Tinder обновил рекомендации. Почему маркетплейсу мало фильтров и сортировки

Покупатель открыл белые кроссовки, пролистал фотографии и вернулся в каталог. Через несколько экранов маркетплейс показывает ту же пару. Потом ещё раз. Система запомнила просмотр, но не поняла, что повторять его уже бесполезно.

Для покупателя это выглядит как навязчивость. Для продукта — как потерянный сигнал: место в выдаче занял товар, который уже не помогает выбрать.

В Qtim мы разрабатываем e-commerce-продукты и разбираем пользовательские маршруты от каталога до заказа. На примере обновлений Tinder покажем, из каких слоёв складываются рекомендации, как пережить холодный старт и почему маркетплейсу мало фильтров и сортировки.

Tinder добавил обучение между двумя свайпами

На презентации Tinder Sparks 2026 компания показала два подхода к персонализации. Chemistry формирует ежедневную подборку с помощью короткого опроса и дополнительных сигналов. Learning Mode перестраивает рекомендации по действиям человека во время сеанса. 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 зафиксировала ещё один сдвиг: 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 рекомендательных алгоритмов и продуктовыми изменениями. Отдельный вклад каждого обновления в отчёте не раскрыт, поэтому приписывать весь эффект рекомендациям нельзя.

Технический разбор Tinder объясняет основу без деталей Learning Mode. Более 90% рекомендаций сервиса проходили через один кластер Elasticsearch. Сначала поиск отбирал допустимых кандидатов по географии, возрасту, интересам и настройкам. Затем собственный модуль Tinder ранжировал их с помощью моделей машинного обучения.

У маркетплейса та же логика. Фильтр отвечает, какие товары подходят под жёсткие условия: есть в наличии, доставляются в регион, включают нужный размер и укладываются в бюджет. Ранжирование решает, что показать первым конкретному человеку. Сортировка «по популярности» даёт один порядок всем. Персональная выдача меняет его по мере появления новых сигналов.

У нового покупателя нет истории — зато есть первый сеанс

Холодный старт возникает дважды. Система мало знает о новом посетителе и почти ничего не знает о новом товаре. Список популярных товаров заполняет выдачу быстро и закрепляет лидеров каталога: позиции без показов не получают кликов, а без кликов не получают новых показов.

Tinder начинает собирать предпочтения ещё до длинной истории свайпов: Chemistry использует ответы на вопросы, Learning Mode — реакции в текущем сеансе. Маркетплейс может сделать то же аккуратнее, чем анкета на десять экранов. Категория входа, выбранный размер, ценовой диапазон, город, срок доставки и пара явных предпочтений уже сужают пространство поиска.

Для нового товара историю частично заменяют атрибуты: категория, бренд, материал, назначение, цена, сезонность и визуальные признаки. Небольшую долю выдачи мы оставляем для исследования спроса. Иначе алгоритм продолжит советовать только то, что успело стать популярным до запуска модели.

Самая соблазнительная версия — загрузить старые клики и сразу обучить ранжирование. Мы её отбрасываем. Эти клики собраны прежней выдачей: верхние позиции видели чаще, поэтому модель легко принимает видимость за предпочтение и усиливает старый порядок.

Клик, корзина и возврат говорят системе разное

Рекомендательная система видит действия, но смысл действия задаёт продуктовая команда. Просмотр карточки может означать интерес, случайное касание или проверку цены. Добавление в корзину сильнее, покупка ещё сильнее. Возврат товара после покупки меняет вывод: рекомендация привела к заказу, но могла промахнуться по ожиданиям.

Мы начинаем с карты сигналов и заранее задаём их роль:

• показ — товар действительно был на экране, поэтому система знает, из чего человек выбирал;
• просмотр и время на карточке — слабый интерес, который требует контекста;
• сравнение, избранное и повторный визит — намерение вернуться к выбору;
• корзина и заказ — приближение к бизнес-результату;
• скрытие, отмена и возврат — разные отрицательные сигналы, которые нельзя складывать в один флаг.

Событие хранит минимум четыре вещи: пользователя или сеанс, товар, время и контекст показа. Для рекомендаций нужен ещё идентификатор выдачи, позиция карточки и версия модели. Без них команда увидит клик, но не узнает, какие альтернативы стояли рядом и почему победил именно этот товар.

Свайп влево нельзя превращать в пожизненный запрет

Отрицательная реакция бывает мягкой и жёсткой. Пропуск карточки сообщает мало: человек мог не заметить товар, устать листать или искать другое прямо сейчас. Кнопка «Не показывать эту модель» выражает намерение точнее. Отказ от бренда, категории или конкретного размера требует отдельных причин, а не одного универсального дизлайка.

