---

Задача и решение

Каким абонентам предложить новый тариф, через какой канал и в каком порядке, чтобы дополнительная выручка превысила расходы на коммуникации?

Наш агент решает эту задачу для 23 441 абонента и 21 тарифа. Он формирует гипотезы по истории переходов, проверяет их небольшими пилотами и распределяет оставшийся бюджет между финальными кампаниями. Результаты пилотов влияют на дальнейшее исследование и итоговый выбор.

Точка входа: Agent.act(env). Результат: от 1 до 10 кампаний и воспроизводимый submission.csv. Актуальная версия находится в ветке main.

Все данные и эффекты в задании синтетические. Приведённые ниже результаты относятся к локальной учебной среде и не гарантируют балл на скрытом судействе.

Быстрый запуск

Нужен Python 3.12. Все команды выполняются из корня проекта. API-ключи, GPU и внешние сервисы не нужны; после установки зависимостей агент работает без интернета.

1. Получите проект и создайте окружение

git -c core.autocrlf=false clone https://github.com/BAITC-Hacks/hack-575ea89d-team.git
cd hack-575ea89d-team
python -m venv .venv

core.autocrlf=false сохраняет исходные байты организаторских файлов, в том числе на Windows. Если Python доступен как python3, используйте это имя при создании окружения.

2. Активируйте окружение

Linux / macOS:

source .venv/bin/activate

Windows PowerShell:

.\.venv\Scripts\Activate.ps1

3. Установите зависимости и запустите оценку

python -m pip install -r requirements.txt
python local_eval.py

Ожидается Статус: PASS, 20 пилотов и 10 финальных кампаний на стандартном seed 42. Числа этого запуска приведены в разделе «Результаты».

Проверка решения

Что проверить	Команда	Подтверждённый результат
Официальный локальный прогон	python local_eval.py	PASS на seed 42
Устойчивость на десяти seed	python local_eval.py --runs 10	10 из 10 положительных результатов
Контракты, данные, исследования и отчёт	python -m unittest discover -s tests -v	40 тестов прошли
Пилоты, выбор кампаний и граничные случаи	python -m unittest strategy.test_planner strategy.test_portfolio strategy.test_stress -v	17 тестов прошли
Генерация файла сдачи	python make_submission.py	10 кампаний; повторная генерация даёт те же байты
Логика демонстрации, при наличии Node.js	node demo/app.test.js	5 сценариев прошли

Проверки общей сборки выполнены на Linux, Python 3.12, numpy 2.5.3 и pandas 2.3.3. JS-сценарии также вызываются одним из общих тестов; без Node.js этот дополнительный тест пропускается. Node.js не нужен самому агенту.

Итоговый протокол · Сырые журналы проверок · Проверка демо в Firefox

Как агент принимает решения

flowchart LR
    A[Профиль и история переходов] --> B[Гипотезы по сегментам]
    B --> C[Пилоты тарифов и каналов]
    C --> D{Достаточно информации?}
    D -->|Нужна проверка и есть ресурсы| C
    D -->|Завершить исследование| E[Выбор и уточнение кампаний]
    E --> F[До 10 финальных кампаний]

1. Выдвигает гипотезы. research/candidates.py учитывает историю переходов, ценность сегмента и соответствие тарифа потреблению. Исторические изменения среди уже сменивших тариф используются для ранжирования, а не как измеренная конверсия кампании.
2. Проверяет пилотами. strategy/planner.py выбирает размер выборки, повторный замер, альтернативный тариф или другой канал. Наблюдения усредняются с учётом размера пилота; неопределённость помогает выбирать следующую проверку.
3. Сохраняет ресурсы для результата. Перед новым пилотом резервирует финальный план. Исследование ограничено числом пилотов, контактами и бюджетом; при недостатке средств на первый платный пилот рассматривается более дешёвый канал.
4. Собирает портфель кампаний. Сравнивает несколько жадных вариантов, затем strategy/portfolio.py проверяет ограниченное число замен, добавлений и удалений. Учитывает дополнительный эффект, стоимость, порядок и пересечения аудиторий. В финал попадают только проверенные пары «тариф–канал».

