Алина Бабенко, acting DS-менеджер в Авито, опубликовала на Хабре подробную статью «От CTR до сделок: как в Авито устроены ML-модели монетизации». Впервые задокументирована production-архитектура ранжирования монетизации одного из крупнейших российских маркетплейсов: трёхкомпонентная система из CTR-, CVR- и модели корректировки ставок с кастомной функцией потерь и калибровкой вероятностей.
Что произошло
Алина Бабенко, acting DS-менеджер в Авито, 11 августа 2026 года на Хабре (Блог AvitoTech) опубликовала статью, в которой детально разобрана ML-инфраструктура монетизации поиска и рекомендаций. В системе используются три модели: CTR-модель предсказывает вероятность клика, CVR-модель оценивает вероятность целевого действия после клика, модель корректировки ставок адаптирует вес аукциона под конверсионность трафика. Для обучения модели корректировки применяется query cross-entropy loss — комбинация стандартного log loss и группового log loss, позволяющая перераспределять бюджет между пользователями без повышения среднего CPC продавца. Качество ранжирования измеряется через stratified ROC-AUC, который считается внутри каждого запроса и агрегируется по объёму кликов. Калибровка вероятностей контролируется метрикой RIG = 1 − log loss / entropy. Для борьбы с position bias применяется трёхэтапное декоррирование через CatBoost с использованием Inverse Propensity Weighting. Также заявлен план перехода от CatBoost к deep learning с ориентацией на архитектуру Airbnb.
Контекст
Публикация AvitoTech — один из редких случаев прозрачного описания production ML-пайплайна монетизации крупного маркетплейса. В индустрии рекламных платформ и маркетплейсов вопросы монетизации поиска и рекомендаций обычно остаются закрытыми. Задокументированные подходы — CTR/CVR-модели, position bias mitigation, CatBoost для ранжирования — сами по себе широко известны, однако конкретная комбинация архитектурных решений, метрик и функций потерь в масштабе Avito ранее не описывалась. Метрика stratified ROC-AUC вместо глобального AUC особенно важна для маркетплейсов с длинным хвостом запросов, где глобальный AUC маскирует качество на редких запросах. Использование RIG-калибровки критично для финансовых расчётов: неккалиброванные вероятности приводят к систематическим ошибкам в прогнозе выручки. Query cross-entropy loss представляет собой практическое решение задачи оптимизации с ограничением, которую обычно решают через лагранжевы множители.
Почему это важно для индустрии
Статья даёт готовую референсную архитектуру для монетизации поиска на маркетплейсах. Подходы к query cross-entropy loss для корректировки ставок с ограничением среднего CPC, stratified ROC-AUC и RIG-калибровке пригодятся DS-командам любых рекламных и маркетплейс-платформ. Заявленный план перехода от CatBoost к deep learning может стать точкой отсчёта для остальных российских маркетплейсов: ожидается волна миграций от GBRT к DNN-ранжированию. Интеграция dense embeddings с существующим CatBoost — реалистичный промежуточный шаг. Публикация создаст спрос на стандартные инструменты: бенчмарки ранжирования, фреймворки для калибровки вероятностей и платформы для multi-touch атрибуции.
Почему это важно для пользователей
Материал показывает, как на практике решаются проблемы, которые обычно встречаются только в академических статьях: атрибуция длинной воронки, калибровка вероятностей для финансовых расчётов, bias-митигация в поисковой выдаче. Полезен для дата-сайентистов, ML-инженеров и техлидов, работающих с рекомендательными системами, поисковым ранжированием или AdTech. DS-команды могут адаптировать stratified ROC-AUC и RIG-калибровку для своих систем уже сейчас. Команды, которые сейчас используют глобальный AUC и сталкиваются с evaluation bias, найдут сразу реализуемые альтернативы. Стартапы могут использовать описанные методы как baseline для собственных систем ранжирования.
Что пока неизвестно / ограничения
В статье указано лишь «планируем переход» к deep learning, без архитектурных деталей, данных о A/B-тестах или benchmark-сравнениях. Ориентация на архитектуру Airbnb — это направление исследований, а не достигнутый результат. Inverse Propensity Weighting статистически корректен, но чувствителен к variance при малых propensity scores, что может ограничивать эффективность на практике.
Источники
- От CTR до сделок: как в Авито устроены ML-модели монетизации / Хабр
- Monetization models — Alina Babenko, Avito / YouTube
Автор
Look at AI, редакция