Política de pricing dinámico con bandidos contextuales en e-commerce
Visión general
De qué trata este proyecto.
Implementa LinUCB en 80 SKUs de e-commerce, valida con replay offline y diseña un despliegue gradual. Obtén un certificado verificable.
El escenario
El e-commerce (~85 personas, 28M EUR ingresos) compite con grandes verticales internacionales y tiene poco margen para errores de pricing visibles; un experimento RL exitoso le da un story de moat tecnológico para su Serie B.
El Briefing
Lo que harás y lo que demostrarás.
Validar offline una política de pricing dinámico con LinUCB sobre 80 SKUs y proponer un despliegue gradual seguro.
Earning criteria — what you'll demonstrate
- Aplicar bandidos contextuales como caso especial de RL para decisiones independientes
- Implementar LinUCB con sus garantías de exploración
- Validar políticas offline con replay/IPS y entender sus limitaciones
- Diseñar despliegues cautelosos en producción de cara al cliente
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Reinforcement Learning
Master · Reinforcement Learning
Strong alignment
This challenge maps to Reinforcement Learning at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Contextual Bandits
Apply contextual bandits to solve real industry problems and demonstrate production-level capability.
- Reinforcement Learning
Apply reinforcement learning to solve real industry problems and demonstrate production-level capability.
- Offline Evaluation
Apply offline evaluation to solve real industry problems and demonstrate production-level capability.
- Python
Write clean, efficient Python for data processing, automation, and backend services.
- Experiment Design
Apply experiment design to solve real industry problems and demonstrate production-level capability.
- Ab Testing
Apply ab testing to solve real industry problems and demonstrate production-level capability.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Científico/a de Datos
Aplicar bandidos contextuales con validación offline y plan de despliegue es exactamente la franja senior del trabajo de data scientist en e-commerce y marketplaces.
Este proyecto afina
- contextual-bandits
- offline-evaluation
- ab-testing
Ingeniero/a de Machine Learning
Llevar LinUCB de notebook a un plan de producción cauteloso con telemetría es trabajo nuclear del MLE en pricing y growth.
Este proyecto afina
- reinforcement-learning
- python
- experiment-design
Científico/a Aplicado/a de IA
Convertir una decisión secuencial en una política con guardrails y comunicación a revenue es el día a día del applied AI scientist en retail.
Este proyecto afina
- contextual-bandits
- experiment-design
- offline-evaluation