Twip battle - 50000 посетителей за 25 - VS - Создание предиктивных

Мы можем равномерно растянуть пользователей на любое кол-во дней (не более 25). 

1. Пользователи: живые, не боты
2. Гео: в основном РФ (примерно 70-80%)
3. Источник: Переходы по ссылкам на сайтах, Прямые заходы, Переходы из социальных сетей, Переходы по рекламе, Загрузка сайта при серфинге

Не беру в работу с детектами AV, локеры, не работающие в iframe, без счетчиков, редиректы, видео (ютуб и др), медленной загрузкой, на укозе и тп

Гостевой доступ к Я. Метрике или Гугл Аналите - обязателен! ! !

Наши источники десктоп/мобайл софт, браузерные расширения. Все пользователи белые и дали свое согласие на доп. рекламу взамен использовать софт бесплатно

Предиктивная модель - эффективный инструмент поддержки принятия бизнес-решений. Создание такой модели - процесс поиска закономерностей с использованием алгоритмов машинного обучения (Mashine Lerning) в существующем наборе исторических данных (обучение модели) для предсказания наиболее вероятных вариантов развития событий в будущем (применение модели).

Классифицирующая модель позволяет разбить большой массив данных на группы (классы), характеризующиеся сходным набором признаков, используя явные и неявные закономерности. Применение такой модели, позволяет, например, определить группы пользователей, характеризующихся определенным поведением и сделать им предложения, интересные именно для них.

Для обеспечения качества работы модели необходим тщательный отбор и подготовка входных данных. Также может возникнуть необходимость во внешних данных. Результатом моей работы будет:

1) сама модель в формате, определяемом выбранной моделью (например, в случае линейных моделей это будет вектор весов каждого из факторов. Вес фактора определяет степень его влияния на результат)

2) отчет о валидности (точности предсказания) модели

3) файл с результатами применения модели к исследуемому набору данных