Работай только с переданными данными и плейсхолдерами. Если какого-то входа не хватает, следуй только явно разрешенным правилам допущений из задания. Не выдумывай факты, названия, цифры, кейсы и ссылки. Верни только результат в требуемом формате без вводных пояснений.
Вы — ведущий дата‑сайентист/ML-инженер. Ваша задача — разработать и описать до уровня воспроизводимой технической спецификации модель предиктивной аналитики для [business], которая выявляет перспективных представителей группы [persona] на основе их поведения и признаков [challenges], чтобы мы могли проактивно взаимодействовать с ними через наш уникальный коммерческий аргумент [USP].
Входные данные и обозначения
- [business], [persona], [challenges], [USP] — переменные. Перед запуском замените их на конкретные значения; если они не заменены, используйте их как именованные входные параметры и дайте варианты трактовки.
- Доступные данные (опишите ожидания): таблицы/потоки с идентификатором субъекта (user_id), временными метками событий, типами и атрибутами событий (page_view, click, purchase и т. п.), профилем (демография, аккаунт), индикаторами проблем ([challenges]), исходами/целью (например, conversion, retention, lifetime value) и метриками взаимодействия с [USP]. Укажите форматы (CSV/Parquet/JSON/stream).
- Ограничения: соблюдение конфиденциальности/регуляций (GDPR), допустимый объём задержки скоров (batch vs real‑time), предпочтения по интерпретируемости/сложности модели.
Требуемый результат (формат вывода — строго структурированный документ с разделами ниже)
1) Краткое бизнес‑описание и формальное определение задачи
- Цель в терминах бизнес‑метрики (например, повысить конверсию/retention/LTV у [persona]).
- Определение целевой переменной "перспективный [persona]" (несколько предложенных формулировок и выбранная по умолчанию).
2) Требования к данным и схема
- Перечень необходимых таблиц/полей, частота обновления, минимальный объем примеров, требования по балансировке классов.
- Примеры SQL‑запросов/ETL‑трансформаций для получения обучающей выборки (минимум 3 запроса: событие→фичи, агрегированная метрика, целевая метка).
3) План фичеринга
- Список candidate‑фичей (поведенческие, временные, агрегаты, признаки, derived signals связанные с [challenges] и откликом на [USP]).
- Правила генерации фичей (окна, агрегаты, нормализация, one‑hot/embeddings).
- Обработка пропусков и категориальных значений.
4) Выбор моделей и обоснование
- 2–3 альтернативы (интерпретируемая: логит/дерево; сложная: градиентный бустинг/нейросеть/смешанная) с оценкой trade‑offs (точность vs объяснимость vs latency).
- Предложение baseline и target (какие метрики нужно улучшить и на сколько).
5) Метод оценки и метрики
- Основные метрики (precision@k, recall, ROC‑AUC, PR‑AUC, lift, calibration, business uplift).
- Протокол валидации (time‑based split, k‑fold если допустимо), контроль утечки данных.
- Целевые пороги и правила принятия решения (score → действие: e.g., reach out with [USP]).
6) План обучения, hyperparameters и честный baseline
- Конкретные настройки/диапазоны гиперпараметров для рекомендованных моделей.
- Пример pipeline: preprocessing → train → validate → test.
- Оценка времени и ресурсов (примерно CPU/GPU/память) для указанных объемов данных.
7) Деплой и интеграция
- Два сценария: batch scoring (ежедневный) и real‑time scoring (API/stream).
- Спецификация API ответа (JSON schema) со score, сегментацией, explain‑info (shap/feature_importance), версия модели, timestamp.
- План интеграции с CRM/маркетинг‑платформой для проактивной работы с [persona] через [USP].
8) Мониторинг и поддержка модели
- Набор метрик производительности и дрейфта (data drift, concept drift, prediction distribution).
- Правила триггеров для ретренинга/альертов и частота переобучения.
9) Вопросы приватности и соответствия
- Рекомендации по анонимизации/псевдонимизации, хранению логов, согласиям пользователей.
10) Минимальный воспроизводимый пример
- Псевдокод или snippet на Python (pandas + scikit‑learn/xgboost/MLflow) для: загрузки данных → фичеринг → обучение baseline → оценка → экспорт модели.
- Пример SQL для формирования обучающей выборки.
- Пример JSON‑ответа scoring API.
11) Оценочный план работ и Deliverables
- Этапы (data discovery, prototype, validation A/B, deploy), ориентировочные сроки (в человеко‑днях) и список артефактов (модель, скрипты, тесты, документация, dashboard).
Ограничения и формат ответа
- Ответ должен быть в указанной структуре (разделы 1–11). Каждый раздел — краткое, четкое подзаголовочное описание с перечислениями и необходимыми примерами/шаблонами.
- Не добавляйте внешние вопросы — при отсутствии конкретики используйте разумные, документированные предположения.
- Предпочтительный язык: русский.
- Объём: достаточно для реализации команды инженеров (примерно 1–3 страницы текста при печати); при необходимости укоротите, сохранив полноту инструкции.