2016年11月22日のブックマーク (2件)

  • メルカリ流!納得感のあるKPIの決め方 | mercan (メルカン)

    はじめに こんにちは、データサイエンティストのshmatsudaです。 突然ですがみなさん、KPIはどう決めていますか? これって結構揉める話題ですよね… ちゃんと作ったつもりでも、思わぬ点を指摘され「納得感がない」と言われてしまうことは良くあることだと思います。 今回はメルカリで「納得感のある」KPIを決めるために工夫したことをお伝え出来ればと思います。 話の背景:USでインストール数が激増 メルカリUSでは7月末にインストールが激増し、アメリカのApp Store 3位になりました。このチャンスを活かすべく、全社をあげてユーザー体験の向上を追求しています。 ところでメルカリは主要な指標としてLTV(Life Time Value)を設定しています。ユーザー激増を受けて、メルカリではLTVをどのように上げるかについてゼロベースで考えることにしました。 LTVを上げよう!・・・その前にKP

    Overlap
    Overlap 2016/11/22
  • 高次元データの次元削減および2次元プロット手法 - Qiita

    はじめに 記事はPython2.7, numpy 1.11, scipy 0.17, scikit-learn 0.18, matplotlib 1.5, seaborn 0.7, pandas 0.17を使用しています. jupyter notebook上で動作確認済みです.(%matplotlib inlineは適当に修正してください) SklearnのManifold learningの記事を参考にしています. 多様体学習と言われる手法について,sklearnのdigitsサンプルを用いて説明します. 特にt-SNEはKaggleなどでもたまに使用されている,多次元データの可視化に適した手法です. また可視化だけでなく,元のデータと圧縮されたデータを結合することで,単純な分類問題の精度を向上することができます. 目次 データの生成 線形要素に注目した次元削減 Random Proj

    高次元データの次元削減および2次元プロット手法 - Qiita
    Overlap
    Overlap 2016/11/22