنې په جریان کې ترلاسه کړي، موږ کولی شو ورته محصولات ترلاسه کړو هغه څه چې کارونکي دمخه پیرود کړي. دا نظر د ویډیو مینځپانګې لیدو لپاره خدماتو کې "ورته ویډیو" ته ورته دی ، مګر ځکه چې موږ نه پوهیږو چې کارونکي په یوه ځانګړي شیبه کې څه خوري / پیرود کوي ، موږ یوازې کولی شو ورته ورته وګورو هغه څه ته چې دمخه یې اخیستي وي ، په ځانګړي توګه ځکه چې موږ دمخه پوهیږو چې دا څومره ښه کار کوي. په تیرو 2 اونیو کې د کاروونکو لیږدونو کې د دې طریقې پلي کول، موږ لاندې معیارونه ترلاسه کوو:

دا k - د ورته محصولاتو شمیر چې په تیرو 14 ورځو کې د پیرودونکي لخوا اخیستل شوي د هر محصول لپاره ترلاسه شوي.
دې تګلارې په ځانګړي توګه زموږ د پیرودونکي لپاره ښه کار کړی ، د کوم لپاره چې دا خورا مهم و چې د هغه څه وړاندیز ونه کړي چې دمخه د کارونکي پیرود تاریخ کې و.

ناوخته د پیرود موده

لکه څنګه چې موږ دمخه موندلي ، د توکو پیرودلو لوړ فریکونسۍ له امله ، لومړۍ تګلاره زموږ د ځانګړو اړتیاو لپاره ښه کار کوي. مګر د توکو په اړه څه لکه د مینځلو پوډر / شیمپو / او نور. دا د محصولاتو سره چې امکان نلري هره اونۍ یا دوه ورته اړتیا وي او دا چې پخوانۍ میتودونه نشي استخراج کولی شي. دا د لاندې مفکورې لامل کیږي - دا وړاندیز کیږي چې د هر محصول پیرود موده په اوسط ډول د پیرودونکو لپاره محاسبه کړي چې محصول یې ډیر پیرود کړی. k یوځل. او بیا هغه څه استخراج کړئ چې پیرودونکی یې ډیر احتمال لري دمخه پای ته رسیدلی وي. د توکو لپاره محاسبه شوې مودې ستاسو د سترګو سره د کافي کیدو لپاره چیک کیدی شي:

او بیا به موږ وګورو چې ایا د محصول دورې پای د وخت وقفې کې راځي کله چې وړاندیزونه به په تولید کې وي او نمونه څه پیښیږي. دا طریقه په لاندې ډول تشریح کیدی شي:

دلته موږ دوه اصلي قضیې لرو چې په پام کې نیول کیدی شي:

1. ایا دا اړینه ده چې د پیرودونکو څخه محصولات نمونه کړئ چې محصول یې د K وخت څخه لږ پیرود کړی.
2. ایا دا اړینه ده چې یو محصول نمونه کړئ که چیرې د دې دورې پای د هدف وقفې له پیل څخه دمخه راشي.

لاندې ګراف ښیې چې دا میتود د مختلف هایپرپرامیټرونو سره کومې پایلې ترلاسه کوي:

ft - یوازې هغه پیرودونکي واخلئ چې لږترلږه K (دلته K = 5) ځله محصول اخیستی وي
tm - یوازې هغه نوماندان واخلئ چې د هدف وقفې کې راځي

دا د حیرانتیا خبره نه ده چې هغه توان لري (0، 0) ترټولو لوی یادونه وکړه او تر ټولو کوچنی دقیقهځکه چې د دې حالت لاندې ډیری کاندیدان بیرته اخیستل کیږي. په هرصورت، غوره پایلې ترلاسه کیږي کله چې موږ د پیرودونکو لپاره محصولات نمونه نه کوو چې یو ځانګړی محصول یې لږ څه پیرودلی k وختونه او استخراج، د توکو په شمول، د مودې پای چې د هدف وقفې څخه مخکې راځي.

