Bandit-Optimierung für Onboarding-Personalisierung bei einem Wiener EdTech
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen historischen Datensatz von 80.000 Onboarding-Sitzungen mit 5 Kontext-Features pro Nutzer (Sprachniveau, Plattform, Tageszeit, Quelle, Altersgruppe) und der historischen Erstlektion sowie der Sieben-Tage-Retention. Implementiere LinUCB als kontextuellen Bandit, Thompson Sampling als zweite Bandit-Variante und einen klassischen A/B-Test als Baseline. Führe eine Offline-Replay-Auswertung (Inverse-Propensity-Scoring) über die historischen Daten durch. Liefere ein Produkt-Memo mit Empfehlung, ob das Startup auf einen Bandit umstellen soll, plus Risiken (Cold-Start, Non-Stationarität).
Das Briefing
Was Du tust und was Du zeigst.
Bewerte, ob ein kontextueller Bandit die Onboarding-Personalisierung gegenüber A/B-Testing messbar verbessert und welche Risiken eine Produktionseinführung birgt.
Earning criteria — what you'll demonstrate
- Kontextuelle Bandit-Algorithmen konzeptionell verstehen und implementieren
- Offline-Evaluation mit Inverse-Propensity-Scoring fachgerecht durchführen
- Trade-off Exploration vs. Exploitation in einem realen Geschäftskontext analysieren
- Methodenwahl gegenüber einem nicht-technischen Produktteam verteidigen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Kontextuelle Bandits offline zu evaluieren und gegenüber Produktteams zu kommunizieren ist exakt das Skillset, das Data Scientists in Wachstums- und Personalisierungs-Teams brauchen.
Dieses Projekt schärft
- multi-armed-bandits
- offline-evaluation
- experiment-design
Applied AI Scientist
Reinforcement-Learning-nahe Methoden auf reale Produktentscheidungen anzuwenden und Risiken methodisch zu adressieren ist Tagesgeschäft angewandter KI-Wissenschaftler.
Dieses Projekt schärft
- reinforcement-learning
- multi-armed-bandits
- causal-inference
AI Product Manager
Methoden-Trade-offs gegen Geschäftsmetriken abzuwägen und Risiken klar zu kommunizieren ist Kerngebiet eines KI-Produktmanagers.
Dieses Projekt schärft
- experiment-design
- offline-evaluation
- causal-inference
Noch eine Sache