We’ve traditionally relied on A/B testing at DoorDash to guide our decisions.
Category Archives: Data
Safeguarding app health and consumer experience with metric-aware rollouts
As part of our ongoing efforts to enhance product development while safeguarding app health and the consumer experience, we are introducing metric-aware rollouts for experiments.
Sharpening the Blur: Removing dilution to maximize experiment power
When it comes to reducing variance in experiments, the spotlight often falls on sophisticated methods like CUPED (Controlled Experiments Using Pre-Experiment Data).
Enfoque API-First para la creación de temas Kafka
Los equipos de ingeniería de DoorDash renovaron la creación de temas de Kafka sustituyendo un enfoque basado en Terraform/Atlantis por una API propia, Infra Service.
Transformación de MLOps en DoorDash con Machine Learning Workbench
Resulta divertido que un ser humano escriba un artículo sobre inteligencia artificial en una época en la que los sistemas de IA, impulsados por el aprendizaje automático (ML), están generando sus propias entradas de blog.
Aprovechamiento de Flink para detectar sesiones de usuario e implicar a los consumidores de DoorDash con notificaciones en tiempo real
En Doordash, valoramos cada oportunidad de aumentar las conversiones de pedidos en la aplicación.
Cómo DoorDash estandarizó y mejoró el almacenamiento en caché de microservicios
A medida que la arquitectura de microservicios de DoorDash ha ido creciendo, también lo ha hecho el volumen de tráfico entre servicios.
Afrontar los retos del desajuste de la proporción de muestras en las pruebas A/B
La experimentación no sólo es la piedra angular de la innovación y la toma de decisiones acertadas, sino que a menudo se considera el patrón oro para la resolución de problemas, gracias en parte a sus raíces en el método científico.
Uso de la capa de métricas para estandarizar y ampliar la experimentación en DoorDash
Las métricas son vitales para medir el éxito en cualquier empresa basada en datos, pero garantizar que estas métricas se miden de forma coherente y precisa en toda la organización puede resultar complicado.
Uso de CockroachDB para reducir los costes de almacenamiento de funciones en un 75%.
Mientras creábamos un almacén de funciones para gestionar el crecimiento masivo de nuestra plataforma de aprendizaje automático ("ML"), nos dimos cuenta de que el uso de una combinación de diferentes bases de datos puede mejorar significativamente la eficiencia y la simplicidad operativa.