Повтор тоже несёт информацию. Amazon Personalize, например, учитывает список уже показанных позиций при исследовании новых вариантов. Частый показ снижает вероятность снова использовать товар для исследования. Смысл для собственной системы практичный: хранить нужно и действия, и доступный человеку набор.

Мы задаём срок жизни отрицательного сигнала. Скрытую модель можно убрать надолго. Пропущенную карточку понижаем в выдаче только на текущий сеанс и возвращаем позже при новом контексте: изменилась цена, появился нужный размер или человек перешёл в другую категорию. Так выдача помнит отказ и не делает из него пожизненный приговор.

Пять чёрных курток подряд — точность без выбора

Модель нашла общий признак и честно продолжает его усиливать. С точки зрения близости товары релевантны. С точки зрения покупателя экран почти не меняется.

После первичного ранжирования нужен отдельный этап переранжирования. Он ограничивает повторы одной карточки и бренда, разводит соседние позиции по цене или типу, добавляет новые товары и учитывает уже просмотренное. Для маркетплейса с продавцами сюда же входят доступность, срок доставки, качество карточки и правила площадки.

Разнообразие не равно случайной мешанине. Основу выдачи сохраняют наиболее подходящие позиции, а часть мест отдают контролируемому исследованию. Границы определяем заранее: сколько одинаковых брендов может стоять рядом, через какое время возвращается показанный товар и какую долю получат позиции с малой историей.

Пять слоёв не дают модели управлять каталогом в одиночку

Практическая схема выглядит так:

• Кандидаты. Каталог отсекает отсутствующие товары и применяет жёсткие условия: регион, возрастные ограничения, совместимость, наличие варианта и реальный срок доставки.
• События. Платформа хранит показы, позицию, клики, сравнения, корзины, заказы, скрытия, отмены и возвраты вместе с контекстом.
• Поиск и ранжирование. Система быстро находит подходящий набор, затем оценивает вероятность полезного действия для пользователя и товара.
• Переранжирование. Бизнес-правила и ограничения разнообразия убирают повторы, недоступные позиции и перекос в пользу одного продавца или ценового сегмента.
• Эксперимент. Новую логику получает часть аудитории; контрольная группа сохраняет прежнюю выдачу, чтобы отделить эффект модели от сезона, акции и изменения трафика.

У Tinder этот путь хорошо виден в инженерной эволюции. 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. Перед запуском Tinder сравнивал старую и новую выдачу офлайн, затем раскатывал изменения тремя волнами A/B-тестов.

Маркетплейсу не обязательно начинать с такой инфраструктуры. Первый рабочий вариант можно собрать на правилах и простой модели. Важнее разделить слои: каталог отвечает за допустимость, ранжирование — за порядок, переранжирование — за качество всей подборки. Тогда новый алгоритм меняется без перестройки каталога и правил наличия.

Кликабельность может вырасти, пока продажи стоят

Кликабельность легко поощряет любопытные карточки и агрессивные скидки. Для бизнеса важен путь после клика. Мы проверяем рекомендации в трёх группах метрик:

• качество модели — попадание подходящих товаров в верх выдачи (Recall@K и NDCG), охват каталога, новизна и частота повторных показов;
• поведение — переход в карточку, сравнение, корзина, заказ и время до подходящего товара;
• экономика и ограничения — выручка и маржа на тысячу показов, отмены, возвраты, скрытия, пустые выдачи и задержка ответа.

Одна основная метрика нужна для решения, защитные показатели — для остановки эксперимента. Например, рост заказов можно принять за успех только при стабильной марже и без скачка возвратов. Рост кликов при прежних продажах означает, что рекомендации научились открывать карточки. Задачу выбора они ещё не решили.

Публичные цифры Tinder показывают ту же осторожность. Компания говорит об улучшении динамики аудитории на фоне нескольких продуктовых изменений и не выдаёт обновление алгоритма за единственную причину. Для маркетплейса честный вывод появляется только в контролируемом тесте.

Начните с одной полки, которая уже раздражает покупателя

Не нужно сразу персонализировать весь каталог. Выберите одну поверхность: блок на главной, похожие товары в карточке или дополнения в корзине. Запишите, какое решение принимает человек и что сейчас мешает ему выбрать.

Затем настройте журнал показов, определите сильные и слабые сигналы, добавьте явное скрытие и ограничьте повторы. Сравните простую базовую логику с новой выдачей на части трафика. Модель имеет смысл усложнять после того, как команда видит полный путь от показа до заказа и возврата.

Белые кроссовки из начала статьи могут появиться снова, когда изменился контекст. Без нового повода карточка должна уступить место другому варианту.

Правило для решения: рекомендация работает, когда покупатель быстрее находит подходящий товар, сохраняет выбор, а площадка не платит за это маржой, возвратами и однообразной выдачей.

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.