При плохих наблюдениях агент сохраняет допустимый проверенный вариант с наименьшим ожидаемым убытком. Положительная прибыль не гарантируется. Технические детали: стратегия, исследования, контракт модулей.

Результаты

Последняя общая сборка, официальный локальный оценщик, seed 42:

Показатель	Значение
Дополнительная выручка до расходов	+3 813 399 у.е.
Расходы на коммуникации	72 570 у.е.
Чистый дополнительный результат	+3 740 829 у.е.
Контакты, включая пилоты и повторы	12 341
Пилоты / финальные кампании	20 / 10
Самая большая финальная аудитория	4 726 абонентов

Серия seed 0–9: медиана 3 760 624, минимум 2 934 502, максимум 4 231 176 у.е.; все 10 прогонов положительные.

В ранее проведённом сравнении полного агента с исходным baseline медиана на seed 0–9 выросла с 3 178 575 до 3 760 624. На seed 30–39 улучшились 8 из 10 результатов; ухудшения на seed 32 и 34 сохранены в истории экспериментов. Последнее уточнение портфеля не изменило результаты на seed 0–9 и 42; его польза отдельно проверена на искусственных контрпримерах жадного выбора.

Исследование трёх генераторов при фиксированном planner — отдельный эксперимент с другой базой сравнения. Его результаты, ограничения и проигрыши доступны в исследовательском отчёте.

Ограничения задачи

Ограничение	Лимит
Финальные кампании	1–10
Абоненты на одну кампанию	≤ 5 000
Контакты, включая пилоты и повторы	≤ 15 000
Общий бюджет	≤ 100 000 у.е.
Пилоты	≤ 20, по 10–200 человек

Эффект на абонента засчитывается один раз по лучшей кампании, а каждый повторный контакт расходует ресурсы. Планировщик учитывает оба условия. Исходные CSV, среда и официальный скоринг сохранены без изменений; их целостность проверяется по SHA256-манифесту.

Оценка неопределённости эвристическая, локальный поиск не гарантирует глобальный оптимум. Пересечения с пилотами оцениваются приближённо: публичный API не раскрывает ID участников пилотов. Агент использует публичный интерфейс среды; результаты официального оценщика не передаются в его решения.

Демонстрация

Сначала сформируйте отчёт, затем запустите локальный сервер:

python tools/report.py --seed 42
python -m http.server 8000 --bind 127.0.0.1

Откройте http://localhost:8000/demo/. На странице отдельно показаны наблюдения пилотов, финальные кампании и метрики локальной оценки. Отчёт artifacts/report.json загружается автоматически; его также можно выбрать кнопкой «Загрузить report.json».

Скриншот из проверки ноутбука 3. Браузерные проверки и ограничения · Краткий текст защиты

Структура проекта

Путь	Назначение
agent.py	Точка входа Agent.act(env)
strategy/	Адаптивное исследование, выбор и уточнение кампаний
research/candidates.py	Гипотезы из публичных данных
research/experiments/	Сохранённые исследовательские результаты и их происхождение
tests/	Контрактные проверки и тесты исследований
tools/report.py, demo/	Отчёт локального оценщика и демонстрация
data/, корневые CSV	Данные организаторов
local_eval.py, make_submission.py	Официальные инструменты проверки и генерации CSV
submission.csv	Сгенерированные финальные кампании
docs/	Описание решения, доказательства проверок и материалы защиты

Состав сдачи

Передавайте весь проект: agent.py импортирует strategy/planner.py, strategy/portfolio.py и research/candidates.py; для построения гипотез нужен data/change_tariff.csv. В репозитории также есть зависимости, официальный оценщик, исходные данные и submission.csv для воспроизведения. Один agent.py без модулей недостаточен.

Файл submission.csv создан официальным генератором и проверен двумя последовательными запусками. SHA256:

386245e3037b13ac23ad2271e407f88e2e6954c05f37d00bff753b8888b99e8e

Формат модульной упаковки требует подтверждения организаторов. В руководстве указан лимит 10 минут, в комментарии шаблона — 5 минут; локальные проверки укладываются в оба. Уточнения по условиям.

---

Руководство организаторов · Навигация по документации · Текущий статус