د کټګورۍ له مخې مشهور

یو بل څرګند څرګند نظر دا دی چې په بیلابیلو کټګوریو یا برانڈونو کې مشهور محصولات نمونه کړئ. دلته موږ د هر پیرودونکي لپاره حساب کوو ټاپ-k "غوره" کټګورۍ/برانډونه او د دې کټګورۍ/برانډ څخه "مشهور" استخراج کړئ. زموږ په قضیه کې ، موږ به د محصول پیرود شمیر له مخې "غوره" او "مشهور" وټاکو. د دې طریقې یوه اضافي ګټه د سړه پیل په قضیه کې د هغې تطبیق دی. دا د هغو پیرودونکو لپاره دی چې یا یې خورا لږ پیرودونه کړي، یا د اوږدې مودې لپاره پلورنځي ته نه دي راغلي، یا یوازې د وفادارۍ کارت خپور کړی. د دوی لپاره، دا د توکو ذخیره کول اسانه او غوره دي چې د پیرودونکو سره مشهور دي او تاریخ لري. پایله لرونکي میټریکونه دي:

دلته د "کټګورۍ" کلمې وروسته شمیره د کټګورۍ د ځړولو کچه معنی لري.

په ټولیز ډول، دا هم د حیرانتیا خبره نده چې تنګ کټګورۍ غوره پایلې ترلاسه کوي، ځکه چې دوی د پیرودونکو لپاره ډیر دقیق "غوره" محصولات استخراجوي.

له اونۍ څخه تر اونۍ پورې د مختلف توکو بدیل پیرود

یو په زړه پوری کړنلاره چې ما د وړاندیز کونکي سیسټمونو په اړه مقالو کې نه دی لیدلی خورا ساده او په ورته وخت کې د مارکوف زنځیرونو احصایوي میتود کار کوي. دلته موږ 2 مختلف اونۍ وخت نیسو، بیا د هر پیرودونکي لپاره موږ د محصولاتو جوړه جوړه کوو [په اونۍ کې اخیستل شوی] - [په اونۍ کې j اخیستل شوی]، چیرته چې j > i، او له دې ځایه موږ د هر محصول لپاره راتلونکې اونۍ بل محصول ته د بدلیدو احتمال محاسبه کوو. يعنې د هرې جوړې سامان لپاره producti-productj موږ د دوی شمیر په موندلو جوړه کې شمیرو او د جوړو شمیر سره ویشو، چیرته محصولات په لومړۍ اونۍ کې وه. د کاندیدانو د استخراج لپاره، موږ د پیرودونکي وروستی رسید او استخراج اخلو ټاپ-k د لیږد میټرکس څخه خورا احتمالي راتلونکي محصولات چې موږ ترلاسه کړل. د لیږد میټرکس جوړولو پروسه داسې ښکاري:

د لیږد احتمالي میټرکس کې د اصلي مثالونو څخه موږ لاندې په زړه پوري پدیده ګورو:

دلته تاسو په زړه پورې انحصارونه لیدلی شئ چې د مصرف کونکي چلند کې څرګند شوي: د مثال په توګه ، د لیمو میوو مینه وال یا د شیدو برانډ چې له هغې څخه دوی احتمال لري بل ته واړوي. دا هم د حیرانتیا خبره نده چې محصولات د تکرار پیرود لوړې فریکونسۍ سره ، لکه مکھن هم دلته پای ته رسیږي.

د مارکوف زنځیرونو سره میتود کې میټریکونه په لاندې ډول دي:

k - د محصولاتو شمیر چې د پیرودونکي وروستي لیږد څخه د هر پیرود شوي محصول لپاره ترلاسه کیږي.
لکه څنګه چې موږ لیدلی شو، غوره پایله د k = 4 سره د ترتیب لخوا ښودل شوي. په 4 اونۍ کې زیاتوالی د رخصتیو شاوخوا موسمي چلند لخوا توضیح کیدی شي. 

