Аннотация
AI-системы в маркетплейсах почти никогда не создают рынок и почти всегда управляют вниманием внутри него. Они решают, какие единицы предложения попадут в candidate set, в каком порядке будут показаны, какому продавцу уйдёт лид и какова вероятность отклика. Это операции над распределением, а не над объёмом спроса.
Различение важно практически: если рост завершённых транзакций после изменения модели измеряется на уровне платформы и без контрфакта, невозможно отличить перераспределение внимания между продавцами от появления новых сделок. Первое перекладывает результат с одного участника на другого при неизменной сумме, второе увеличивает сумму. Операционные и инвестиционные решения из этих двух случаев разные.
Главный исследовательский вопрос
Что именно меняется в состоянии рынка, когда меняется алгоритмический слой, и при каких условиях это изменение увеличивает число состоявшихся совпадений, а не перераспределяет их?
Слои, в которых действует AI
Декомпозиция ниже — рабочая. Её назначение в том, чтобы не смешивать вмешательства с разными механизмами и разными горизонтами эффекта.
| Слой | Что решает система | Наблюдаемый эффект первого порядка | Чем легко ошибиться |
|---|---|---|---|
| Eligibility и допуск | какие единицы предложения вообще участвуют | состав eligible-предложения | изменение состава меняет знаменатели всех метрик экспозиции |
| Формирование candidate set | какие единицы рассматриваются под запрос | доля предложения без экспозиции | сужение набора улучшает точность и повышает нулевую экспозицию |
| Ранжирование | порядок показа | концентрация экспозиции | средняя релевантность растёт при росте неравенства внимания |
| Маршрутизация лидов | какому продавцу уходит обращение | время до отклика, доля квалифицированных откликов | оптимизация под отклик смещает поток к активным, а не к подходящим |
| Прогноз propensity | вероятность действия участника | приоритет обработки | прогноз обучается на прошлом распределении внимания и воспроизводит его |
| Ценообразование и стимулы | цена, промо, приоритет | состав спроса | эффект смешивается с алгоритмическим и требует отдельной идентификации |
Граница: аллокация и спрос
Рабочая гипотеза: алгоритмический слой изменяет распределение внимания внутри заданного спроса и предложения и не изменяет размер спроса напрямую. Косвенно он влияет на спрос через опыт — участник, чьи запросы стабильно закрываются, возвращается чаще, — но этот канал имеет горизонт месяцев и наблюдается на кривой удержания, а не в метриках ранжирования.
Из гипотезы следуют проверяемые ожидания. В микрорынке с неудовлетворённым спросом улучшение аллокации должно увеличивать долю закрытого спроса. В микрорынке, где предложение не находит спроса, улучшение ранжирования не должно давать устойчивого прироста завершённых транзакций — только перераспределение между продавцами. Расхождение с этими ожиданиями и есть содержательный результат, ради которого стоит ставить эксперимент.
Обратные связи
Три петли, которые делают наивную оценку эффекта смещённой.
Первая: модель ранжирования обучается на кликах и откликах, полученных при прошлом ранжировании. Единицы, которые не показывались, не имеют положительных примеров и продолжают не показываться. Наблюдаемое «качество» такой модели растёт при сужении рассматриваемого множества.
Вторая: продавцы адаптируются к правилам ранжирования. После нескольких итераций сигнал, коррелировавший с качеством, начинает отражать умение оптимизироваться под сигнал — прямое действие закона Гудхарта на уровне рынка.
Третья: маршрутизация к наиболее отзывчивым продавцам повышает краткосрочный отклик и одновременно снижает экспозицию остальных, ускоряя их отток. Метрика отклика улучшается на горизонте недель и может ухудшать плотность рынка на горизонте кварталов.
Cold start: две разные проблемы
Отсутствие данных о новой единице предложения и отсутствие спроса на неё выглядят одинаково — нет откликов, — но требуют противоположных действий. В первом случае помогает исследовательская экспозиция: выделенная доля показов, дающая новым единицам шанс собрать сигнал. Во втором случае исследовательская экспозиция расходует внимание впустую, потому что спроса нет ни при каком ранжировании.
Различить их можно только на уровне микрорынка: если в том же микрорынке зрелые единицы получают квалифицированные отклики, а новые нет, это проблема данных; если не получает никто, это отсутствие спроса. Именно поэтому раздельное измерение по микрорынкам предшествует любому решению об алгоритмическом вмешательстве.
Риски и контроль
NIST AI RMF задаёт четыре функции управления рисками — GOVERN, MAP, MEASURE, MANAGE — и рассматривается здесь как рамка организации работы, а не как источник утверждений о маркетплейсах. В приложении к matching это означает: зафиксировать, кто отвечает за решения о распределении внимания; описать контекст и затронутые стороны до внедрения; измерять эффект на исходах рынка, а не только на метриках модели; иметь заранее определённый порядок отката.
Отдельного внимания требует распределительный эффект. Средняя релевантность и суммарная конверсия могут расти одновременно с ростом доли предложения, не получающего внимания. Обе величины истинны; выбор между ними является продуктовым и редакционным решением, которое должно приниматься явно, а не оставаться побочным следствием функции потерь.
План исследования
Первый этап: собрать сравнимые определения слоёв и наблюдаемых величин, чтобы разные платформы описывали одно и то же одинаково. Без этого сопоставление невозможно.
Второй этап: сформулировать минимальный набор наблюдений для проверки границы между аллокацией и спросом — доля закрытого спроса, доля предложения без экспозиции, концентрация экспозиции, доля квалифицированных откликов, время до match, всё по микрорынкам.
Третий этап: описать дизайны идентификации, доступные без доступа к внутренним системам, — естественные эксперименты при изменении правил показа, разрывы при пороговых правилах допуска, сдвиги при миграции выдачи. Каждый дизайн сопровождается негативным контролем.
Четвёртый этап: внешнее методологическое рецензирование до любых количественных утверждений.
Чего эта работа не утверждает
Она не утверждает, что AI в маркетплейсах не приносит пользы, что ранжирование ухудшает рынки, что какая-либо платформа допускает описанные ошибки, или что перечисленные механизмы наблюдались автором в конкретной компании. Она не содержит оценок величины эффектов и не предлагает готовых порогов.