В прошлой статье мы обсуждали, почему меня (дейтинг‑аутстаффа) никогда не заменят нейросети. FAQ для погружения в мой лор там тоже есть.

А в этой статье я выкладываю свой интерактивный калькулятор для оценки вашей дейтинг‑ликвидности: https://gcodegspot.github.io/dating‑calculator-2.0/

Дисклеймер: ваш результат не означает вашу ценность. Это лишь набор цифр, определяющий, насколько вам сложно в онлайн‑дейтинге.

Калькулятор создан в увеселительных целях. Реальный дейтинг беспощаден.

Дейтинг как неликвидный двусторонний рынок: почему я построила мультипликативную модель воронки вместо обычного скоринга

Большинство людей оценивают привлекательность анкеты в дейтинге как персонажа в RPG: распределяют условные поинты между характеристиками. Мол, если у тебя высокий рост, хорошая зарплата или накачанный пресс, они компенсируют плохие фотографии, отсутствие сепарации от родителей или токсик био в духе «на приветы не отвечаю».

В математике и продуктовом анализе такой подход называется аддитивной моделью. Но любой, кто хоть раз анализировал воронки конверсий или изучал поведение пользователей на дейтинг‑платформах, знает: в дейтинге аддитивность не работает. К сожалению, разумеется.

Дейтинг‑приложения — это классический двусторонний рынок (two‑sided matching market) с высокой асимметрией спроса и предложения, экстремально быстрым принятием решений (время оценки профиля между 1 и 3 секундами) и каскадной системой вето‑факторов.

Если у кандидата прекрасный доход и высокий рост, но на всех фотографиях он сфотографирован в зеркале лифта в темноте или в 35 лет делит комнату с родителями за 1.5 часа езды от центра — воронка, увы, схлопывается.

Я решила формализовать эти наблюдения и построила математическую модель Dating Liquidity Index (DLI), оформив её в виде легковесного терминального калькулятора. Ниже будет подробный разбор: почему аддитивные скоры врут, как устроена мультипликативная модель с условными зависимостями, почему у мужчин и женщин принципиально разная физика отбора и как рассчитать «себестоимость» одного свидания в свайпах и часах.

Бессмысленность аддитивного скоринга

Представим классический кредитный скоринг в банке. Если у заёмщика нет официальной работы, но есть солидный депозит и недвижимость в залоге, банк готов выдать кредит: факторы взаимно компенсируют друг друга.

В дейтинг‑приложениях действует эвристика отсечения по порогу (satisficing / elimination‑by‑aspects, концепция Амоса Тверски). Пользователь не взвешивает плюсы и минусы в экселе... Пользователь ищет причину смахнуть влево:

1. Агрессивный текст? Свайп влево.

2. Непонятно, как выглядит лицо? Свайп влево.

3. Живет на другом конце города? Влево.

Один критический дефект обнуляет привлекательность всех остальных достоинств.

Именно поэтому базовая формула DLI строится как мультипликативный индекс:

Где каждый коэффициент $k_i$ — это мультипликатор, отражающий сужение или расширение воронки на конкретном этапе фильтрации. Если хотя бы один коэффициент равен нулю (или стремится к нему), весь итоговый индекс коллапсирует. Но не для женщин, кстати, однако об этом чуть позже!

А у вас двойня!

Невозможно оценивать профили мужчин и женщин по единым формулам. Я вижу обе стороны происходящего, поэтому могу моделировать оба рынка. Но вообще объяснением является фундаментальная причина из теории игр и продуктовой аналитики дейтинг‑сервисов:

1. Базовый CTR (Right‑Swipe Rate):

— Средний мужчина свайпает вправо от 40% до 60% профилей. Чем больше мужчина свайпает вправо, тем больше средней женщине приходит лайков, и тем больше мусора в этих самых лайках.

— Средняя женщина свайпает вправо лишь 5–10% профилей, потому что количество мусорных анкет ужасает. Это приводит к тому, что мужчины получают мало лайков, и чтобы получить хоть один мэтч, мужчины начинают свайпать вообще всех подряд.

2. Плотность входящего трафика:

— Для мужской анкеты конверсия входящего потока — это узкое горлышко. Погрешность в позиционировании отправляет профиль на дно ранжирования алгоритма.

— Женская анкета даже с нулевым заполнением и спорными фотографиями получает постоянный органический трафик за счёт масс‑свайпа со стороны мужской аудитории.

Из этого вытекает фундаментальное архитектурное различие в модели:

Мужская воронка: риск полного коллапса (Hard Drop)

В мужской модели присутствуют критические стоп‑факторы, при которых k_i = 0. Например, сочетание низкоквалифицированного труда, отсутствия дохода и возраста 30+ на фоне высокой конкуренции в мегаполисе снижает органический охват алгоритма практически до нуля. Наступает статус HARD DROP / Коллапс воронки. Это что‑то типа «без шансов, братан»

Женская воронка: наличие абсолютного пола (Liquidity Floor)

Сколько бы штрафов ни набрала женская анкета (например, неформальный стиль, агрессивное био, отсутствие текста), в условиях масс‑маркета входящий поток никогда не падает до абсолютного нуля.

Женский DLI не может упасть до состояния Hard Drop — минимальный доступный сегмент здесь Tier C (Глубокий артхаус).

Коофы, скрытые зависимости и нелинейности

Если бы коэффициенты k_i были статичными, модель оставалась бы примитивной. В реальности привлекательность отдельного атрибута ковариирует с остальными признаками.

В формуле реализована сетка условных вероятностей и кросс‑факторных модификаторов. Сейчас разберём по частям всё мною написанное.

Эффект ореола и парадокс гика

В социологии хорошо описан феномен: один и тот же паттерн поведения считывается кардинально по‑разному в зависимости от базовой привлекательности человека.

