Точная доставка на Авито: как ML делает цену доставки прозрачной

Проект был направлен на создание технологического решения для автоматического расчёта весо-габаритных характеристик товаров и точной стоимости доставки на основе машинного обучения. Цели включали:

• Повысить точность расчета стоимости доставки. Устранить переплаты покупателей за легкие товары и убытки платформы на тяжёлых, заменив усредненные параметры по категориям на индивидуальные предсказания для каждого товара.

• Упростить взаимодействие с платформой для частных продавцов. Избавить пользователей от необходимости вручную измерять вес и габариты товаров, снизить порог входа для размещения объявлений с доставкой и минимизировать ошибки при указании параметров..

• Снизить издержки компании. Сократить объем компенсационных выплат логистическим партнерам за неверно указанные параметры товаров и уменьшить нагрузку на службу поддержки.

2025

Ключевые результаты:

• 86% — точность предсказания весогабаритных характеристик товаров при использовании только текстовых данных (название, описание, категория, цена)

• +2,3% — рост числа заказов, благодаря более точному и справедливому расчёту стоимости доставки

• Для 51% товаров на платформе автоматически рассчитаны индивидуальные весогабаритные параметры

Для пользователей:

• Честная стоимость доставки. Покупатели больше не переплачивают, а продавцы не теряют деньги из-за неточных расчётов

• Простота для частных продавцов. Больше не нужно измерять вес и габариты вручную — система делает это автоматически

• Стоимость доставки стала понятной и предсказуемой, что укрепляет уверенность в сделках между частными пользователями

Для компании:

• Снижение расходов. Благодаря точным расчётам сократился объём компенсаций логистических расходов

• Рост конверсии. Справедливая стоимость доставки повысила долю оплаченных заказов

• Укрепление позиций на рынке. Внедрение ML-модели улучшило пользовательский опыт на платформе

ML-модель была разработана и внедрена внутренней командой Product&Tech «Авито Доставки». Проект прошёл путь от анализа исторических данных до интеграции в реальный пользовательский сценарий — расчёт стоимости доставки на платформе.

Ключевые особенности реализации:

• Модель обучена на более чем 100 млн примеров реальных отправлений, полученных от логистических партнеров и профессиональных продавцов. В дальнейшем датасет будет расширен за счёт интеграции данных сторонних служб доставки и вручную размеченных примеров.

• Алгоритм анализирует текстовую информацию из карточек товаров — название, описание, цену и категорию, — определяя вес и габариты товара и формируя корректные исходные данные для расчёта стоимости доставки.

• Модель встроена в процесс оформления заказа и работает полностью автоматически, без участия пользователя, что делает использование решения незаметным для продавца.

В проекте не используются решения из каталога Global CIO

Качество и разнородность данных. Обучающий датасет формировался из данных разных логистических партнеров с различными стандартами измерения. Требовалась тщательная валидация более 100 млн записей для получения достоверных примеров.

Точность предсказаний для товаров из разных категорий. Платформа объединяет сотни категорий — от легкой электроники до тяжёлого спортинвентаря. Модель должна была одинаково точно работать как для наушников весом 50 г, так и для гантелей весом 20 кг, опираясь только на текстовое описание из карточки товара — название, описание, категорию и цену.

Производительность и масштаб. Система обрабатывает до 600 тысяч обращений к ML-модели в минуту — это запросы как от пользователей, так и от внутренних продуктов платформы. Это потребовало асинхронной real-time архитектуры: решение работает асинхронно при подаче объявления и не влияет на пользовательский сценарий.

До запуска ML-модели расчёт стоимости доставки на Авито основывался на средних параметрах веса и габаритов по категориям товаров. Такой подход часто был неточным:

• покупатели переплачивали за лёгкие товары,

• продавцы и компания — покрывали расходы по тяжёлым.

Это приводило к снижению конверсии: часть покупателей отказывалась от заказа из-за завышенной цены доставки, а платформа несла убытки при заниженной оценке.

Продавцы — особенно частные — не всегда могли корректно измерить вес и габариты товара или не имели инструментов для этого. Например, в категории «гантели» всем товарам ранее назначались одинаковые параметры: вес 2 кг, габариты 20×20×30 см и доставка за ~500 ₽. Покупатель гантели весом 1 кг переплачивал ~200 ₽, а доставка 10-килограммовой гантели обходилась компании в убыток. Проблема требовала технологичного решения, которое могло бы автоматически определять параметры товара на основе данных из карточки — без участия продавца.

Команда «Авито Доставки» разработала ML-модель, которая на основе минимального набора данных из карточки товара — названия, описания, цены и категории — автоматически определяет его вес и габариты. Это решение обеспечивает точные исходные данные для расчёта стоимости доставки и избавляет пользователей от необходимости вводить параметры вручную.

Модель обучена на более чем 100 млн примеров реальных отправлений, предоставленных службами доставки и профессиональными продавцами, что позволило сделать расчёты максимально приближенными к реальности.

ML-модель работает для всех пользователей платформы независимо от региона. Решение одинаково эффективно работает как в крупных, так и в малых городах, делая онлайн-торговлю с доставкой доступной для миллионов продавцов и покупателей во всех регионах России.