Ситуация, знакомая многим практикующим предпринимателям и маркетологам в B2B и услугах: клиент реальный, сделка закрыта, обязательства выполнены. На руках есть договор, акт и официальный чек из банка. Клиент пишет честный, развернутый отзыв, но система его сносит. Вы отправляете апелляцию, прикладываете сканы всех документов, клиент подтверждает факт сделки со своего аккаунта — но поддержка выдает железобетонный шаблонный отказ.
С точки зрения человеческой логики это несправедливость и произвол платформы. С точки зрения архитектуры Trust & Safety Авито — это чистая математика и защита экосистемы.
Если детально разобрать технические публикации инженеров и Data Science команд на Avito.Tech и Habr, становится понятно: «человеческие» доказательства вроде чеков и договоров бессильны перед кодом. Ниже — разбор того, как именно алгоритмы видят ваши отзывы и почему система сознательно идет на сопутствующий ущерб.
1. Иллюзия «железных» доказательств: почему чек в чате не работает
Предпринимателю кажется, что скан договора с синей печатью и фискальный чек — это стопроцентное алиби. Однако для антифрод-системы любой прикрепленный в чат файл (PDF, JPEG) — это не верифицированная транзакция, а просто массив пикселей.
Рынок серой накрутки отзывов давно автоматизировал генерацию любых документов. Скрипты за секунды создают реалистичные чеки самозанятых, акты и накладные с вымышленными реквизитами. Алгоритм безопасности не имеет технической возможности (и не должен) проверять подлинность сторонних документов через внешние реестры в режиме реального времени ради одного отзыва.
Логика платформы проста: если транзакция не прошла внутри подсистем Авито (через Авито Доставку или встроенный модуль онлайн-записи), уровень доверия к сделке для алгоритма автоматически падает. Всё, что произошло в оффлайне, через звонки или в Telegram, для системы находится в «серой зоне».
2. Скрытый рейтинг покупателя: «вес» цифрового голоса
Огромное заблуждение — думать, что Авито оценивает только рейтинг продавца. У алгоритмов безопасности есть репутационный скоринг (Trust Score) абсолютно каждого профиля на площадке. Отзыв — это действие, а вес этого действия напрямую зависит от «кармы» аккаунта, который его оставил.
Внутренняя система безопасности делит аккаунты покупателей на категории:
- Высокий траст (Прокачанные профили): Аккаунт зарегистрирован давно, профиль верифицирован (через Госуслуги, Т-ID или Сбер ID), регулярно совершает реальные покупки через Авито Доставку, ищет разные товары, пишет разным продавцам. Отзыв от такого пользователя имеет огромный цифровой «вес» и пролетает модерацию мгновенно.
- Нулевой или отрицательный траст (Спящие и «мусорные» профили): Профиль без верификации, зарегистрирован недавно ИЛИ создан давно, но годами висел без действий. И вдруг этот аккаунт «просыпается», заходит по прямой ссылке и оставляет один-единственный восторженный отзыв на 5 звезд в категории «Услуги».
Для антифрода Авито такой профиль статистически неотличим от бота или аккаунта, купленного на бирже накруток. Даже если за этим профилем сидит ваш реальный клиент, система превентивно банит его отзыв, потому что кредит доверия к самому аккаунту равен нулю. И никакие чеки в чате этот нулевой траст не перевесят.
3. Граф связей: цифровой след, который невозможно скрыть
Инженеры Авито активно используют Graph Neural Networks (GNN) — графовые нейросети, которые строят карту скрытых взаимосвязей между миллионами профилей.
Каждый аккаунт — это узел графа. Связи между ними (ребра) образуются на основе сотен технических параметров, которые система считывает непрерывно:
- Device Fingerprint (цифровой отпечаток устройства): плагины, разрешение экрана, операционная система. Если клиент зашел с устройства, где когда-то авторизовывался другой профиль, связанный с вами, граф зафиксирует пересечение.
- Сетевой контекст: совпадение подсетей провайдеров, использование общих VPN-серверов. Если вы и ваш клиент физически находились в одном небольшом коворкинге или кафе и подключались к одному Wi-Fi — для системы вы становитесь аффилированными лицами.
Если графовая модель фиксирует аномальную плотность связей между автором отзыва и владельцем профиля, система маркирует действие как «накрутку по знакомству».
4. Семантические эмбеддинги и аномалии временных рядов
Языковые ML-модели модерации переводят текст каждого отзыва в многомерный вектор (семантический эмбеддинг), который отражает чистый смысл и структуру написанного.
Здесь срабатывают два триггера:
- Синтаксический паттерн: если вы сделали рассылку по лояльным клиентам с просьбой «оставить отзыв», они, не сговариваясь, используют схожие речевые конструкции. Модель сравнивает эти эмбеддинги с паттернами из базы коммерческих накруток и группирует их в один подозрительный кластер.
- Всплеск во временном ряду: если обычно профиль получает 1–2 отзыва в неделю, а после успешного закрытия проекта или рассылки получает 5–7 отзывов за двое суток — алгоритм фиксации аномалий мгновенно отправляет всю пачку в бан.
5. Парадокс False Positive: почему системе плевать на индивидуальную справедливость
На масштабах Авито (сотни тысяч отзывов в сутки) команда Trust & Safety сознательно настраивает модели на максимальную жесткость. В систему заложен допустимый процент ложных срабатываний (False Positive).
Стратегически для платформы выгоднее безвозвратно удалить один реальный отзыв, чем пропустить десяток купленных и тем самым разрушить доверие пользователей к рейтинговой системе в целом. Бизнес здесь становится заложником математической погрешности экосистемы.
Почему не помогает поддержка? У операторов первой и второй линии физически отсутствует техническая возможность восстановить отзыв, если алгоритм безопасности присвоил ему критическую метку риска. Система намеренно изолирована от человеческого фактора, чтобы полностью исключить коррупционную составляющую и субъективность сотрудников.
Как минимизировать риски: протокол для B2B и сферы услуг
Полностью застраховаться от ложного срабатывания антифрода невозможно, но можно перестать совершать действия, которые алгоритм считает поведением мошенников.
- Размывайте временные интервалы. Никогда не просите клиентов написать отзывы «прямо сейчас» всей группой. Распределяйте запросы во времени.
- Формируйте развернутый контекст в чате Авито. Робот должен видеть логическую цепочку событий до того, как появится оценка (первое обращение ➔ обсуждение ➔ финальный текст от вас с фиксацией итогов сделки ➔ подтверждение от клиента в чате).
- Не давайте шаблонов. Чем более разнородными, «рваными» и специфическими по формулировкам будут тексты клиентов, тем ниже вероятность, что языковая модель объединит их в коммерческий кластер.
- Примите правила игры. Если повторная апелляция отклонена — этот конкретный отзыв потерян навсегда. Проще направить фокус на генерацию трех новых целевых действий, чем пытаться взломать математическую модель, защищающую миллиардную экосистему.