Рассмотрим параметр K_hobbies (наличие нишевых интересов)

let hobbyK = 1.0;
if (hasUnusualHobbies) {
  if (faceScore >= 7 && heightNum > 180) {
    hobbyK = 1.2; // Харизматичный гик с ростом — уникальное УТП
  } else if (faceScore >= 7) {
    hobbyK = 1.0; // Нейтрально
  } else {
    hobbyK = 0.6; // «Душность-штраф» при слабой базовой подаче
  }
}

— Если парень обладает высокой базовой привлекательностью (лицо 7+) и ростом > 180, те же самые интересы превращаются в шарм и харизму и человек получает буст: k = 1.2.

— Если базовая привлекательность ниже средней (лицо ниже 7, нишевое увлечение считывается алгоритмами второго лица как социальная изоляция и душность: k = 0.6 (штраф 40%).

Аналогично для девушек: привлекательная девушка‑разработчик или геймер (лицо 7+) получает мультипликатор 1.2 (unicorn effect), тогда как при отсутствии базового визуала те же хобби дают штраф.

Да мне по пробкам 2 часа тащиться! А мамины блины вкуснее...

Дейтинг в мегаполисе — это не только про романтику, но и про логистическую стоимость транзакции.

1. Жилищный статус (K_housing):

— Проживание с родителями в возрасте 18–24 лет воспринимается рынком естественно, но не очень сподручно (k = 0.75).

— В возрасте 25–33 лет коэффициент падает до 0.40. Всё понятно.

— В возрасте 34+ лет совместное проживание с родителями для мужчины становится катастрофическим маркером: k = 0.10 (минус 90% ликвидности, ваши обстоятельства никого не интересуют)

— У женщин проживание с подругой или родителями штрафуется минимально (k = 0.90), так как на ранних этапах логистические расходы и локацию для встреч традиционно берёт на себя мужчина.

2. Транспортный барьер (K_location):

— Спальный район в 40 минутах от центра даёт умеренное сопротивление: k = 0.80. Да, я видела цены на жильё, меня тоже это возмущает, но как есть! Девушки кстати получают 1.0 за спальник. Вот такие пироги.

— Замкадье (1.5 часа на электричке) даёт радикальный штраф для мужчин (k = 0.40), но на женщин влияет минимально (k = 0.80)

Скрытый чек‑лист невербалики

Пользователи часто не осознают, какие именно детали на фото режут их конверсию. В модели выделены три ключевых маркера:

— Стоматологический ценз (k = 0.75): отсутствие хотя бы одной улыбки с открытыми зубами. На подсознательном уровне воспринимается как скрываемый дефект прикуса или гигиены.

— Колхозный пафос (k = 0.40): фото на фоне арендованных спорткаров, в неоновом кальянном полумраке, с пачками купюр (для мужчин) или с огромными арендованными букетами роз и агрессивным блюром кожи (для женщин). Сигнализирует о компенсаторном поведении и мгновенно отталкивает платежеспособную и осознанную аудиторию.

— Спорт‑радикализм (k = 0.75): контент, состоящий исключительно из сушки, триатлонов и спортзала. Считывается как образ жизни с нулевым ресурсом на спонтанность. Ну и как то, что юзер в молодости был зависим от запрещенных веществ, и теперь ушел в противоположную деревню.

Поверьте, все читают ваши описания

Текст анкеты редко спасает слабый профиль, но может легко похоронить сильный.

— Пустое описание: для девушек нейтрально (k = 1.0), для парней лёгкий штраф (k = 0.80)

— Агрессия (...не пиши если, женщина должна, мужчина должен!!!): у мужчин обрушивает охваты до k = 0.40. У женщин штрафуется до k = 0.70, однако при хорошем визуале (лицо 7+) штраф обнуляется до 1.0 (она не скандалистка наглая, она знает себе цену!)

Так а сколько это всё стоит?

Сам по себе процент DLI — абстрактная величина. Чтобы сделать метрику прикладной, я связала её с воронкой реальных действий: свайпы → мэтчи → диалоги → оффлайн‑свидание.

За эталонную точку отсчёта принят стандартный профиль («Tier A Нормис», DLI = 100%):

Базовая конверсия воронки: 200 свайпов ≈ 1 реальное свидание.

Затраты времени: ~6 часов экранного времени на 1 свидание (с учётом переписок и фильтрации ботов).

Средний Match Rate: ~15%.

Отсюда выводятся расчётные производные метрики для любого произвольного DLI:

Swipes per Date = 200 / (DLI / 100)

Swipes per Match ≈ round(667 / DLI)

Match Rate = 15 × (DLI / 100)%

Дополнительно под числом свайпов до мэтча отображается ориентировочное время в днях при темпе 200 свайпов в день (типичная активная сессия).

Вместо вывода

Когда мы смотрим на сложные социальные процессы через призму математического моделирования и продуктовых воронок, многие иррациональные вещи встают на свои места.

Отказ от аддитивного мышления в пользу мультипликативного полезен далеко за пределами дейтинга: в конверсиях B2B‑продаж (в ваш b2b saas ai стартап), в прохождении технических собеседований и в оценке рисков проектов. Достаточно одному ключевому звену иметь нулевую пропускную способность, и вся система останавливается, сколько бы ресурсов ни было вложено в остальные параметры.

В свободное от препарирования анкет время я проектирую странные железки, 3D‑прототипы, анализирую свой геном и пишу на околоинженерные темы. Недавно даже игру выпустила! Изнанку этих раскопок без цензуры и купюр складываю в тг‑канал!

Кстати, как думаете, стоит принимать ваши анкеты на разбор и писать больше про мою работу аутстаффом?