Du CTR aux transactions : comment Avito construit ses modèles de monétisation en apprentissage automatique

Cet article, écrit par Alina Babenko, DS-manager par intérim chez Avito, décrit comment l'équipe de l'entreprise construit des modèles de monétisation pour la recherche et les recommandations. La tâche principale consiste à estimer les revenus attendus des interactions des utilisateurs avec les annonces et à les intégrer dans le classement. La métrique principale est la croissance des revenus, mais l'équipe doit concilier cela avec la qualité de la recherche pour les utilisateurs. Trois types de modèles sont utilisés : les modèles de CTR prédisent la probabilité d'un clic, les modèles de CVR estiment la probabilité d'une action cible après un clic, et un modèle de correction ajuste les enchères en fonction de la qualité du trafic. Pour maintenir le coût moyen par clic stable, ils utilisent la perte d'entropie croisée de la requête. Pour évaluer la qualité du classement, ils utilisent le ROC-AUC stratifié au lieu du ROC-AUC global, car les utilisateurs comparent les annonces au sein d'une même requête. La calibration est évaluée avec la métrique RIG. Ils sont confrontés à des défis d'attribution, utilisant des approches de dernier clic, premier clic ou multi-touch, et explorent la possibilité de donner moins de poids aux clics précoces. Pour lutter contre le biais de position, ils utilisent soit trois modèles CatBoost, soit un poids de propension inverse. Ils passent également de CatBoost au deep learning, qui montre déjà une meilleure qualité de prédiction du CTR, mais notent que la modélisation des transactions est plus complexe que celle des clics en raison de parcours utilisateur plus longs.