Ir al contenido

Experimente más rápido y con menos esfuerzo

Experimentos de política empresarial mediante diseños factoriales fraccionales

En DoorDash, nos esforzamos constantemente por mejorar nuestros procesos de experimentación abordando cuatro dimensiones clave, incluida la velocidad para aumentar el número de experimentos que podemos llevar a cabo, el trabajo para minimizar nuestros esfuerzos de lanzamiento y análisis, el rigor para garantizar un diseño experimental sólido y análisis robustamente eficientes, y la eficiencia para reducir los costes asociados a nuestros esfuerzos de experimentación.

Cómo DoorDash mejora las predicciones navideñas mediante un enfoque ML en cascada

En DoorDash, generamos previsiones de oferta y demanda para planificar proactivamente las operaciones, como adquirir el número adecuado de Dashers (conductores de reparto) y añadir una paga extra cuando prevemos una baja oferta.

Cómo DoorDash creó un modelo de aprendizaje conjunto para la previsión de series temporales

En las aplicaciones de previsión del mundo real, es un reto equilibrar precisión y rapidez.

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.

Cómo DoorDash actualizó una heurística con ML para salvar miles de pedidos cancelados

Uno de los retos del funcionamiento de nuestra plataforma es poder realizar un seguimiento preciso del estado operativo de los comerciantes y de su capacidad para recibir y satisfacer pedidos.

Selección de la mejor imagen para cada comerciante mediante exploración y aprendizaje automático

Para inspirar a los consumidores de DoorDash a hacer pedidos en la plataforma hay pocas herramientas más poderosas que una imagen convincente, lo que plantea las siguientes preguntas: ¿cuál es la mejor imagen para mostrar a cada cliente y cómo podemos construir un modelo para determinarlo de forma programática utilizando las imágenes disponibles de cada comerciante?