ущерба для бизнес-показателей. Команда оценивала различные подходы, включая бизнес-правила, бинарный uplift, бандитов, обучение с подкреплением и байесовские методы, но выбрала модель ценового отклика из-за ограничений: смещенные данные, ограниченные возможности эксперимента (нельзя обнулить ontop в тестах), низкая частота и отложенная обратная связь, а также требование интерпретируемости. Модель предсказывает вероятность закрытия слота в течение определенного дня, основываясь на цене (базовая ставка плюс ontop), параметрах смены, геолокации, рынке и исторической статистике платформы. Для борьбы со смещением данных они расширили обучающие данные данными A/B-тестов и сформулировали задачу как трехклассовую классификацию (контакт в группе A, контакт в группе B, отсутствие контакта), в продакшене свернув её до двух классов. Они применили монотонное ограничение на ценовые признаки, чтобы гарантировать, что более высокие субсидии не снижают вероятность закрытия, реализовав это через разложение CatBoost на две бинарные модели. Ключевые метрики оценки включают LogLoss 0.44, Brier 0.29, отклонение Fill Rate -0.6 процентных пункта и симметрию разрыва ниже 0.01. Калибровка модели критически важна для алгоритма распределения бюджета, чтобы эффективно распределять субсидии без ухудшения показателей Completed slots и Fill Rate.