home.social

#персонализация_контента — Public Fediverse posts

Live and recent posts from across the Fediverse tagged #персонализация_контента, aggregated by home.social.

  1. Как цифровой клон покупателя помогает ретейлу делать умные офферы

    Привет, Хабр! Меня зовут Катя, я продакт-менеджер в Lenta Tech («Группа Лента»). Сегодня хочу рассказать о том, как цифровой клон покупателя помогает сделать персональные офферы с конверсией в лиды. В статье расскажу о новом витке развития персонализации с использованием больших языковых моделей, а именно — как можно построить «цифровой клон» клиента на основе его чеков и поведенческих данных и использовать его для создания узконаправленных офферов. Разберем архитектуру решения, проблемы, с которыми мы столкнулись, и результаты, которые принесли рост продаж и охватов среди нашей аудитории.

    habr.com/ru/companies/lentatec

    #Клон #DS #crmсистемы #коммуникации #lentatech #vk_cloud #персонализация_контента

  2. Как цифровой клон покупателя помогает ретейлу делать умные офферы

    Привет, Хабр! Меня зовут Катя, я продакт-менеджер в Lenta Tech («Группа Лента»). Сегодня хочу рассказать о том, как цифровой клон покупателя помогает сделать персональные офферы с конверсией в лиды. В статье расскажу о новом витке развития персонализации с использованием больших языковых моделей, а именно — как можно построить «цифровой клон» клиента на основе его чеков и поведенческих данных и использовать его для создания узконаправленных офферов. Разберем архитектуру решения, проблемы, с которыми мы столкнулись, и результаты, которые принесли рост продаж и охватов среди нашей аудитории.

    habr.com/ru/companies/lentatec

    #Клон #DS #crmсистемы #коммуникации #lentatech #vk_cloud #персонализация_контента

  3. Как цифровой клон покупателя помогает ретейлу делать умные офферы

    Привет, Хабр! Меня зовут Катя, я продакт-менеджер в Lenta Tech («Группа Лента»). Сегодня хочу рассказать о том, как цифровой клон покупателя помогает сделать персональные офферы с конверсией в лиды. В статье расскажу о новом витке развития персонализации с использованием больших языковых моделей, а именно — как можно построить «цифровой клон» клиента на основе его чеков и поведенческих данных и использовать его для создания узконаправленных офферов. Разберем архитектуру решения, проблемы, с которыми мы столкнулись, и результаты, которые принесли рост продаж и охватов среди нашей аудитории.

    habr.com/ru/companies/lentatec

    #Клон #DS #crmсистемы #коммуникации #lentatech #vk_cloud #персонализация_контента

  4. Как цифровой клон покупателя помогает ретейлу делать умные офферы

    Привет, Хабр! Меня зовут Катя, я продакт-менеджер в Lenta Tech («Группа Лента»). Сегодня хочу рассказать о том, как цифровой клон покупателя помогает сделать персональные офферы с конверсией в лиды. В статье расскажу о новом витке развития персонализации с использованием больших языковых моделей, а именно — как можно построить «цифровой клон» клиента на основе его чеков и поведенческих данных и использовать его для создания узконаправленных офферов. Разберем архитектуру решения, проблемы, с которыми мы столкнулись, и результаты, которые принесли рост продаж и охватов среди нашей аудитории.

    habr.com/ru/companies/lentatec

    #Клон #DS #crmсистемы #коммуникации #lentatech #vk_cloud #персонализация_контента

  5. Как научить плейлист-генератор не лезть с персонализацией куда не просят

    Статья о том, почему «лучшие хиты Queen» и «что-нибудь под пробежку» – это принципиально разные запросы, и что с этим делать ML-инженеру музыкального стриминга Работа принята на EACL 2026 Workshop NLP4MusA. Авторы: Фёдор Бузаев, Ринат Муллахметов, Роман Богачёв, Илья Седунов, Олег Павлович, Камиль Мазитов, Дарья Пугачёва, Иван Сухарев (Zvuk, AIRI, НИУ ВШЭ, Иннополис).

    habr.com/ru/companies/zvuk/art

    #персонализация #персонализация_контента #ai #machine_learning #deep_learning #машинное_обучение #глубинное_обучение

  6. Как научить плейлист-генератор не лезть с персонализацией куда не просят

    Статья о том, почему «лучшие хиты Queen» и «что-нибудь под пробежку» – это принципиально разные запросы, и что с этим делать ML-инженеру музыкального стриминга Работа принята на EACL 2026 Workshop NLP4MusA. Авторы: Фёдор Бузаев, Ринат Муллахметов, Роман Богачёв, Илья Седунов, Олег Павлович, Камиль Мазитов, Дарья Пугачёва, Иван Сухарев (Zvuk, AIRI, НИУ ВШЭ, Иннополис).

    habr.com/ru/companies/zvuk/art

    #персонализация #персонализация_контента #ai #machine_learning #deep_learning #машинное_обучение #глубинное_обучение

