Tradicionalmente, en DoorDash hemos confiado en las pruebas A/B para guiar nuestras decisiones.
Archivos de categoría: Datos
Salvaguardar la salud de las aplicaciones y la experiencia del consumidor con despliegues que tengan en cuenta las métricas
Como parte de nuestros continuos esfuerzos por mejorar el desarrollo de productos, salvaguardando al mismo tiempo la salud de la aplicación y la experiencia del consumidor, estamos introduciendo despliegues conscientes de las métricas para los experimentos.
Afinar el desenfoque: eliminar la dilución para maximizar la potencia del experimento
Cuando se trata de reducir la varianza en los experimentos, la atención suele centrarse en métodos sofisticados como CUPED (Experimentos Controlados Utilizando Datos Pre-Experimentales).
Enfoque API-First para la creación de temas Kafka
Los equipos de ingeniería de DoorDash renovaron la creación de temas de Kafka sustituyendo un enfoque basado en Terraform/Atlantis por una API propia, Infra Service.
Transforming MLOps at DoorDash with Machine Learning Workbench
It is amusing for a human being to write an article about artificial intelligence in a time when AI systems, powered by machine learning (ML), are generating their own blog posts.
Aprovechamiento de Flink para detectar sesiones de usuario e implicar a los consumidores de DoorDash con notificaciones en tiempo real
En Doordash, valoramos cada oportunidad de aumentar las conversiones de pedidos en la aplicación.
Cómo DoorDash estandarizó y mejoró el almacenamiento en caché de microservicios
A medida que la arquitectura de microservicios de DoorDash ha ido creciendo, también lo ha hecho el volumen de tráfico entre servicios.
Afrontar los retos del desajuste de la proporción de muestras en las pruebas A/B
La experimentación no sólo es la piedra angular de la innovación y la toma de decisiones acertadas, sino que a menudo se considera el patrón oro para la resolución de problemas, gracias en parte a sus raíces en el método científico.
Uso de la capa de métricas para estandarizar y ampliar la experimentación en DoorDash
Las métricas son vitales para medir el éxito en cualquier empresa basada en datos, pero garantizar que estas métricas se miden de forma coherente y precisa en toda la organización puede resultar complicado.
Uso de CockroachDB para reducir los costes de almacenamiento de funciones en un 75%.
Mientras creábamos un almacén de funciones para gestionar el crecimiento masivo de nuestra plataforma de aprendizaje automático ("ML"), nos dimos cuenta de que el uso de una combinación de diferentes bases de datos puede mejorar significativamente la eficiencia y la simplicidad operativa.