پیرودونکو ته ورته محصولات، د ځانګړتیاوو سره سم چې د مختلف ماډلونو لخوا جوړ شوي

اوس موږ خورا ستونزمن او په زړه پوري برخې ته رسیدلي یو - د پیرودونکو ویکتورونو او د مختلف ماډلونو سره سم جوړ شوي محصولاتو پراساس د نږدې ګاونډیانو لټون. زموږ په کار کې موږ 3 داسې ماډلونه کاروو:

• ALS
• Word2Vec (د داسې کارونو لپاره Item2Vec)
• د ‏‎DSSM

موږ دمخه د ALS سره معامله کړې ، تاسو کولی شئ پدې اړه ولولئ چې دا څنګه زده کوي دلته. د Word2Vec په حالت کې، موږ د ماډل ښه پیژندل شوي پلي کولو څخه کار اخلو gensim. د متنونو سره په ورته والی سره، موږ وړاندیز د پیرود رسید په توګه تعریف کوو. په دې توګه، کله چې د محصول ویکتور جوړ کړئ، ماډل زده کوي چې د محصول لپاره په رسید کې د هغې "مقالې" (په رسید کې پاتې محصولات) وړاندوینه وکړي. د ای کامرس ډیټا کې ، دا غوره ده چې د رسید پرځای د پیرودونکي ناستې وکاروئ؛ هلکان اوزون. او DSSM د پارس کولو لپاره خورا زړه پورې دی. په پیل کې، دا د مایکروسافټ د هلکانو لخوا د لټون لپاره د ماډل په توګه لیکل شوی و، تاسو کولی شئ د څیړنې اصلي مقاله دلته ولولئ. د ماډل جوړښت داسې ښکاري:

دا Q - پوښتنه، د کارن لټون پوښتنه، د[i] - سند، انټرنیټ پاڼه. ماډل ته ننوتل په ترتیب سره د غوښتنې او پاڼو ځانګړتیاوې دي. د هر ان پټ پرت څخه وروسته یو شمیر بشپړ تړل شوي پرتونه شتون لري (ملټي لییر پرسیپټرون). بیا، ماډل زده کوي چې د موډل په وروستیو پرتونو کې ترلاسه شوي ویکتورونو ترمنځ کوزین کم کړي.
د سپارښتنې دندې په سمه توګه ورته جوړښت کاروي، یوازې د غوښتنې پرځای یو کاروونکي شتون لري، او د پاڼو پرځای محصولات شتون لري. او زموږ په قضیه کې، دا جوړښت په لاندې ډول بدل شوی:

اوس، د پایلو چک کولو لپاره، دا د وروستي ټکي پوښلو لپاره پاتې دي - که د ALS او DSSM په قضیه کې موږ په واضح ډول د کاروونکي ویکتورونه تعریف کړي، نو د Word2Vec په صورت کې موږ یوازې د محصول ویکتورونه لرو. دلته، د کاروونکي ویکتور جوړولو لپاره، موږ 3 اصلي طریقې تعریف کړې:

1. یوازې ویکتورونه اضافه کړئ، بیا د کوزین فاصلې لپاره دا معلومه شوه چې موږ په ساده ډول د پیرود تاریخ کې محصولات اوسط کړل.
2. د ویکتور مجموعه د ځینې وخت وزن سره.
3. د TF-IDF کوفینټ سره د توکو وزن کول.

د پیرودونکي ویکتور د خطي وزن کولو په حالت کې، موږ د فرضیې څخه پرمخ ځو چې هغه محصول چې کاروونکي پرون پیرودلی د هغه محصول په پرتله چې هغه شپږ میاشتې مخکې اخیستی و، د هغه په ​​چلند باندې ډیر نفوذ لري. نو موږ د پیرودونکي تیرې اونۍ په پام کې نیسو چې د 1 سره توپیر لري، او بیا د ½، ⅓، او داسې نور سره څه پیښ شوي:

د TF-IDF کوفیفینټس لپاره، موږ د متنونو لپاره د TF-IDF په څیر ورته کار کوو، یوازې موږ پیرودونکي د سند په توګه ګورو، او چک د وړاندیز په توګه په ترتیب سره، کلمه یو محصول دی. په دې توګه، د کارونکي ویکتور به د نادرو توکو په لور نور هم حرکت وکړي، پداسې حال کې چې د پیرودونکي لپاره بار بار او پیژندل شوي توکي به دا ډیر بدلون ونه کړي. دا طریقه په لاندې ډول تشریح کیدی شي:

اوس راځئ چې میترونو ته وګورو. دا هغه څه دي چې د ALS پایلې ورته ښکاري:

د Item2Vec لپاره میټریکونه د پیرودونکي ویکتور جوړولو مختلف توپیرونو سره:

په دې حالت کې، دقیقا ورته ماډل کارول کیږي لکه څنګه چې زموږ په اساس کې. یوازینی توپیر دا دی چې کوم k موږ به وکاروو. یوازې د همکارۍ ماډلونو کارولو لپاره، تاسو باید د هر پیرودونکي لپاره نږدې 50-70 نږدې محصولات واخلئ.

