Всем привет! Меня зовут Михаил Пашедко, я backend-разработчик в Авито в команде Автотека.
Автотека — это сервис для проверки истории автомобиля, в котором вы можете получить специальный отчет. Когда в тот самый отчет решили добавить подсказки для пользователя, идея казалась простой. Небольшая рекомендательная система, которая подскажет: стоит ли покупать конкретный автомобиль, на что обратить внимание, когда лучше отказаться от сделки.
Но чтобы вписать даже такую, казалось бы, небольшую фичу в экосистему Авито, пришлось многое пересмотреть. У нас уже есть отлаженные процессы, правила, стандарты — и в эту структуру не так просто встроить эксперимент.
Пришлось действовать быстрее, чем обычно, местами на ощупь, отказываться от привычных практик ради скорости. Что-то собирали вручную, что-то укорачивали, где-то спорили, где-то шли на компромиссы. Так небольшой эксперимент на пару спринтов стал полноценным направлением разработки — и показал, как в зрелой компании можно запускать живые, «стартаперские» инициативы, не теряя при этом контроль над качеством.
Содержание:
С чего все начиналось
Но прежде чем говорить, как всё это получилось, стоит немного рассказать, какое место занимает Автотека внутри Авито.
Да, между продуктами есть пересечения — например, та же система оценки стоимости автомобиля, которую можно увидеть прямо на площадке: она показывает примерную рыночную цену и диапазон допустимых значений. Эта логика действительно используется и в отчёте, но в нашем случае она встроена в совершенно другой контекст. Мы не просто оцениваем стоимость, а собираем и анализируем всю историю конкретной машины — от регистраций и залогов до ДТП, участия в такси и даже мелких ремонтов.
На этом фоне рекомендательная система, которую мы разработали, оказалась по-настоящему обособленным решением. Она изначально задумывалась как небольшой эксперимент, но быстро выросла в самостоятельную часть отчёта и, по сути, стала новшеством не только для нас, но и для всего рынка. Ее задача не в том, чтобы предложить пользователю похожие автомобили, как это делают классические рекомендательные системы, а в том, чтобы оценить качество конкретной машины на основе уже собранных данных — и сформулировать вывод так, чтобы его понял даже человек, который ничего не знает об устройстве автомобилей.
Такого подхода в индустрии раньше не существовало. Когда система запустилась, реакция была мгновенной и противоречивой: пользователи в целом приняли идею с интересом, а продавцы, наоборот, отреагировали болезненно. Дл�� первых это стало способом быстрее разобраться в отчёте и не попасть на сомнительную сделку, а для вторых — дополнительным барьером, ведь скрыть следы серьезного ДТП или юридические риски теперь стало заметно сложнее.
Когда алгоритм становится автоэкспертом
Если говорить формально, рекомендательная система — это механизм, который помогает пользователю сделать выбор. В классическом понимании такие системы предлагают похожие товары, фильмы или объявления — что-то, что может понравиться, исходя из уже известных предпочтений. Но в нашем случае всё устроено иначе.
Рекомендательная система Автотеки не ищет похожие машины и не предлагает альтернативы. Её цель — помочь человеку понять, что делать с конкретным автомобилем, который он уже рассматривает. Стоит ли ехать на осмотр? Нужно ли пригласить юриста? Или лучше вообще не тратить время на этот вариант? По сути, мы не подталкиваем пользователя к покупке — мы ведём его за руку по отчёту, превращая сложный документ в понятный набор действий. Система подсвечивает важные моменты, объясняет риски, делает то, что раньше требовало либо опыта, либо специалиста по подбору.
В автомобильной среде разрыв между продавцом и покупателем огромный. Продавец может сознательно о чем-то умолчать, а покупатель — просто не понять, где стоит насторожиться. Даже безобидная фраза вроде «правая стойка отремонтирована» для большинства ничего не значит. Это плохо? Нормально? Неважно?
Мы решили закрыть этот разрыв алгоритмом. Наши аналитики собрали и проанализировали тысячи отчётов, поговорили с экспертами и подборщиками, чтобы понять, какие признаки действительно влияют на решение и почему профессионалы в таких случаях отказываются от покупки. На основе этих данных и был построен алгоритм, который теперь сам оценивает автомобиль и дает рекомендации простым языком.
В итоге даже человек, который никогда не покупал машину, теперь видит в отчёте не сухой список фактов, а осмысленную подсказку. Если у автомобиля тяжелые ДТП — система честно напишет: «Не стоит рисковать». Если найдены юридические проблемы —предупредит: «Проверь документы с юристом». Если всё в порядке — даст «зеленый» свет на осмотр.
