Tinder учится по ходу сеанса. Что перенести в рекомендации маркетплейса

Привет, я Антон Фокин, CEO Qtim. Мы разрабатываем e-commerce-продукты и разбираем маршруты от каталога до заказа. Посмотрим, как Tinder перестраивает рекомендации по ходу сеанса и что из этого пригодится маркетплейсу.

Tinder учится уже в первом сеансе

На Tinder Sparks 2026 компания представила Chemistry и Learning Mode. Первая механика формирует ежедневную подборку с помощью короткого опроса и дополнительных сигналов. Вторая учитывает реакции человека в реальном времени. Tinder сообщает, что в трёхмесячном глобальном тесте на 14 млн пользователей Learning Mode был связан с более высокой вероятностью возвращения новых пользовательниц в первую неделю.

В квартальном отчёте за второй квартал 2026 года Match Group сообщила, что годовое снижение ежедневной аудитории Tinder сократилось до 4% — это лучший результат за десять кварталов. После окончания квартала компания связала более сильную динамику аудитории с обновлением алгоритмов и другими продуктовыми изменениями. Точный вклад рекомендаций не раскрыт. Это важная оговорка: даже заметный рост общей метрики ещё не доказывает эффект одной механики.

Фильтр сужает каталог, ранжирование решает порядок

В инженерном разборе Tinder рекомендации устроены в два этапа. Elasticsearch сначала отбирает допустимых кандидатов по географии, возрасту, интересам и настройкам. Затем собственный модуль ранжирует их с помощью моделей машинного обучения. Через один кластер проходило более 90% рекомендаций сервиса.

В маркетплейсе фильтр выполняет жёсткие условия: товар доступен, доставляется в регион, подходит по размеру и цене. Ранжирование выбирает порядок для конкретного человека. Поэтому фильтров и сортировки мало. Сортировка «по популярности» показывает всем одну очередь; персональная выдача меняется вместе с поведением пользователя.

Холодный старт закрывают первые сигналы. Для нового посетителя это категория входа, размер, ценовой диапазон, город, срок доставки и реакции в текущем сеансе. Новому товару помогают атрибуты: категория, бренд, материал, назначение, цена и сезонность. Часть мест в выдаче стоит оставить для исследования спроса, иначе новые позиции так и останутся без истории.

Клик мало значит без списка показанных товаров

Открытая карточка может означать интерес, случайное касание или проверку цены. Сравнение и избранное говорят больше. Корзина и заказ приближают к бизнес-результату, а отмена или возврат меняют оценку успешной на первый взгляд рекомендации.

Поэтому журнал событий должен хранить показ, позицию карточки, версию выдачи и дальнейшее действие. Amazon Personalize использует данные о показанных позициях при исследовании новых вариантов. Без данных о показах модель видит только победителя и не знает, из какого набора его выбрали.

Отрицательные реакции тоже разделяются. Пропуск — слабый сигнал на текущий сеанс. Явное «Не показывать» можно учитывать дольше. Отказ от модели, бренда или категории требует разных причин. Один универсальный дизлайк быстро превращает временное настроение в постоянный запрет.

После ранжирования нужен ещё один проход. Он ограничивает повторы, разводит соседние карточки по бренду, цене или типу, добавляет новые товары и учитывает уже просмотренное. Пять похожих курток могут быть точными рекомендациями по отдельности и бесполезной подборкой вместе.

Пять слоёв не дают модели управлять каталогом в одиночку

1. Кандидаты — наличие, регион, ограничения, вариант товара и реальный срок доставки.
2. События — показы, клики, сравнения, корзины, заказы, скрытия, отмены и возвраты.
3. Поиск и ранжирование — быстрый набор подходящих позиций и их персональный порядок.
4. Переранжирование — разнообразие, ограничения повторов и правила площадки.
5. Эксперимент — часть аудитории видит новую логику, контрольная группа сохраняет прежнюю.

Tinder развивал эти слои вместе с инфраструктурой. После перехода на Elasticsearch 8 команда получила векторный поиск и возможность тестировать двухбашенные модели с отдельными представлениями двух профилей. В одном эксперименте такая модель увеличила долю совпадений на 6,5% и их количество на 22%; другая подняла долю свайпов вправо на 3,8%. Выборку и срок этих экспериментов авторы разбора не раскрывают. Изменения сначала сравнивали офлайн, затем раскатывали тремя волнами A/B-тестов.

Маркетплейсу можно начать с правил и простой модели. Архитектура важнее сложности алгоритма: каталог отвечает за допустимость, ранжирование — за порядок, переранжирование — за качество всей подборки.

Кликабельность может вырасти, пока заказы стоят

Кликабельность поощряет любопытные карточки и агрессивные скидки. Мы смотрим дальше: дошёл ли человек до сравнения, корзины и заказа; сколько времени занял выбор; что случилось с маржой, отменами, возвратами, скрытиями и повторными показами.

Для запуска достаточно одной поверхности: блока на главной, похожих товаров в карточке или дополнений в корзине. Сначала настраиваем журнал показов, определяем сильные и слабые сигналы, добавляем явное скрытие и лимит повторов. Затем сравниваем новую выдачу с базовой логикой на части трафика.

Рекомендация работает, когда человек быстрее находит подходящий товар, а площадка сохраняет выбор, маржу и доверие.

Если хотите разобрать рекомендации, каталог и события как одну систему, можно обсудить e-commerce-продукт с нами. Начнём с одной полки и проверим, каких данных ей не хватает.