او د DSSM مطابق میټریکونه:

څنګه ټول میتودونه یوځای کړئ؟

ښه، تاسو ووایاست، مګر د کاندید استخراج وسیلو دومره لوی سیټ سره څه وکړي؟ ستاسو د معلوماتو لپاره غوره ترتیب څنګه غوره کړئ؟ دلته موږ څو ستونزې لرو:

1. دا اړینه ده چې په هر میتود کې د هایپرپرامیټرونو لپاره د لټون ځای محدود کړئ. دا، البته، هر ځای جلا دی، مګر د ممکنه ټکو شمیر خورا لوی دی.
2. د ځانګړي هایپرپرامیټرونو سره د ځانګړو میتودونو کوچنۍ محدودې نمونې کارول ، تاسو څنګه کولی شئ د خپل میټریک لپاره غوره ترتیب غوره کړئ؟

موږ تر اوسه د لومړۍ پوښتنې لپاره دقیق ځواب نه دی موندلی، نو موږ له لاندې څخه کار اخلو: د هرې میتود لپاره، د هایپرپرامیټر لټون ځای محدودیت لیکل شوی، د ځینو احصایو پورې اړه لري چې موږ یې لرو. په دې توګه، د خلکو څخه د پیرودلو تر مینځ د منځنۍ مودې په پوهیدو سره، موږ اټکل کولی شو چې د کومې مودې سره د "هغه څه چې دمخه اخیستل شوي" او "د اوږدې تیرې پیرود موده" طریقه وکاروو.

او وروسته له دې چې موږ د مختلفو میتودونو د یو مشخص شمیر بدلونونو څخه تیر شو، موږ لاندې یادونه کوو: هر تطبیق یو ټاکلی شمیر نوماندان استخراجوي او زموږ لپاره د کلیدي میټریک یو ټاکلی ارزښت لري (یادول). موږ غواړو د کاندیدانو ټولټال شمیر ترلاسه کړو، زموږ د اجازه وړ کمپیوټري ځواک پورې اړه لري، د لوړ ممکنه میټریک سره. دلته ستونزه په ښکلا سره د شاتنۍ ستونزې ته راوتلې.

دلته د کاندیدانو شمیر د انګوټ وزن دی، او د یادولو طریقه د هغې ارزښت دی. په هرصورت، دوه نور ټکي شتون لري چې باید د الګوریتم پلي کولو په وخت کې په پام کې ونیول شي:

• میتودونه ممکن په هغه کاندیدانو کې چې دوی یې ترلاسه کړي یو بل سره یوځای شي.
• په ځینو حاالتو کې، دا به سمه وي چې یو میتود دوه ځله د مختلف پیرامیټونو سره واخلئ، او د لومړي څخه د کاندید محصول به د دویمې برخې نه وي.

د مثال په توګه، که موږ د بیا ترلاسه کولو لپاره د مختلف وقفو سره د "هغه څه چې ما مخکې اخیستي دي" میتود پلي کول په پام کې ونیسو، نو د دوی د کاندیدانو سیټونه به په یو بل کې ځای پرځای شي. په ورته وخت کې، په وتلو کې "دوره پیرود" کې مختلف پیرامیټونه بشپړ تقاطع نه وړاندې کوي. له همدې امله، موږ د نمونې اخیستلو طریقې د مختلفو پیرامیټونو سره په بلاکونو ویشو لکه د هر بلاک څخه موږ غواړو چې د ځانګړو هایپر پارامیټرونو سره د استخراج یوه طریقه غوره کړو. د دې کولو لپاره، تاسو اړتیا لرئ چې د نیپسیک ستونزې پلي کولو کې یو څه هوښیار اوسئ، مګر د نښې نښانې او پایله به بدلون ونلري.

