Программа конференции

Проектирование семантического слоя и процесс его интеграции с Looker. Рассмотрены эксплуатационные ограничения, неочевидные технические сложности и собственные ошибки.

Свой event stream вместо AppMetrica — и минимальные требования к событийным данным, чтобы LLM-агент начал отвечать на вопросы по данным без человека в цикле.

Подходы и методы анализа когорт, тарифов, стадий жизненного цикла, поведения, причин ухода и др.

Сравним работу AI со схемой БД, данными, техническими метаданными и полноценным семантическим слоем.Разберём, какую часть бизнес-контекста AI способен восстановить из схемы и самих данных, а какую необходимо явно получить от компании, но при этом не превратить построение semantic layer в многолетний проект описания всей компании.

Доклад посвящён разработке библиотеки Whydra для выявления причинно-следственных зависимостей, оптимизации алгоритмов Causal Discovery и оценке их точности и производительности. Рассматриваются практические кейсы применения библиотеки в банковской сфере: анализ влияния кредитных решений и маркетинговых кампаний на клиентские показатели, а также исследование связи между открытием новых бизнесов и их последующей выручкой/

Как антифрод-аналитика превращает поведенческие и контентные сигналы в продуктовые ограничения, как измеряется их эффективность и как оценивать качество детектора на исторических данных.

Кластеризуем десятки миллионов корзин и показываем, что вместо чётких миссий там континуум с якорями. Расскажем, как отделить цель заказа от размера чека и скидки, какие метрики качества считать до A/B и почему мы перешли от кластеров к матрице «повод × товарная группа»

Доклад о создании системы оценки эффективности рекламы на базе Marketing Mix Modeling. На примере подхода X5 Digital рассматриваем, как объединить рекламные и бизнес-данные, выбрать модель, оценить будущую кампанию и сравнить варианты распределения бюджета в одном сервисе. Подготовка данных, модель и пользовательский процесс работают вместе. Такой подход помогает последовательно оценивать и сравнивать медиапланы, сохраняя ограничения модели и ответственность человека за окончательное решение.

А/Б-платформа Т-Банка (Hippo) объединяет экспертизу в математике и работе с внутренними данными в единый отказоустойчивый конвейер. В Hippo внедрены Multi-CUPED (x2.2 ускорение), проверки корректности эксперимента, последовательные методы для раннего выявления сломанных экспериментов (x3.5 ускорения ценой 1% мощности). Разберем, как на практике найти баланс между adoption и качеством.

Анализ транскриптов агентского цикла - ключевой навык для работы над качеством ИИ-продуктов. Собственные эвалы зачастую важнее публичных лидербордов: 10% прирост качества на state-of-the-art модели может вести к деградации пользовательского опыта. Слушатели узнают как применять LLM для решения сильно недетерминированных задач (в нашем случае это городская прогулка, но общие подходы - свой эвал, работа с транскриптами, файнтюнинг тулов, могут быть применимы где угодно) и научатся балансировать агентскую и детерминированную части продукта.

Делегирование аналитики ИИ не спасает от фундаментальных ошибок в статистике. Создатель стат-движка VWO Ишан Гоэл разбирает 5 главных ловушек интерпретации данных: от иллюзии средних значений до парадоксов А/В-тестирования и баланса ложноположительных ошибок. Вы узнаете, какие вопросы нужно задавать любому аналитическому отчету (сгенерированному человеком или нейросетью), чтобы не принять красиво оформленную, но математически неверную гипотезу за чистую монету.

Ретроспективная оценка совокупного эффекта на продукт от серии последовательных экспериментов. Методы оценки накопительного эффекта и когда необходим контр-фактический сценарий.

Раскроем техническую сторону разработки системы сквозной ROAS-отчетности, в рамках которой связали расходы рекламных сетей, клики и доходы в единый контур, что позволило оптимизировать performance-бюджет на 30%, Отчет стал источником данных (Single Source of Truth) как для ручной оптимизации байерами, так и для автоматических агентов, частично управляющих кампаниями через API, что в итоге сократило время реакции на просадки с дней до пары часов

Покажу, как построить маркетинговую AI-аналитику поверх того, что у вас уже работает, не ломая интеграции. Соберём звонки, сделки и веб-аналитику из телефонии, Битрикс24, Roistat, PostHog и Метрики в единый контур. Построим граф пути клиента в Neo4j: от первого клика до сделки. AI-агент обработает тысячи цепочек касаний и ответит на ключевой вопрос бизнеса: «На каких сегментах вы теряете деньги, а где реально зарабатываете?».

Дашборды перестают быть чьей-то работой, а семантика и контекст ещё не стали чьей-то работой. Как BI в Авито прожил 2026 год в этом тумане: сертификация дата-контента, AI-готовность доменов, скиллы и базы знаний, пререквизиты AI-аналитика, решённые и нерешённые проблемы. Без историй успеха, но с психотерапевтическим эффектом