• Wszystko zaczyna się od... problemu biznesowego
• Nie wystarczy prototypować, czyli czas na MLOps
• Systematyzacja pracy Data Scientistów
• Współpraca w globalnym środowisku
• Dane - nieograniczony potencjał możliwości
• Operacjonalizacja procesów przedsiębiorstw - konieczność czy moda?
• Analityka predykcyjna a wyzwania w czasie i po pandemii
• czego nie daje nam prototyp?
• jak przygotować się do dalszej drogi?
• niespodzianki i przeszkody po drodze,
• życie nie kończy się na wdrożeniu.
• statystyczne metody analizy danych wykorzystywane w audycie,
• elementy uczenia maszynowego wykorzystywane w audycie,
• wykorzystanie technik Big Data w audycie.
• jak układać procesy decyzyjne w organizacji, aby maksymalnie wykorzystać różnorodność opinii w zespole,
• zarządzanie sztuczną inteligencją do zastosowania w zarządzaniu zespołem.
• nasza strategia Data Driven Company,
• główne obszary transformacji,
o jak zbudowaliśmy,
o jakie podejście,
o jakie narzędzia,
• analityczny silnik rekomendacji oparty o uczenie maszynowe – jedna z naszych inicjatyw.
• w OLX zwykliśmy o sobie mówić, że jesteśmy przerośniętym startup-em. Dlaczego? Ponieważ mimo dużych rozmiarów organizacji, zachowujemy zwinność myślenia i kładziemy nacisk na projektowanie rozwiązań wokół potrzeb użytkowników. Proces dojrzewania organizacji wymusza jednocześnie potrzebę strukturyzacji poszczególnych obszarów, takich jak wsparcie naszych klientów biznesowych.
• w ramach projektu “Operacja Segmentacja B2C” połączyliśmy siły zespołów UX Research i Data Science. Synergia danych ilościowych i jakościowych pozwoliła nam na stworzenie grup użytkowników biznesowych w oparciu o zachowanie (odpowiedź na pytanie “co?”) oraz dogłębne zrozumienie potrzeb (odpowiedź na pytanie “dlaczego?”).
• owoce projektu wspierają działania zespołu odpowiedzialnego za rozwój produktu, strategię, marketing i sprzedaż.
• handel elektroniczny rośnie dynamicznie – a od startu pandemii jeszcze szybciej,
• firmy konkurują o skonczona pulę klientów – I każdy chciałby się wyróżnić. Ale jak?
• wszyscy mówią o sztucznej inteligencji, na ogół nie ma to związku z praktyką w biznesie: z jednej strony zabawkowe przykłady, z drugiej wyspecjalizowane zastosowania,
• używając metod AI mozna sprofilować treści dla konkretnego użytkownika,
• nie trzeba do tego budżetu na poziomie Google’a czy FB: wystarczy narzędzia open source,
• use case: spersonalizowane rekomendacje dla klientów platformy e-commerce.
• w jakie pułapki najczęściej wpadają projekty uczenia maszynowego,
• czym ML różni się od „tradycyjnego programowania” i dlaczego to może pogrążyć Twój projekt?
• jak zminimalizować ryzyko na jakie narażasz się inwestując w ML?
• wyzwania dla firm w sytuacji kryzysowej
• wybrane najciekawsze rozwiązania Data & AI