  7. Как научить плейлист-генератор не лезть с персонализацией куда не просят

    Статья о том, почему «лучшие хиты Queen» и «что-нибудь под пробежку» – это принципиально разные запросы, и что с этим делать ML-инженеру музыкального стриминга Работа принята на EACL 2026 Workshop NLP4MusA. Авторы: Фёдор Бузаев, Ринат Муллахметов, Роман Богачёв, Илья Седунов, Олег Павлович, Камиль Мазитов, Дарья Пугачёва, Иван Сухарев (Zvuk, AIRI, НИУ ВШЭ, Иннополис).

    habr.com/ru/companies/zvuk/art

    #персонализация #персонализация_контента #ai #machine_learning #deep_learning #машинное_обучение #глубинное_обучение

  8. Как научить плейлист-генератор не лезть с персонализацией куда не просят

    Статья о том, почему «лучшие хиты Queen» и «что-нибудь под пробежку» – это принципиально разные запросы, и что с этим делать ML-инженеру музыкального стриминга Работа принята на EACL 2026 Workshop NLP4MusA. Авторы: Фёдор Бузаев, Ринат Муллахметов, Роман Богачёв, Илья Седунов, Олег Павлович, Камиль Мазитов, Дарья Пугачёва, Иван Сухарев (Zvuk, AIRI, НИУ ВШЭ, Иннополис).

    habr.com/ru/companies/zvuk/art

    #персонализация #персонализация_контента #ai #machine_learning #deep_learning #машинное_обучение #глубинное_обучение

  9. [Перевод] Архитектура Netflix Tudum: от CQRS с Kafka к CQRS с RAW Hollow

    Tudum.com — фан-портал Netflix с более чем 20 млн MAU, где скорость публикации и персонализации упирается в архитектуру. В статье — путь от «классического» CQRS с Kafka и read-store к узкому месту предпросмотров, а затем — к RAW Hollow: in-memory состоянию с сжатием и read-after-write на требовательных запросах. Разбираем, как отказ от Page Data/KV и I/O на горячем пути упростил контур чтения и дал прирост производительности, какие компромиссы это привнесло и почему такой подход срабатывает для контента, меняющегося не каждую секунду.

    habr.com/ru/companies/otus/art

    #CQRS #конечная_согласованность #Kafka #Hollow #RAW_Hollow #nearкэш #низкая_латентность #персонализация_контента #СОА

  10. [Перевод] Архитектура Netflix Tudum: от CQRS с Kafka к CQRS с RAW Hollow

    Tudum.com — фан-портал Netflix с более чем 20 млн MAU, где скорость публикации и персонализации упирается в архитектуру. В статье — путь от «классического» CQRS с Kafka и read-store к узкому месту предпросмотров, а затем — к RAW Hollow: in-memory состоянию с сжатием и read-after-write на требовательных запросах. Разбираем, как отказ от Page Data/KV и I/O на горячем пути упростил контур чтения и дал прирост производительности, какие компромиссы это привнесло и почему такой подход срабатывает для контента, меняющегося не каждую секунду.

    habr.com/ru/companies/otus/art

    #CQRS #конечная_согласованность #Kafka #Hollow #RAW_Hollow #nearкэш #низкая_латентность #персонализация_контента #СОА

  11. [Перевод] Архитектура Netflix Tudum: от CQRS с Kafka к CQRS с RAW Hollow

    Tudum.com — фан-портал Netflix с более чем 20 млн MAU, где скорость публикации и персонализации упирается в архитектуру. В статье — путь от «классического» CQRS с Kafka и read-store к узкому месту предпросмотров, а затем — к RAW Hollow: in-memory состоянию с сжатием и read-after-write на требовательных запросах. Разбираем, как отказ от Page Data/KV и I/O на горячем пути упростил контур чтения и дал прирост производительности, какие компромиссы это привнесло и почему такой подход срабатывает для контента, меняющегося не каждую секунду.

    habr.com/ru/companies/otus/art

    #CQRS #конечная_согласованность #Kafka #Hollow #RAW_Hollow #nearкэш #низкая_латентность #персонализация_контента #СОА

  12. [Перевод] Архитектура Netflix Tudum: от CQRS с Kafka к CQRS с RAW Hollow

    Tudum.com — фан-портал Netflix с более чем 20 млн MAU, где скорость публикации и персонализации упирается в архитектуру. В статье — путь от «классического» CQRS с Kafka и read-store к узкому месту предпросмотров, а затем — к RAW Hollow: in-memory состоянию с сжатием и read-after-write на требовательных запросах. Разбираем, как отказ от Page Data/KV и I/O на горячем пути упростил контур чтения и дал прирост производительности, какие компромиссы это привнесло и почему такой подход срабатывает для контента, меняющегося не каждую секунду.

    habr.com/ru/companies/otus/art

    #CQRS #конечная_согласованность #Kafka #Hollow #RAW_Hollow #nearкэш #низкая_латентность #персонализация_контента #СОА