О прикладной математике в бизнесе, юнит-экономике, моделях оптимизации и теории игр

«Модель должна быть под вашу задачу. Она должна показывать всё необходимое, то, в чём вам нужно разобраться, и не показывать ничего остального. Главное из неё выкинуть всё лишнее и оставить всё нужное».«Проверить, что ваша модель недостаточно хороша, нельзя, кроме как улучшить её в каком-то направлении. Если она дала другой результат, значит, нужно улучшать. Обычно ты улучшаешь модель в десяти направлениях, в девяти это ни к чему не приводит, а в десятом видно, что ты раньше что-то потерял».«Мы же сами по себе тоже системы моделирования и оптимизации. Делать отдельный технический продукт для задачи, которая работает один раз, у которой не очень большие деньги, и где человек хорошо справляется, скорее всего, не нужно».Ведущий:Юра Агеев, основатель ProductSenseГость:Алексей Тарасов, эксперт по решению наукоемких бизнес-задач, Тарасов MathКонференция ProductSense пройдёт 10-11 сентября 2026 года в Москве.Сайт конференции: https://productsense.ioПодписывайтесь на канал анонсов подкаста: https://t.me/mspodcastО чём говорим:00:00 — Введение01:31 — Юнит-экономика как простая модель для продакта03:06 — Почему часто не хватает данных и статистики?03:34 — Главная польза юнит-экономики: найти ключевую точку влияния04:13 — Карты и границы применимости моделей06:00 — Что включать в модель, а что выбрасывать07:38 — Парадокс Симпсона: как агрегация может обманывать10:01 — Cколько cценариев имеет смысл считать и когда остановиться?11:13 — Когда компании платят за модели: заводы, планирование, оптимизация12:35 — Внедрение моделей: оцифровка процессов и обучение людей14:06 — Авиация: почему планирование рейсов превращается в сложную задачу16:27 — Какие данные нужны модели в операционном планировании18:00 — Модель как подсказка: что автоматизировать, а что оставить человеку20:50 — Простое объяснение дискретной и непрерывной оптимизации22:22 — Где математика в А/Б-тестах и экспериментах?24:11 — Почему нельзя сводить всё к максимизации денег без стратегии27:13 — Ограничения вычислимости: почему некоторые задачи не считаются28:26 — LLM и синтетические респонденты: где может помочь имитационное моделирование33:23 — Инсайты в данных: метод главных компонент и машинное обучение37:40 — Revenue management и динамическое ценообразование39:17 — Граница применимости: когда стоимость оцифровки выше пользы45:06 — Риски, редкие события и крах по Талебу50:22 — Теория игр для продактов55:33 — Must-have для продакта: парадоксы и математическая культура