Как Авито использует ML‑модели монетизации: от CTR до сделок

Что рассказывает Авито

В недавней статье на Habr ML Алина Бабенко, acting DS‑менеджер Авито, поделилась практическими деталями построения системы монетизации в поиске и рекомендациях. Команда отвечает за оценку ожидаемой выручки (eRPM) от действий пользователей – от показа до покупки – и использует эти предсказания в ранжировании результатов.

Модели расчёта выручки

• Прямой прогноз CTR – градиентный бустинг над фичами позиции, контента и пользователя.
• Прогноз стоимости клика (eCPC) – линейные модели с учётом исторических ставок и конкуренции.
• Прогноз конверсии и среднего чека – гибридные модели: глубокие нейронные сети для сложных паттернов и факторизационные модели для быстрых обновлений.

Все модели обучаются на годовых данных (≈ 200 млн сессий) и регулярно переобучаются каждые две недели, чтобы учесть сезонные колебания.

Оценка качества

Авито использует несколько уровней контроля:

1. Калибровка предсказаний – проверка, что средняя предсказанная выручка совпадает с фактической (bias < 2 %).
2. Оффлайн‑метрики – ROC‑AUC для CTR (≈ 0.87) и PR‑AUC для конверсии (≈ 0.73).
3. A/B‑тесты – сравнение новых ранжировок с контрольной группой; типичный uplift в выручке составляет 5‑10 % при небольшом падении CTR (≈ 1 %).

Коррекция ставок

Для динамического управления ставками команда внедрила мульти‑арми‑бандит‑алгоритм, который в реальном времени распределяет бюджет между рекламными кампаниями, учитывая предсказанную eRPM и ограничение по CPM. Это позволяет быстро реагировать на изменения спроса без ручного вмешательства.

Практические выводы

• Бизнес‑ориентированное ранжирование повышает доход, но требует тщательной калибровки, чтобы не ухудшить пользовательский опыт.
• Контроль качества на нескольких уровнях (offline → online) критичен для стабильных улучшений.
• Автоматическая корректировка ставок сокращает операционные затраты и повышает эффективность рекламных инвестиций.

Полный текст статьи доступен на Habr ML.