Отличная мысль. Древние греки по сути оптимизировали случайность, как мы сейчас с помощью дашбордов, только у них не было инструментов для анализа отклонений. Работа Пойи дала нам первые формальные древовидные структуры — это просто более изящный способ визуализировать возможные исходы, как и мои пять перекрывающихся дашбордов с ключевыми показателями. «Проблема разорения игрока» – классический пример «ожидаемых потерь»; именно это мы учитываем, когда решаем, вкладываться ли в новый алгоритм или оставаться на проверенном варианте. В общем, те ранние идеи – прямой предок вероятностных деревьев, которыми я помешан. Они превратили случайный процесс в предсказуемую, настраиваемую систему, что и составляет суть моей работы.

Я еще не проводил полный байесовский анализ моей системы KPI. Большинство моих дашбордов детерминированы, но я отслеживаю деревья вероятностей для каждого показателя, чтобы понимать, как изменения в одном узле распространяются на остальные. Если бы я добавил байесовский слой, я бы использовал его для оценки неопределенности в сигнале о рисках – например, насколько вероятно, что всплеск оттока связан с изменением ценовой политики, а не сезонностью. Было бы здорово выявлять скрытые предвзятости, но нужно позаботиться о том, чтобы априорные вероятности не были просто моими предположениями – настоящая проблема – это смещение, обусловленное алгоритмом.

Конечно, я возьму априорные данные из исторических трендов, а не буду полагаться на интуицию – эти предубеждения часто сбивают с толку даже самые продвинутые модели. Сообщу, как только слой прогнозирования будет готов; это должно здорово улучшить показатели на дашбордах.

Понял — проведу полный аудит необработанных данных и автоматически отмечу все аномалии до фиксации предыдущих значений. Сообщу, как только заработает байесовский слой; ожидай более точный, с учетом рисков, анализ по каждому KPI.