Как Авито Подработка автоматизировала субсидии с помощью ML: опыт и результаты

Команда Авито Подработки столкнулась с задачей, знакомой многим маркетплейсам и платформам: как эффективно распределять субсидии — скидки или бонусы, которые мотивируют исполнителей закрывать смены, — не переплачивая и не ломая ключевые метрики. Ручное назначение по фиксированным правилам перестало справляться с ростом платформы, и аналитики разработали автоматическую систему на основе машинного обучения. В статье на Хабре Арина Сокова, аналитик Авито Подработки, подробно описала этот переход. Разбираем, как устроено решение и почему оно важно для бизнеса.

Как устроены субсидии в Авито Подработке

Авито Подработка — это сервис, где заказчики размещают смены, а исполнители их закрывают. Чтобы смены не оставались пустыми, платформа может предлагать исполнителям дополнительное вознаграждение — субсидию. Раньше решение о назначении субсидии принималось на основе простых бизнес-правил: например, если смена долго не закрывается или находится в регионе с низкой активностью, автоматически добавлялась фиксированная сумма. Такой подход был прост, но неэффективен: он не учитывал множество факторов, влияющих на вероятность закрытия смены, и часто приводил к перерасходу бюджета.

Система, которую внедрили аналитики, использует ML-модель для прогнозирования вероятности того, что смена закроется без субсидии. На основе этого прогноза и оценки ценности конкретного исполнителя модель решает, стоит ли предлагать субсидию и в каком размере. Ключевое ограничение — нельзя просаживать метрики в A/B-тестах: команда должна была сохранить качество сервиса, измеряемое долей закрытых смен, временем до закрытия и другими показателями.

Предыстория и контекст

Проблема оптимизации субсидий не уникальна для Авито. Классический подход — ручная настройка правил — требует постоянного вмешательства аналитиков и быстро устаревает при изменении рынка. Например, в праздники или при изменении спроса правила могут давать сбои. Автоматизация через ML позволяет системе адаптироваться к новым условиям без участия человека.

В Авито Подработке до внедрения модели субсидии назначались по простым алгоритмам: если смена не была закрыта за определённое время, к ней автоматически применялась скидка для исполнителя. Это работало, но не учитывало индивидуальные особенности: один исполнитель готов закрыть смену и без бонуса, другой — только с большим бонусом. В результате бюджет расходовался неоптимально.

Переход к ML-модели стал логичным шагом в развитии платформы. Подобные решения уже используются в других сервисах Авито, например, в ценообразовании на товары, и показали свою эффективность.

Какие факторы учитывает модель при назначении субсидии?

Модель прогнозирует вероятность закрытия смены без субсидии. Если вероятность высокая, субсидия не нужна. Если низкая — модель рассчитывает оптимальный размер субсидии, который побудит исполнителя взять смену, но не приведёт к переплате. Для этого используются данные о смене (время, дата, регион, оплата), об исполнителе (история закрытий, рейтинг, предпочтения) и о рынке (конкуренция, спрос).

Обучение модели проходило на исторических данных, а для валидации использовались A/B-тесты. Чтобы не просадить метрики, команда внедрила специальные механизмы: модель не может устанавливать субсидию ниже определённого порога, а также учитывает бюджетные ограничения на уровне платформы.

Технические детали и сравнение с прежним подходом

В статье Арина Сокова не раскрывает все технические детали, но упоминает, что модель — это градиентный бустинг, который хорошо работает с табличными данными. Прежний подход с ручными правилами имел серьёзный недостаток: он не использовал всю доступную информацию. Например, не учитывал поведение конкретного исполнителя — как часто он берёт смены, в каких регионах, в какое время. Модель же учитывает десятки факторов, что позволяет точнее предсказывать поведение.

Ключевое отличие новой системы — адаптивность. Ручные правила требовали постоянной настройки аналитиками при изменении рыночной ситуации. Модель автоматически переобучается на новых данных, поэтому она сохраняет эффективность без ручного вмешательства. Это снижает нагрузку на команду и уменьшает риск ошибок.

Кого затронет это изменение

Решение Авито Подработки будет полезно не только внутренней команде, но и другим компаниям, которые работают с субсидиями, промокодами или любыми механизмами мотивации. Аналитики и продакт-менеджеры, которые сталкиваются с оптимизацией бюджета, могут почерпнуть из статьи практические подходы: как строить модель, как валидировать её без потери метрик, как внедрять в продакшн.

Для пользователей платформы — исполнителей и заказчиков — изменение вряд ли будет заметным, но оно должно улучшить качество сервиса: смены будут закрываться быстрее, а субсидии — распределяться более справедливо. Для бизнеса это снижение затрат на продвижение при сохранении ключевых показателей.

Что будет дальше

Команда Авито Подработки продолжит развивать систему. В планах — учёт более тонких факторов, например, сезонности или поведения конкурентов, а также расширение модели на другие типы вознаграждений. Возможно, подход будет масштабирован на другие сервисы Авито, где есть похожие задачи.

В ближайшее время мы увидим больше публикаций от Авито о внутренних ML-решениях, так как компания активно делится опытом с сообществом. Это хороший пример того, как платформы могут оптимизировать свои расходы с помощью машинного обучения, не жертвуя качеством.

Итог

Авито Подработка показала, как можно автоматизировать назначение субсидий с помощью ML-модели, сохранив метрики A/B-тестов. Это практический кейс, который будет полезен аналитикам и продакт-менеджерам, работающим с оптимизацией бюджета. Если вы ищете способы повысить эффективность промомеханик — стоит изучить опыт Авито.