<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>retention &#8212; &gt; Machine Learning Guru|</title>
	<atom:link href="https://mlgu.ru/tag/retention/feed/" rel="self" type="application/rss+xml" />
	<link>https://mlgu.ru</link>
	<description></description>
	<lastBuildDate>Sat, 27 Dec 2025 14:23:30 +0000</lastBuildDate>
	<language>ru-RU</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	<generator>https://wordpress.org/?v=6.9.4</generator>

<image>
	<url>https://mlgu.ru/wp-content/uploads/2025/06/mlguru-icon-150x150.png</url>
	<title>retention &#8212; &gt; Machine Learning Guru|</title>
	<link>https://mlgu.ru</link>
	<width>32</width>
	<height>32</height>
</image> 
	<item>
		<title>Машинное обучение для A/B тестов: практический гайд по CUPAC</title>
		<link>https://mlgu.ru/6414/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Thu, 20 Nov 2025 21:23:48 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=6414</guid>

					<description><![CDATA[A/B-тестирование остается основным инструментом для принятия продуктовых решений в технологических компаниях. Главная проблема — высокая дисперсия метрик, из-за которой требуется несколько недель или даже месяцев, чтобы достичь статистической значимости. Длительные эксперименты замедляют итерации и увеличивают альтернативные издержки. Классический подход к снижению дисперсии — метод CUPED. Он использует исторические значения целевой метрики для корректировки результатов. Метод [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>РРС на максималках: Чему я научился, управляя контекстной рекламой с бюджетом более $100 млн</title>
		<link>https://mlgu.ru/1139/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 06 Dec 2024 18:16:26 +0000</pubDate>
				<category><![CDATA[Анализ данных]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[big data]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=1139</guid>

					<description><![CDATA[Эта статья &#8212; перевод очень годного кейса, которым поделился Nicolas Garfinkel (оригинал тут). 150 миллионов долларов &#8212; это огромные деньги. За такую сумму можно многое купить в этом мире! Может быть, вы мечтаете об особняке в Бель-Эйр? А может, вы предпочитаете частный остров в Тайланде рядом со знаменитым пляжем Пхукета? На $150 млн можно купить [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Как предсказать отток клиентов с помощью машинного обучения</title>
		<link>https://mlgu.ru/920/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Fri, 01 Nov 2024 20:54:07 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[lightgbm]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[пайплайны]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=920</guid>

					<description><![CDATA[Клиентский отток &#8212; это одна из ключевых проблем современного бизнеса, особенно для компаний, работающих по модели подписки или регулярных продаж. В этой статье я поделюсь своим опытом и расскажу, как построить эффективную модель машинного обучения для предсказания оттока. Почему прогнозирование оттока так важно? Привлечение нового клиента обходится бизнесу в 5-25 раз дороже, чем удержание существующего. [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Продвинутые методы предиктивной аналитики с глубокими нейронными сетями</title>
		<link>https://mlgu.ru/848/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 16 Oct 2024 20:01:16 +0000</pubDate>
				<category><![CDATA[Нейронные сети]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[feature engineering]]></category>
		<category><![CDATA[keras]]></category>
		<category><![CDATA[lstm]]></category>
		<category><![CDATA[pytorch]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[rnn]]></category>
		<category><![CDATA[tensorflow]]></category>
		<category><![CDATA[бизнес аналитика]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[трансформеры]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=848</guid>

					<description><![CDATA[В современном мире данные стали новой нефтью, а способность предсказывать будущие тенденции на их основе – критически важным конкурентным преимуществом. За последние несколько лет я реализовал десятки проектов в области предиктивной аналитики с использованием глубокого обучения и нейронных сетей, и сегодня хочу поделиться своим опытом и знаниями в этой захватывающей области. Преимущества deep learning в [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Как находить точки роста онлайн-бизнеса с помощью Python</title>
		<link>https://mlgu.ru/368/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Wed, 18 Sep 2024 18:46:33 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[nlp]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=368</guid>

					<description><![CDATA[В условиях огромной конкуренции успех онлайн-бизнеса во-многом зависит от способности компании анализировать большие объемы данных и находить в них скрытые возможности для роста. В цифровом мире каждое действие пользователя оставляет след: клики, просмотры страниц, время на сайте, конверсии &#8212; все это ценная информация, которая при правильном анализе может указать на новые возможности для развития. Подготовка [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Расчет и анализ продуктовых метрик по данным веб-аналитики с помощью Python</title>
		<link>https://mlgu.ru/355/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Tue, 17 Sep 2024 20:28:18 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[kmeans]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[random forest]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=355</guid>

					<description><![CDATA[В современном мире данных и аналитики ключом к успеху любого онлайн-бизнеса является глубокое понимание поведения пользователей и эффективности продукта. В этой статье я поделюсь своим опытом использования Python для расчета и анализа продуктовых метрик, которые помогают принимать обоснованные решения и оптимизировать бизнес-процессы. Мы погрузимся в мир веб-аналитики, рассмотрим ключевые продуктовые метрики и научимся их вычислять [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Поиск инсайтов в данных веб-аналитики с помощью Python и Pandas</title>
		<link>https://mlgu.ru/290/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 15 Sep 2024 08:17:52 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[e-commerce]]></category>
		<category><![CDATA[pandas]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[аномалии]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[корреляции]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=290</guid>

					<description><![CDATA[Современный маркетинг немыслим без анализа данных веб-аналитики. Они стали неотъемлемой частью принятия решений для бизнеса любого масштаба. В этой статье я хочу поделиться своим опытом использования Python и библиотеки Pandas для эффективного анализа данных веб-аналитики. Мы рассмотрим, как с помощью этих инструментов можно не просто собирать и визуализировать данные, но и находить в них скрытые [&#8230;]]]></description>
		
		
		
			</item>
		<item>
		<title>Методы предиктивной аналитики и машинного обучения для оптимизации конверсии веб-сайтов</title>
		<link>https://mlgu.ru/99/</link>
		
		<dc:creator><![CDATA[dkrylov]]></dc:creator>
		<pubDate>Sun, 08 Sep 2024 11:43:47 +0000</pubDate>
				<category><![CDATA[Классический ML]]></category>
		<category><![CDATA[a-b тесты]]></category>
		<category><![CDATA[retention]]></category>
		<category><![CDATA[веб аналитика]]></category>
		<category><![CDATA[интернет-реклама]]></category>
		<category><![CDATA[машинное обучение]]></category>
		<category><![CDATA[повышение конверсии]]></category>
		<category><![CDATA[предиктивная аналитика]]></category>
		<category><![CDATA[прогнозирование]]></category>
		<category><![CDATA[сегментация]]></category>
		<guid isPermaLink="false">https://mlgu.ru/?p=99</guid>

					<description><![CDATA[Предиктивная аналитика, основанная на машинном обучении, стала мощным инструментом для оптимизации конверсии сайтов. Анализируя огромные объемы данных и делая точные прогнозы, алгоритмы машинного обучения позволяют компаниям лучше понимать поведение пользователей, персонализировать опыт и принимать решения, основанные на данных. В этой статье мы рассмотрим, какие методы машинного обучения и предиктивной аналитики сегодня чаще всего используются в [&#8230;]]]></description>
		
		
		
			</item>
	</channel>
</rss>
