experimentación Archivos

Experimente más rápido y con menos esfuerzo

Experimentos de política empresarial mediante diseños factoriales fraccionales

En DoorDash, nos esforzamos constantemente por mejorar nuestros procesos de experimentación abordando cuatro dimensiones clave, incluyendo la velocidad para aumentar el número de experimentos que podemos llevar a cabo, el trabajo para minimizar nuestros esfuerzos de lanzamiento y análisis, el rigor para garantizar un diseño experimental sólido y análisis robustamente eficientes, y la eficiencia para reducir los costes asociados a nuestros esfuerzos de experimentación.

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.

Equilibrio entre velocidad y confianza en la experimentación

Ejecutar miles de experimentos con eficacia significa equilibrar cuidadosamente nuestra velocidad con los controles necesarios para mantener la confianza en los resultados experimentales, pero encontrar ese equilibrio nunca es fácil.

4 pasos esenciales para construir un simulador

Para sistemas complejos como el sistema de asignación de DoorDash, simular el impacto de los cambios algorítmicos suele ser más rápido y menos costoso que experimentar con funciones en producción.

Uso de ML y optimización para resolver el problema de despacho de DoorDash

DoorDash entrega millones de pedidos cada día con la ayuda de DeepRed, el sistema en el centro de nuestra plataforma logística de última milla.

Apoyo a la iteración rápida de productos con una plataforma de análisis de la experimentación

La nueva plataforma de experimentación de DoorDash, basada en una combinación de SQL, Kubernetes y Python, permite una rápida iteración de mejoras de funciones basadas en datos.

Organizar el aprendizaje automático: Todos los sabores son bienvenidos

Principios y procesos de DoorDash para democratizar el aprendizaje automático
Hace seis meses me uní a DoorDash como su primer Jefe de Ciencia de Datos y Aprendizaje Automático.

Análisis de experimentos de conmutación por error estándar robusto para evitar falsos positivos

Dentro del equipo de despacho de DoorDash, estamos tomando decisiones e iteraciones todos los días que van desde estrategias de negocio, productos, algoritmos de aprendizaje automático, hasta optimizaciones.

Rigor del experimento para el análisis del experimento Switchback

En DoorDash, creemos en aprender de nuestro mercado de Consumidores, Dashers y Comerciantes y, por lo tanto, nos basamos en gran medida en la experimentación para tomar las decisiones comerciales y de productos basadas en datos.