Как Авито использует ML-модели для точного прогноза выручки и оптимизации монетизации
Специалист Авито Алина Бабенко раскрыла детали работы внутренних ML-моделей, которые предсказывают ожидаемую выручку от действий пользователя. Эти модели лежат в основе ранжирования поиска и рекомендаций, позволяя платформе более эффективно управлять рекламными ставками и максимизировать доход.
В основе монетизации Авито лежат ML-модели, прогнозирующие не CTR, а ожидаемую финансовую выручку от действий пользователя. Как объяснила менеджер по data science Алина Бабенко, эти модели оценивают доход от показа конкретного объявления в выдаче или рекомендациях. Учитываются тип товара, его цена, поведение пользователя и контекст запроса. Такой подход смещает фокус с абстрактной релевантности на прямой экономический эффект, ранжируя контент для максимизации выручки платформы.
Архитектура включает несколько моделей, работающих в реальном времени. Их главная задача - спрогнозировать ожидаемую выручку от показа (eCPM) для каждого рекламного объявления. Система последовательно оценивает вероятность клика (pCTR), вероятность целевого действия после клика (pCVR), например, отправки сообщения продавцу, и ценность этого действия - условную среднюю цену сделки (Average Order Value, AOV). Перемножив эти три величины, система получает итоговый показатель ожидаемой выручки. Для обучения моделей используется огромный объем исторических данных о взаимодействиях пользователей.
Главный вызов при внедрении - оценка качества моделей. Традиционные метрики вроде AUC (Area Under Curve) недостаточны, так как цель - максимизация дохода, а не просто точность предсказания. Команда использует специализированные оффлайн-метрики, симулирующие влияние ранжирования на выручку, и проводит постоянные A/B-тесты.
Еще одна сложность - корректировка рекламных ставок. Модель предсказывает ожидаемую выручку на основе истории. В реальном аукционе эта ставка корректируется с помощью специального множителя (bid adjustment). Это позволяет гибко реагировать на рыночную конъюнктуру и поведение конкурентов, не переплачивая за клики и не теряя выгодные показы.
Опыт Авито показывает эволюцию монетизации: от оптимизации кликов к прогнозированию полного жизненного цикла ценности пользователя (LTV). Это требует глубокой интеграции data science в продукт, где модели становятся ядром системы принятия решений. Пользователи могут получать более релевантные рекомендации, но сталкиваются с коммерчески оптимизированным ранжированием.
Развитие технологии ведет к дальнейшей персонализации и усложнению аукционов в реальном времени (Real-Time Bidding). Платформы будут стремиться к более точным прогнозам, возможно, объединяя модели монетизации с моделями прогнозирования спроса. Это создает требования к инфраструктуре - необходимо обрабатывать миллионы событий в секунду с минимальной задержкой. Растет важность этических аспектов: пользователи и рекламодатели вправе понимать, по каким принципам система отдает приоритет одним объявлениям перед другими.