По сути, это рекомендательная система действий, а не товаров. Она не продает и не навязывает — она объясняет и защищает.
Отчет, который рассказывает всё о машине
Чтобы понять, как работает рекомендательная система, нужно сначала разобраться, с чем она вообще работает — с отчетом.
По сути, отчёт в Автотеке — это цифровая история автомобиля. Он показывает, что происходило с машиной за всё время её существования: была ли она в ДТП, использовалась ли в такси, находится ли в залоге или лизинге, числится ли в угоне. Все эти данные собираются из десятков официальных и партнерских источников. С нами сотрудничают официальные дилеры, страховые компании, крупные салоны — те, кто владеет достоверной информацией о машинах. Мы получаем данные из открытых источников, агрегируем, проверяем и приводим в понятный вид. Фактически, это процесс оцифровки реального мира, и он далеко не идеален: кто-то мог ошибиться в документе, где-то перепутали цифры, кто-то не вовремя обновил сведения.
Поэтому у нас есть целый контур фактчекинга, чтобы такие ошибки не попадали в итоговый отчёт.
Когда человек вводит VIN или госномер, он получает не просто таблицу, а сводку всей жизни автомобиля — что с ним было, какие риски есть и стоит ли вообще рассматривать его к покупке. И именно на основе этого отчета работает наша рекомендательная система.
Как рекомендации помог��ют принять решение
Внутри отчёта есть пять категорий рекомендаций — от «зеленых» до «красных».
Каждая из них отвечает на главный вопрос: что делать дальше.
«Всё отлично, выезжайте на осмотр». Таких машин на рынке немного — без ДТП, не из такси, с прозрачной историей. Мы выделяем их как лучшие варианты, где риск минимален.
«Стоит осмотреть». Машина в целом в порядке, но могут быть нюансы — например, мелкий ремонт или мало фотографий — и мы советуем докинуть больше. Для этого класса машин мы даем небольшие рекомендации, как убедиться что вариант хороший.
«Можно рассматривать, но есть небольшие замечания». Здесь уже лучше подключить специалиста, чтобы проверить детали: заглянуть под капот, оценить качество ремонта, убедиться, что всё безопасно.
«Лучше взять на осмотр эксперта». Если есть залоги, судебные разбирательства, неоплаченные штрафы — мы прямо рекомендуем обратиться к юристу.
«Не стоит рисковать». Это самая жёсткая категория — машина могла быть утопленником, участницей серьёзных ДТП или числиться в угоне.
Такой подход делает процесс выбора машин прозрачнее. Если раньше покупателю нужно было самому разбираться в сотнях параметров, теперь система сама показывает, где стоит насторожиться, а где можно действовать уверенно.
По сути, она переводит язык технических данных на человеческий — и делает то, что раньше требовало опыта или внешней помощи.
Со временем стало очевидно, что влияние новой системы выходит далеко за рамки пользовательского удобства. Она не просто помогала принимать решения — она начала менять сам рынок.
Фидбек и реакция рынка
После запуска рекомендаций команда быстро поняла: равнодушных не будет.
Первыми отреагировали те, кто профессионально зарабатывает на перепродаже машин. В соцсетях появилось много критики: продавцы жаловались, спорили, уверяли, что система «всё делает неправильно». На отраслевых конференциях подходили лично — обсуждали, доказывали, порой даже выстраивались очереди к стенду Автотеки, чтобы высказать своё недовольство.
Эта волна негатива показала, что продукт действительно задел больное место. Теперь на отчетах стало видно то, что раньше можно было скрыть — залог, серьезные ДТП, перекраску кузова, следы работы в такси.
Постепенно реакция стала меняться: вместе с критикой пришёл отклик от обычных пользователей и экспертов. Покупатели начали внимательнее читать отчёты и чаще доверяли им. Подборщики, дилеры и аналитики, наоборот, поддержали инициативу: признавали, что система делает рынок прозрачнее и честнее.
Польза для пользователей и бизнеса
С точки зрения пользователей всё просто — отчёт стал понятнее и полезнее. Автотека не просто выдает длинный список фактов, а помогает понять, что эти факты означают: стоит ли ехать смотреть машину, звать эксперта или лучше сразу отказаться. Для человека, далёкого от авто, это огромная разница. Он тратит меньше времени, принимает решения увереннее — и чувствует, что сервис работает на его стороне.
Для Авито это не менее важно. Когда пользователю удобно и понятно, возвращаемость растёт сама собой. Прозрачность и доверие — те самые вещи, которые трудно купить рекламой, но можно заработать практической пользой. К тому же чем больше честных сделок совершается на площадке, тем устойчивее становится сам рынок — а значит, выигрывают все.