دا سمارټ ترکیب موږ ته اجازه راکوي چې د ساده همکارۍ ماډلونو په پرتله لاندې میټریکونه ترلاسه کړو:

په وروستي میټریکونو کې موږ لاندې انځور ګورو:

په هرصورت، دلته تاسو لیدلی شئ چې د سپارښتنو لپاره یو ناڅرګند ټکی شتون لري چې د سوداګرۍ لپاره ګټور دي. اوس موږ یوازې زده کړل چې څنګه د وړاندوینې عالي دنده ترسره کړو چې کارونکي به څه واخلي ، د مثال په توګه ، راتلونکې اونۍ. مګر په ساده ډول د هغه څه په اړه تخفیف ورکول چې هغه به دمخه واخلي خورا ښه ندي. مګر دا ښه ده چې تمه اعظمي کړئ، د بیلګې په توګه، د لاندې میترونو څخه:

1. د شخصي سپارښتنو پراساس مارجن / تبادله.
2. د پیرودونکي اوسط چک.
3. د لیدنو تعدد.

نو موږ ترلاسه شوي احتمالات د مختلف کوفیفینټ لخوا ضرب کوو او بیا یې درجه بندي کوو ترڅو هغه محصولات چې پورته میټریک اغیزه کوي سر ته ورسیږي. هیڅ چمتو شوی حل شتون نلري چې د کومې طریقې کارولو لپاره غوره وي. موږ حتی په مستقیم ډول په تولید کې د ورته کوفیفینس سره تجربه کوو. مګر دلته په زړه پوري تخنیکونه دي چې ډیری وختونه موږ ته غوره پایلې راکوي:

1. د محصول قیمت / حاشیه ضرب کړئ.
2. د اوسط رسید په واسطه ضرب کړئ په کوم کې چې محصول څرګندیږي. نو مالونه به راشي، کوم چې دوی معمولا بل څه اخلي.
3. د دې محصول د پیرودونکو لخوا د لیدنې اوسط فریکونسۍ سره ضرب کړئ، د فرضیې پراساس چې دا محصول خلک هڅوي چې ډیر ځله بیرته راستانه شي.

د کوفیفینټس سره د تجربو ترسره کولو وروسته، موږ په تولید کې لاندې معیارونه ترلاسه کړل:

دا د محصولاتو عمومي تبادله - په سپارښتنو کې د ټولو محصولاتو څخه د پیرود شوي محصولاتو برخه چې موږ تولید کړي.

پام لرونکی لوستونکی به د آفلاین او آنلاین میټریکونو ترمنځ د پام وړ توپیر وګوري. دا چلند د دې حقیقت لخوا توضیح شوی چې د محصولاتو لپاره ټول متحرک فلټرونه چې وړاندیز کیدی شي د ماډل روزنې پرمهال په پام کې ونه نیول شي. زموږ لپاره، دا یوه عادي کیسه ده کله چې د ترلاسه شوي کاندیدانو نیمایي فلټر شي؛ دا ځانګړتیا زموږ په صنعت کې معمول دی.

د عوایدو په برخه کې، لاندې کیسه ترلاسه کیږي، دا روښانه ده چې د سپارښتنو له پیل وروسته، د آزموینې ګروپ عواید په کلکه وده کوي، اوس زموږ د وړاندیزونو سره د عوایدو اوسط زیاتوالی 3-4٪ دی:

په پایله کې، زه غواړم ووایم چې که تاسو غیر ریښتیني سپارښتنو ته اړتیا لرئ، نو د کیفیت خورا لوی زیاتوالی د وړاندیزونو لپاره د کاندیدانو استخراج سره تجربو کې موندل کیدی شي. د دوی نسل لپاره لوی وخت دا امکان ورکوي چې ډیری ښه میتودونه یوځای کړي، کوم چې په مجموع کې به د سوداګرۍ لپاره عالي پایلې ورکړي.

زه به خوښ شم چې د هرچا سره په نظرونو کې خبرې وکړم څوک چې مواد په زړه پوري ومومي. تاسو کولی شئ له ما څخه په شخصي توګه پوښتنې وکړئ telegram. زه په خپل کې د AI/Startups په اړه خپل نظرونه هم شریکوم د ټیلیګرام چینل - ښه راغلاست :)

سرچینه: www.habr.com