Beeline Smart Tariff Agent
Агент для кейса Beeline, который отбирает гипотезы смены тарифа, проверяет их пилотами и собирает топ-10 кампаний под бюджет и лимит контактов.
О проекте
Команда: SAMĞA AI
Кейс HackAlem.ai: Телеком — Beeline
Стадия: Рабочий MVP
Задача кейса: Агент, который решает, каким абонентам какой тариф предложить (чистый прирост ARPU)
Суть
Агент для кейса Beeline, который отбирает гипотезы смены тарифа, проверяет их пилотами и собирает топ-10 кампаний под бюджет и лимит контактов.
Как устроено
data_analyzer агрегирует профили абонентов и историю переходов, hypothesis_engine отсекает убыточные downsell-гипотезы по истории. learning_engine оценивает результаты 20 пилотов по нижней доверительной границе (LCB, байесовский подход), затем жадный оптимизатор портфеля выбирает канал с учётом стоимости и множителя конверсии и собирает до 10 кампаний в пределах лимитов.
Ключевые решения
- Lower Confidence Bound
- Bayesian statistics
- greedy portfolio optimization
- channel optimization
Особенности
LCB вместо среднего для защиты от шума малых пилотных выборок.
Стек
Python · pandas · numpy
Проект создан за 5 часов на финале хакатона HackAlem.ai (23 сентября 2026, Астана). Код — BAITC-Hacks/hack-f3c19fca-sam-a-ai.
README
README.mdhack-f3c19fca-sam-a-ai
Hackathon team repository for SAMĞA AI
Beeline Smart Tariff Agent | HackAlem AI 2026
Что решает наш продукт
Мы разработали автономного агента для максимизации чистой прибыли (ROI) от маркетинговых кампаний по смене тарифов.
Продукт решает проблему неэффективного распределения маркетингового бюджета. Вместо запуска случайных пилотов агент действует как строгий дата-сайентист:
- Анализирует историю (Prior Data): Сразу отсекает убыточные гипотезы (downsell) на основе исторических данных.
- Защищается от шума малых выборок: Оценивает результаты 20 пилотных запусков не по среднему значению, а с использованием консервативной метрики Lower Confidence Bound (LCB). Это предотвращает масштабирование случайных выбросов.
- Оптимизирует портфель: Динамически подбирает самый выгодный канал коммуникации (с учетом стоимости и множителя конверсии) и собирает топ-10 кампаний, строго соблюдая жесткие лимиты: бюджет $\le$ 100 000 у.е. и охват $\le$ 15 000 контактов.
Используемые технологии
Язык: Python 3.12+
Ключевые библиотеки:pandas (быстрая фильтрация и агрегация профилей), numpy (векторные вычисления).
Математический аппарат:Байесовская статистика, LCB (нижняя граница доверительного интервала), Жадный алгоритм оптимизации портфеля.
Архитектура: Модульная (разделение логики на загрузку данных data_analyzer, генерацию гипотез hypothesis_engine и принятие решений learning_engine).
Как запустить
- Клонируйте репозиторий:
git clone [https://github.com/BAITC-Hacks/hack-f3c19fca-sam-a-ai.git](https://github.com/BAITC-Hacks/hack-f3c19fca-sam-a-ai.git) cd hack-f3c19fca-sam-a-ai
Авторы коммитов
История коммитов
- 2026-09-23 16:49Fix KeyError handling and NaN fallback in DataAnalyzercyb37kid
- 2026-09-23 16:30docs: add project documentation for hackathon judgescyb37kid
- 2026-09-23 15:05feat: solution commitTemirlan
- 2026-09-23 15:03Add files via uploadKaleZ4646
- 2026-09-23 14:27feat: setup full agent architecture with LCB and portfolio solvercyb37kid
Структура репозитория (30 файлов)
.env CODE_OF_CONDUCT.md PARTICIPANT_GUIDE.md PARTICIPANT_GUIDE.pdf README.md agent.py agent_template.py campaign_optimizer.py channel_optimizer.py customer_profile.csv data/arpu_monthly.csv data/change_tariff.csv data/dict_tariff.csv data/traffic.csv environment.py feature_dictionary.csv llm_reasoner.py local_eval.py ls -la.txt make_submission.py mock_environment.py pilot_manager.py requirements.txt scoring_core.py setup_agent.py src/data_analyzer.py src/hypothesis_engine.py src/learning_engine.py submission.csv tariff_dictionary.csv
Обсуждение 0 комментариев
Войдите, чтобы комментироватьПока нет комментариев — будьте первым.