We’ve traditionally relied on A/B testing at DoorDash to guide our decisions.
Archives des catégories : Données
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).
Approche API-First de la création de sujets Kafka
Les équipes d'ingénierie de DoorDash ont réorganisé la création de sujets Kafka en remplaçant une approche basée sur Terraform/Atlantis par une API interne, Infra Service.
Transformer les MLOps chez DoorDash avec Machine Learning Workbench
Il est amusant pour un être humain d'écrire un article sur l'intelligence artificielle à une époque où les systèmes d'IA, alimentés par l'apprentissage automatique, génèrent leurs propres articles de blog.
Tirer parti de Flink pour détecter les sessions des utilisateurs et impliquer les consommateurs de DoorDash grâce à des notifications en temps réel
Chez Doordash, nous apprécions chaque occasion d'augmenter les conversions de commandes dans l'application.
Comment DoorDash a normalisé et amélioré la mise en cache des microservices
L'architecture microservices de DoorDash s'est développée, tout comme le volume du trafic interservices.
Relever le défi de l'inadéquation du ratio d'échantillonnage dans les tests A/B
L'expérimentation n'est pas seulement la pierre angulaire de l'innovation et de la prise de décision ; elle est souvent considérée comme l'étalon-or de la résolution de problèmes, en partie grâce à ses racines dans la méthode scientifique.
Utiliser la couche de métriques pour normaliser et étendre l'expérimentation chez DoorDash
Les indicateurs sont essentiels pour mesurer le succès d'une entreprise fondée sur les données, mais il peut être difficile de s'assurer que ces indicateurs sont mesurés de manière cohérente et précise dans l'ensemble de l'organisation.
L'utilisation de CockroachDB pour réduire de 75% les coûts du Feature Store
En construisant un magasin de fonctionnalités pour gérer la croissance massive de notre plateforme d'apprentissage automatique ("ML"), nous avons appris que l'utilisation d'un mélange de différentes bases de données peut apporter des gains significatifs en termes d'efficacité et de simplicité opérationnelle.