Wildberries ежедневно ведет невидимую войну с индустрией «накрутки». В мире, где пять звезд в профиле товара напрямую конвертируются в прибыль, доверие покупателя стало разменной монетой. Мошенники создали целые агентства по «легальному продвижению», которые за деньги занижают рейтинги конкурентов или создают иллюзию бешеного спроса. В таких условиях обычные фильтры бессильны, и на передовую выходят сложные системы машинного обучения.
Путь к современной системе защиты начался с простых инструментов. На заре развития маркетплейсов модерация была рутинной: люди искали нецензурную лексику, повторяющиеся фразы или подозрительные IP-адреса. Однако масштаб изменился. Сегодня поток достигает 4–5 миллионов отзывов в сутки, и около 3–5% из них оказываются фейками. Это означает, что ежедневно системе приходится отсеивать до 150 тысяч попыток обмана. Даже глобальные гиганты сталкиваются с этим: так, в 2025 году Amazon превентивно заблокировал сотни миллионов аккаунтов, анализируя историю данных вплоть до 1995 года.
Оркестр алгоритмов и двухэтапный фильтр
Современный фрод стал слишком изощренным, чтобы его мог обнаружить один алгоритм. В Wildberries работает целая экосистема из более чем 20 ML-моделей, которые действуют как слаженный оркестр. Каждая модель отвечает за свой участок: одна анализирует текстовые паттерны, другая — историю аккаунта, третья — динамику изменения рейтинга.
Процесс проверки разделен на два критических этапа. Первый — премодерация. Здесь решение принимается мгновенно: если отзыв выглядит подозрительно, он блокируется до публикации, чтобы не вводить в заблуждение покупателей. Второй этап — постмодерация. Это глубокий ретроспективный анализ. Когда накапливается достаточно данных о поведении пользователя, поставщике и самом товаре, система возвращается к ранее опубликованным отзывам и пересматривает их статус.
Раньше шаблонные фразы вроде «Все супер, рекомендую!» выдавали накрутку. Но с приходом больших языковых моделей, таких как ChatGPT, мошенники научились генерировать человекоподобные, эмоциональные и детальные тексты. Теперь анализ слов стал вторичным. Главным фактором стало пользовательское поведение: как человек зашел на сайт, что искал до покупки, как долго изучал карточку товара и какие связи имеет с другими аккаунтами.
Графовые модели позволяют видеть не отдельных пользователей, а целые «кольца» мошенников. Даже если каждый аккаунт по отдельности выглядит естественно, их совокупная активность формирует характерную структуру сети, которая мгновенно считывается алгоритмом.
Баланс ошибок
В машинном обучении борьба с фродом — это всегда поиск компромисса между двумя типами ошибок. Слишком жесткий фильтр может скрыть честный негативный отзыв, что поможет недобросовестному продавцу, но разозлит реального покупателя. Слишком мягкий фильтр оставит фейк, что обманет клиента и ударит по честным поставщикам.
| Тип ошибки | Суть | Последствия |
|---|---|---|
| False Positive | Честный отзыв принят за фейк | Недовольство клиента, завышение рейтинга плохого товара |
| False Negative | Фейк принят за честный отзыв | Обман покупателя, несправедливое преимущество мошенника |
Для финальной калибровки системы привлекаются эксперты-асессоры и «детективы», которые вручную разбирают самые сложные кейсы, помогая моделям обучаться на новых схемах обмана.
В будущем борьба с накрутками станет еще более автоматизированной. Развитие графовых вычислений и анализ поведенческих сигналов в реальном времени позволят блокировать сети ботов еще до того, как они успеют оставить первый отзыв. Цель проста: вернуть рейтингам статус объективного показателя качества, где каждая звезда действительно заработана.