Рекомендации начали как эксперимент, но довольно быстро стало ясно: это не просто новая фича, а шаг к долгосрочному изменению пользовательского опыта. Дальше команде оставалось лишь одно — понять, как превратить удачный тест в устойчивый продукт.
Как тест вырос в продукт
Поначалу всё выглядело как обычный пункт в спринте: где-то в задаче мелькнула строка «добавить рекомендации в отчёт» — и никто особо не заострил на этом внимание.
Инициатива родилась, по сути, из любопытства. Тема показалась интересной, и один из разработчиков решил: почему бы не попробовать сделать что-то большее, чем просто ещё один блок в интерфейсе. Так появился небольшой эксперимент — проверить, как пользователи отреагируют на советы внутри отчёта.
Задача звучала просто: собрать первые данные, протестировать идею, посмотреть, какой будет отклик. Никаких ожиданий, никаких громких заявлений. Были даже сомнения, что проект «выживет»: если результаты окажутся слабыми, могли просто сказать «интересно, но не нужно».
Но всё вышло иначе и тест «выстрелил». Рекомендации заметили, начали обсуждать, а метрики показали устойчивый рост вовлеченности. Пользователи стали больше читать отчеты, чаще покупать их повторно, а сама Автотека — чаще попадать в позитивные упоминания.
Так идея, сделанная на коленке и в сжатые сроки, стала частью основного продукта. Это был один из первых случаев, когда в Автотеке применили рекомендательную систему в прикладном виде. Мы даем пользователю полноценную логику, влияющую на его решения — например, даем оценку стоимости.
С тех пор рекомендации продолжают развиваться — появляются новые факторы, уточняются алгоритмы, тестируются формулировки. А сам эксперимент стал толчком для других инициатив, связанных с умным анализом данных внутри отчёта.
MVP
Когда идея рекомен��аций получила одобрение, команде поставили амбициозную задачу — успеть реализовать её всего за две недели. Хотелось протестировать гипотезу до конца года, пока проект можно было провести как быстрый эксперимент, не превращая его в долгую разработку. Если бы тест перенесли на январь, всё растянулось бы на месяцы: согласования, обсуждения, очереди в спринтах.
Поэтому решили двигаться быстро и не строить «космолёт», как шутил сам разработчик. Задача была не в том, чтобы сделать идеально, а в том, чтобы как можно раньше получить результат и понять — работает ли вообще эта идея.
К моменту старта аналитики уже принесли готовый алгоритм, а дизайнеры — прототип визуального блока. Но дальше стало понятно, что просто внедрить всё по плану не получится. Архитектура Автотеки сложная: множество сервисов обмениваются данными, и любое изменение в одном из них цепляет остальные. Поэтому пришлось отложить привычные процессы, отказаться от громоздких согласований и перейти в «режим стартапа». Команда сфокусировалась на сути — минимальном, но рабочем решении, которое можно показать пользователям.
Так родился MVP: с урезанным функционалом, простым визуалом и временными компромиссами в архитектуре. Но именно это позволило проекту случиться.
От чего отказались и почему
Когда сроки сжались до двух спринтов, команда расставила приоритеты. Цель была не в том, чтобы сделать всё идеально, а в том, чтобы быстро проверить гипотезу. Поэтому пришлось чётко определить, что важно, а что можно временно оставить за бортом.
Первое, что мы выделили в неприкосновенность, — это составленный аналитиками алгоритм, так как на него было потрачено много времени, и он был спроектирован максимально полно. Мы ставили цель перенести его один к одному, что и сделали.
Подробнее о нем можно прочитать в нашей статье «Как аналитики Авито с помощью ML помогают людям выбирать хорошие авто с пробегом».
Далее упростили визуальную часть. Изначально планировали сделать рекомендации детализированными: с развернутыми формулировками, динамическими подсказками и наглядными сценариями для пользователя. Но от этого отказались. Решили ограничиться минимальной версией — простой текст, без сложных шаблонов и дополнительных вычислений. Так можно было протестировать саму идею, не тратя недели на реализацию интерфейса.
Следующим шагом стала оптимизация архитектуры. Был «правильный» вариант — аккуратно встроить новую логику в существующую систему отчётов. Но это означало бы каскад изменений в нескольких сервисах, глубокие доработки и участие десятков людей. Поэтому выбрали более лёгкий путь: рекомендации встроили в финальное звено формирования отчёта, не трогая остальную цепочку. Это позволило запустить функциональность без пересборки архитектуры и сократить затраты времени в разы.
