| Обчислення метрик |
Через фічі у ML-пайплайні, автоматична трансформація |
Ручні розрахунки метрик (CR, ARPC, Quality Score…) |
| Сегментація |
Автоматична оптимізація груп, можлива багатовимірна кластеризація |
Фіксовані виміри: payout_type, device_type, country_group, placement |
| Fallback при малих вибірках |
Модель враховує регуляризацію та shrinkage автоматично |
Ручна багаторівнева агрегація (від вузького сегмента → до глобального) |
| Якість прогнозу |
Залежить від алгоритму (GBM, RF, NN тощо), автоматично вчиться на історії |
Прогноз на основі середніх історичних значень сегмента (із decay-фактором) |
| Адаптивність до змін |
Висока — можна щодня/щотижня переобучати |
Середня — треба вручну трекати динаміку |
| Розрахунок ваг факторів |
Модель сама знаходить оптимальні ваги |
Задаються вручну (ERPC, Quality, Availability, Strategic) |
| Обробка split-офферів |
Може бути закодована як фіча для моделі |
Логіка: або ранжування, або випадковий вибір |
| Простота впровадження |
Висока складність (потрібні інженери) |
Середня складність |
| Гнучкість у ручних правках |
Низька (треба змінювати код і перевчати) |
Висока (змінив ваги — і все) |