В этом году Аттест выступил золотым спонсором Фестиваля наук о данных (DSF). Это означало, что у нас не только был стенд на конференции, но мы также выступили с докладом о том, как работает Data Science (DS) в Attest. Если вам интересно послушать наше выступление на DSF, вы можете получить доступ к записи здесь.
В ходе этого процесса мы поняли, что мало кто слышал об Attest. В этой статье мы хотели бы рассказать об Attest, о том, как DS работает с остальной частью компании (в частности, с Data Engineers, DE), и дать обзор проектов DS Attest.
Аттестовать продукт
Attest — это лондонская технологическая компания, занимающаяся исследованиями рынка, которая недавно привлекла финансирование серии B. Attest занимается бизнесом в сфере B2B и работает с клиентами всех размеров, от крупных компаний, таких как Microsoft, Boots и EE, до небольших быстрорастущих стартапов, таких как Made by Nacho’s, бренд кормов для кошек.
У Attest есть собственный продукт — платформа для проведения опросов. Наши клиенты могут войти на платформу, разработать свой опрос, выбрать целевую аудиторию (например, демографическую), запустить прессу, а мы сделаем остальную работу. Платформа Attest имеет доступ к более чем 125 миллионам людей в 58 странах, чтобы обеспечить быстрый, простой и масштабируемый способ получения ответов на вопросы опроса. Как только результаты доступны, мы показываем их нашим клиентам.
Специалисты по данным в Attest
В Attest используется кросс-функциональная модель отрядов, что означает, что специалисты по обработке и анализу данных входят в состав отрядов и работают вместе с менеджерами по продуктам, разработчиками программного обеспечения и дизайнерами для решения конкретных бизнес-задач. Кроме того, специалисты по данным проводят некоторое время вне команд, работая над проектами, которые имеют ценность для бизнеса. Мы также тесно сотрудничаем с инженерами данных для развертывания и мониторинга моделей в производстве.
В настоящее время наша команда состоит из 5 DS и 2 DE, и мы стремимся к росту. Проекты по науке о данных могут включать планирование экспериментов, контролируемое и неконтролируемое машинное обучение (ML) и обработку естественного языка (NLP).
Ниже вы можете увидеть несколько примеров проектов, над которыми мы работаем:
Специалисты по обработке данных в Attest обладают большой автономией, и проактивность является важной частью их роли. У нас также есть удивительные ритуалы и преимущества, некоторые из которых:
- Два дня в месяц внутренний хакатон
- 20% времени в месяц на работу над интересующим проектом
- 10 % времени в месяц вносить вклад или участвовать в благотворительной или общественной работе, которая улучшает или улучшает жизнь окружающих нас людей.
- Бюджет на конференции и обучение
- Бюджет на личный или профессиональный рост и развитие
Влияние науки о данных на бизнес при аттестации
Чтобы дать вам лучшее представление о влиянии DS на продукт Attest, мы предоставили два примера ниже:
1- Обнаружение данных плохого качества:
В прошлом маркетинговые исследования проводились лично или по телефону. Однако в настоящее время проведение онлайн-опросов намного быстрее и дешевле, и поэтому появились такие платформы, как Attest. Одна из основных проблем онлайн-опросов заключается в том, что респонденты (человек, отвечающий на опрос) могут не оставаться внимательными на всех вопросах. Кроме того, денежные поощрения, которые мы предлагаем нашим участникам опроса, могут легко привлечь бот-фермы или клик-фермы вместо настоящих респондентов. Эти типы нежелательного (некачественного) поведения могут исказить результаты опроса, и поэтому нам необходимо обнаруживать и устранять их. Ниже вы можете увидеть два примера ответа плохого качества:
Специалисты по данным Attest разработали несколько алгоритмов качества (например, статистические модели и модели машинного обучения), которые анализируют поведение респондентов, а также обнаруживают и удаляют нежелательных. Как вы можете видеть на изображении ниже, как только респонденты заполняют опрос, их ответы проходят через все наши алгоритмы качества, и каждый алгоритм выводит метку о том, хороший это респондент или плохой. Эти метки затем присваиваются окончательной взвешенной формуле, и принимается окончательное решение по респонденту. Если ответчик хороший, мы их оставляем, в противном случае отвечающего отвергаем. Более подробная информация об этих алгоритмах качества будет доступна в следующих статьях для СМИ.
Если для опроса требуется, например, 500 респондентов, а алгоритмы контроля качества удаляют n респондентов, платформа Attest продолжает набирать новых респондентов до тех пор, пока не будет достигнута цель в 500 респондентов. Поэтому наши алгоритмы должны быть достаточно быстрыми, чтобы отклонять респондентов до того, как они завершат опрос в режиме реального времени (т. е. ‹ 300 мс). Именно здесь DE помогает нам всеми своими крутыми знаниями и технологиями. В будущем у нас будут публикации среднего уровня о том, как DE развертывает и поддерживает наши модели в производственной среде.
2- Отображение полезных результатов для клиентов Attest:
Клиенты, являющиеся пользователями платформы Attest, хотели бы получать полезную информацию от качественных респондентов своих опросов. Именно здесь вступают в игру некоторые из наших алгоритмов НЛП, такие как создание групп/тем открытых текстовых ответов и демонстрация настроений. Ниже вы можете увидеть наше новое предложение о том, как наши клиенты могут визуализировать темы ответов в ответах и тип настроения, которое они передают.
Краткое содержание
В этой статье мы представили обзор Attest и его продукта (платформы для опросов), а также то, как наука о данных усовершенствовала платформу для проведения опросов, чтобы принимать решения и проводить анализ, в большей степени основанные на данных. У нас есть множество данных в Attest, около 100 тысяч опросов, около 30 миллионов респондентов и сотни данных о взаимодействии каждого из этих респондентов. Недавно мы также начали собирать данные о веб-взаимодействии респондентов, использующих платформу. В Attest есть много проектов и областей, где наука о данных может оказать дальнейшее влияние, например, анализ выборки респондентов (с помощью агрегаторов) или прогнозирование оттока для финансового отдела.
Если вы заинтересованы в присоединении к нашей команде или у вас есть какие-либо вопросы, не стесняйтесь обращаться к нам!