Был и третий компромисс — тесты. В Автотеке действуют строгие стандарты: по части сервисов тестовое покрытие должно быть 100%, иначе код просто не примут. Но в этот раз от правила отошли. Разработчик писал фичу один, и каждая проверка занимала бы драгоценные часы. Решили, что для MVP тесты можно отложить, а к ним вернуться позже, когда будет понятна ценность идеи.
Так и сделали: часть проверок написали ретроспективно, уже после релиза. Сейчас покрытие — примерно 30-40%. Команда признает, что код живёт в промежуточном состоянии: не идеально встроен в архитектуру, не полностью протестирован, но при этом работает стабильно. В будущем, когда блок рекомендаций окончательно интегрируют в общую модель отчётов, к тестам вернутся и доведут всё до стандарта.
Технические ограничения: между идеалом и практикой
Даже после запуска MVP команда столкнулась с другой проблемой — как встроить всё это в существующую архитектуру и не сломать остальной отчёт. Но даже если бы команда захотела реализовать всё «по учебнику», архитектура Автотеки вряд ли позволила бы это сделать без потерь. Система отчётов устроена непросто: десятки микросервисов, каждый отвечает за свой блок данных — юридическую историю, пробеги, участие в ДТП, технические параметры. Всё это собирается по цепочке, проверяется и объединяется в единый отчет. Любое изменение на одном из этапов автоматически затрагивает другие сервисы, и вся конструкция становится хрупкой. Оптимальным местом для внедрения рекомендаций оказался сервис, написанный на PHP — старое легаси, доставшееся Автотеке из прошлых лет. При этом именно эту часть системы в долгосрочной перспективе планируют переписать, поэтому внедрять в него новую логику было рискованно: код всё равно пришлось бы потом переносить.
Другие варианты тоже не подходили. Если встроить рекомендации в ранние этапы формирования отчёта, это увеличило бы время генерации — одну из ключевых метрик. Пользователь ждёт готовый отчёт всего за три минуты и добавить туда даже десяток лишних обращений к сервисам означало бы превратить эти секунды в минуты.
В итоге команда выбрала меньшее из зол: встроить новый функционал в самое последнее звено сборки отчёта. Это позволило не трогать остальную инфраструктуру и сохранить производительность на том же уровне. Решение не идеальное, но зато практичное — и, как показывает результат, полностью себя оправдало.
Итоги и планы
Сейчас рекомендательная система Автотеки работает стабильно и уже приносит ощутимую пользу пользователям. Но команда продолжает её развивать. Особенно активно доработка шла сразу после запуска, когда поток обратной связи был максимальным. Пользователи — и частные, и корпоративные клиенты, которые покупают сотни отчётов, — охотно делились мнениями. Кто-то спорил с оценками алгоритма, кто-то предлагал учитывать дополнительные факторы. Аналитики проверяли замечания, корректировали вес показателей, уточняли формулы. Система росла и постепенно переходила из «живого эксперимента» в зрелый устойчивый продукт.
Сейчас она находится в более спокойной фазе: алгоритмы отлажены, метрики стабильны. Но развитие не остановилось. Команда добавляет новые источники данных — например, недавно появилась информация о задолженностях по платным дорогам. Если владелец накопил долги на десятки тысяч рублей, это напрямую влияет на решение о покупке автомобиля. В будущем планируют учитывать и стоимость машин, хотя здесь всё сложнее: не все данные о ценах доступны публично, а значит, потребуется проработка юридических и технических нюансов.
При этом команда не теряет из виду главный ориентир — эффект для пользователей и бизнеса. Для пользователей рекомендации стали способом быстрее понять отчёт, не тратя часы на разбор технических деталей. Для Авито — это рост доверия и повторных обращений: чем полезнее и прозрачнее отчёт, тем чаще его покупают.
Во время A/B-тестов команда отслеживала несколько метрик:
количество купленных отчётов — как основной показатель вовлечённости;
поведение пользователей — как часто человек после одной рекомендации возвращался, чтобы проверить другие машины;
тип рекомендации и реакция на неё — насколько по-разному пользователи действовали, видя «зелёную», «жёлтую» или «красную» оценку.
Результаты подтвердили гипотезу: рекомендации действительно влияют на поведение и повышают ценность продукта. Для Автотеки это не просто новая фича, а пример того, как небольшой эксперимент может вырасти в устойчивый сервис, который делает рынок чуть честнее, а решения пользователей — увереннее. Иногда большие изменения начинаются с простого вопроса: «А что, если попробовать?».
А если хотите пробовать вместе с нами — присоединяйтесь к командам. Свежие вакансии есть на нашем карьерном сайте.