От CTR до сделок: как Авито строит ML-модели монетизации в поиске и рекомендациях

Команда машинного обучения Авито рассказала, как оценивает ожидаемую выручку от действий пользователей и использует её в ранжировании. В статье — детали о моделях, метриках качества и корректировке ставок, полезные для дата-сайентистов и тимлидов маркетплейсов.

Авито опубликовала подробный разбор того, как устроены ML-модели монетизации в поиске и рекомендациях. Материал подготовила Алина Бабенко, acting DS-менеджер, чья команда оценивает ожидаемую выручку от действий пользователей и использует её в ранжировании. Это редкий случай, когда крупный российский маркетплейс открыто делится внутренней кухней алгоритмов, отвечающих за деньги, поэтому разберём ключевые моменты статьи.

Как Авито оценивает выручку и зачем это нужно

Основная задача команды — рассчитать, сколько денег принесёт каждое действие пользователя, будь то клик по объявлению, просмотр контактов или совершённая сделка. Эта оценка, называемая ожидаемой выручкой, становится частью ранжирования: чем выше потенциальный доход, тем выше позиция объявления. Такой подход позволяет балансировать между релевантностью выдачи и коммерческими интересами платформы.

В статье описано несколько типов моделей. Первая — классические модели CTR (click-through rate), которые предсказывают вероятность клика. Но на этом команда не останавливается: важно понять, что происходит после клика. Поэтому используются модели конверсии в целевое действие — например, звонок, сообщение или оформление сделки. Наконец, есть модели, которые оценивают стоимость сделки, чтобы перевести все действия в единый денежный эквивалент.

Предыстория и контекст: почему это важно для маркетплейсов

Монетизация — это всегда компромисс. Если показывать только самые дорогие объявления, пользователи быстро уйдут к конкурентам из-за плохого опыта. Если игнорировать выручку, платформа не заработает. Поэтому ML-модели монетизации стали стандартом для крупных площадок — от Avito до Amazon. Они помогают ранжировать товары и объявления так, чтобы и пользователь находил нужное, и бизнес получал прибыль.

Авито в этом смысле интересна тем, что работает в сегменте объявлений, где пользователи часто не покупают сразу, а договариваются о встрече или звонке. Это добавляет сложности: модель должна учитывать множество факторов — от цены до геолокации и поведения продавца. Команда Алины Бабенко справляется с этим, используя многослойный подход: сначала прогноз вероятности действия, затем прогноз его ценности.

Чем отличаются модели для поиска и рекомендаций?

В поиске пользователь уже сформулировал запрос, поэтому модели ориентируются на релевантность и вероятность клика. В рекомендациях, наоборот, нет явного запроса — там алгоритмы подбирают объявления на основе истории пользователя. Для каждого сценария команда настраивает свои модели, чтобы максимизировать суммарную ожидаемую выручку. Например, в рекомендациях важнее удержание внимания, а в поиске — точное соответствие запросу.

Как оценивают качество моделей

Просто построить модель недостаточно — нужно понять, насколько хорошо она предсказывает реальное поведение. В Авито используют несколько метрик. Первая — это традиционные offline-метрики, такие как AUC и LogLoss, которые показывают точность прогнозов на исторических данных. Но главное — это онлайн-эксперименты, где модели тестируются на реальном трафике. Команда сравнивает, как меняется выручка и пользовательский опыт при разных настройках.

Особое внимание уделяется калибровке: модель должна не только правильно ранжировать, но и давать точные абсолютные значения выручки. Если модель систематически завышает или занижает прогнозы, это может привести к неоптимальному распределению трафика. Поэтому команда регулярно проверяет калибровку и корректирует её при необходимости.

Зачем корректировать ставки и как это работает

Один из ключевых моментов статьи — корректировка ставок. В Авито, как и на других площадках, есть рекламные инструменты, где продавцы платят за продвижение. Модель монетизации оценивает, сколько можно заработать с каждого объявления, и на основе этого корректирует ставки в аукционе. Это позволяет более эффективно распределять рекламный бюджет и увеличивать общую выручку.

Корректировка происходит в реальном времени: если пользователь активно взаимодействует с объявлением, ставка может вырасти, чтобы показать его выше. Если же объявление не получает кликов, ставка снижается. Это сложный процесс, который требует точных прогнозов и быстрой обработки данных. Именно здесь ML-модели показывают свою ценность: они позволяют автоматизировать решения, которые раньше принимались вручную.

Кого затронет и как

Материал будет полезен дата-сайентистам и тимлидам, которые работают с монетизацией на маркетплейсах и в сервисах объявлений. Они смогут почерпнуть практические подходы к построению моделей и оценке их качества. Для бизнес-аналитиков статья тоже интересна: она показывает, как алгоритмы напрямую влияют на финансовые показатели.

Российский контекст добавляет специфики: Авито — одна из немногих площадок, где открыто делятся такими деталями. Обычно подобные материалы публикуют западные компании, но здесь локальный опыт может быть даже полезнее из-за особенностей рынка и поведения пользователей. Разработчики из СНГ могут применить эти подходы в своих проектах, адаптировав их под конкретные задачи.

Что будет дальше

Автор статьи намекает, что команда продолжает развивать модели: улучшает точность прогнозов, добавляет новые источники данных и экспериментирует с архитектурами. В ближайшее время можно ожидать более детальных публикаций о конкретных алгоритмах и результатах экспериментов. Также вероятно, что Авито будет делиться опытом на конференциях и в блоге, что делает их одним из лидеров в области ML-монетизации в России.

Итог

Авито показала, как строить ML-модели монетизации, которые учитывают не только клики, но и реальные сделки. Это важный шаг к более эффективной и прозрачной рекламной системе. Для специалистов статья — ценный источник знаний о том, как превращать данные в деньги. Следите за обновлениями от Авито, чтобы быть в курсе новых подходов и технологий.