Skip to content

Expérimenter plus vite et avec moins d'efforts

Expériences de politique commerciale à l'aide de plans factoriels fractionnaires

Chez DoorDash, nous nous efforçons constamment d'améliorer nos processus d'expérimentation en tenant compte de quatre dimensions clés, à savoir la vélocité pour augmenter le nombre d'expériences que nous pouvons mener, le labeur pour minimiser nos efforts de lancement et d'analyse, la rigueur pour garantir une conception expérimentale solide et des analyses robustes et efficaces, et l'efficacité pour réduire les coûts associés à nos efforts d'expérimentation.

Comment DoorDash améliore ses prévisions de vacances grâce à une approche ML en cascade

Chez DoorDash, nous établissons des prévisions de l'offre et de la demande afin de planifier de manière proactive les opérations telles que l'acquisition du nombre adéquat de Dashers (livreurs) et l'ajout d'une rémunération supplémentaire lorsque nous prévoyons une offre faible.

Comment DoorDash a construit un modèle d'apprentissage d'ensemble pour la prévision des séries temporelles

Dans les applications de prévision du monde réel, il est difficile de trouver un équilibre entre la précision et la rapidité.

L'utilisation de CockroachDB pour réduire de 75% les coûts du Feature Store

En construisant un magasin de fonctionnalités pour gérer la croissance massive de notre plateforme d'apprentissage automatique ("ML"), nous avons appris que l'utilisation d'un mélange de différentes bases de données peut apporter des gains significatifs en termes d'efficacité et de simplicité opérationnelle.

Comment DoorDash a amélioré une heuristique avec la ML pour sauver des milliers de commandes annulées

L'un des défis de la gestion de notre plateforme est de pouvoir suivre avec précision l'état opérationnel des commerçants et leur capacité à recevoir et à exécuter les commandes.

Sélection de la meilleure image pour chaque commerçant à l'aide de l'exploration et de l'apprentissage automatique

Pour inciter les consommateurs de DoorDash à commander sur la plateforme, il existe peu d'outils plus puissants qu'une image convaincante, ce qui soulève les questions suivantes : quelle est la meilleure image à montrer à chaque client, et comment pouvons-nous construire un modèle pour déterminer cela de manière programmatique en utilisant les images disponibles de chaque commerçant ?