Разбираем, как ByteDance сочетает рекомендации, эксперименты и стимулы для авторов, чтобы повышать вовлечение и удержание без громких обещаний.
Под «движком внимания» в этой статье будем понимать связку из двух систем:
Вместе они образуют цикл обратной связи: поведение зрителей даёт сигнал алгоритму, алгоритм распределяет показы, а экономика и инструменты подталкивают авторов делать то, что лучше удерживает аудиторию.
Цель «движка внимания» не сводится к одному числу вроде «времени в приложении». На практике это набор метрик, которые должны одновременно расти (или хотя бы не конфликтовать):
Типовой цикл выглядит так: система показывает контент → пользователь реагирует (смотрит/пропускает/возвращается) → эти сигналы превращаются в признаки для ранжирования → обновлённая модель точнее подбирает следующий набор кандидатов → авторы видят результат в охватах и доходе и подстраивают производство контента.
Этот кейс показывает, что рост часто обеспечивает не «волшебный алгоритм», а правильно настроенная фабрика улучшений:
Мы не будем привязываться к конкретным интерфейсам. Речь о коротком видеоконтенте и ленте рекомендаций в широком смысле: ранжирование, холодный старт, быстрые тесты, A/B‑эксперименты, инструменты для создателей, а также модерация и долгосрочные метрики.
Вы разберётесь:
У «движка внимания» ByteDance две взаимодополняющие стороны.
Первая — рекомендации для зрителя: система должна быстро понять, что человеку интересно именно сейчас, и выдать следующий ролик без заметной «просадки» по релевантности.
Вторая — экономика для создателя: автору должно быть понятно, зачем регулярно выпускать контент, как улучшать результаты и что именно вознаграждается.
Многие соцпродукты исторически росли через социальный граф: подписки, друзья, «кто кого знает». Подход ByteDance сильнее опирается на граф интересов — то, что вы реально смотрите, досматриваете и пересматриваете.
Это меняет динамику роста:
Важно, что речь не о «секретных формулах». На уровне принципов всё проще: система подбирает контент под вероятные действия пользователя (досмотр, лайк, свайп, повторный просмотр) и постоянно уточняет профиль интересов на свежих сигналах.
Алгоритм сам по себе не удержит внимание, если не хватает свежих роликов. Поэтому второй рычаг — стимулы для авторов: финансовые (монетизация), статусные (видимость, рост аудитории) и продуктовые (понятные правила и инструменты).
Ключевой эффект — регулярность. Когда автор видит связь между качеством/частотой публикаций и результатом, он начинает поставлять контент системно.
Сквозной фактор — скорость улучшений. И рекомендации, и механики для создателей живут в одном цикле:
собираем поведенческие данные → обновляем модели и правила ранжирования → запускаем эксперимент → выкатываем в продукт.
Чем короче этот цикл, тем быстрее платформа находит рабочие решения и отсекает неудачные.
В итоге два рычага — персонализация для зрителя и мотивирующая среда для авторов — усиливают друг друга:
Рекомендательная система не «понимает» видео как человек — она опирается на следы поведения. Каждый просмотр, пауза или пролистывание превращаются в события, из которых можно оценить: понравилось ли, было ли полезно, стоит ли показывать похожее ещё.
Самые сильные сигналы обычно связаны с тем, насколько контент удержал внимание:
Система внимательно смотрит и на то, что пользователь отвергает:
Чтобы не путать обстоятельства с предпочтениями, учитываются базовые контексты: тип устройства, время суток, язык интерфейса, примерное гео (на уровне принципов), качество сети. Один и тот же ролик может «заходить» по‑разному утром и ночью или на большом экране и на маленьком.
Далее события агрегируются в признаки: например, «средняя доля досмотра по теме», «сколько раз пользователь пропускал ролики длиннее N секунд», «как часто подписывается после просмотра». Эти признаки подаются в модель ранжирования.
Параллельно работают правила качества: фильтры по жалобам, подозрительным паттернам (накруткам), повторяющемуся контенту.
В итоге лента строится не на одном сигнале, а на их сочетании — чтобы отличать случайный клик от настоящего интереса и снижать риск «залипания» на однообразном контенте.
Рекомендации редко строятся одним «большим» алгоритмом. На практике это воронка из нескольких этапов: так система успевает обработать огромный поток контента, сохранить качество и при этом уложиться в доли секунды.
Отбор кандидатов: из миллионов роликов/постов выбираются тысячи потенциально подходящих. Здесь часто работают быстрые модели и эвристики (похожие интересы, похожие авторы, свежие публикации, локальные тренды).
Ранжирование: более тяжёлая модель оценивает кандидатов точнее — вероятность досмотра, лайка, репоста, подписки, скрытия, жалобы и т. п. На этом шаге критична персонализация: один и тот же ролик для разных людей получает разные прогнозы.
Переранжирование (post-ranking): «умные правила» и дополнительные оптимизаторы собирают итоговую ленту: убирают дубликаты, разводят близкие темы, контролируют частоту одного автора, добавляют новизну.
Правила безопасности и качества: фильтры модерации и риск‑модели отсекают проблемный контент или ограничивают его показ. Обычно проверки встроены на нескольких уровнях, чтобы не тратить ресурсы на заведомо запрещённое.
Многоступенчатость даёт два выигрыша:
Если показывать только то, что максимально «зайдёт» прямо сейчас, лента быстро становится однообразной. Поэтому вводят ограничения на:
Компромисс неизбежен: чем выше точность в краткосрочных метриках, тем выше риск пузыря и выгорания. Поэтому воронка почти всегда балансирует «эксплуатацию» интересов и «исследование» нового.
Холодный старт — ситуация, когда системе почти не на что опереться: новый пользователь ещё ничего не посмотрел, а у нового ролика нет истории показов и реакций. При этом лента должна «попасть в интерес» сразу, иначе человек уйдёт.
Поэтому у ByteDance и похожих платформ холодный старт решается не одним трюком, а связкой быстрых гипотез и дешёвых проверок.
Когда нет персональных сигналов, платформа использует «безопасные» источники вероятного интереса:
Важно: задача не в том, чтобы идеально угадать, а в том, чтобы быстро собрать первые поведенческие сигналы и перейти от догадок к измерениям.
Новый ролик обычно проходит через «слои» показов: сначала небольшой тестовый пул зрителей, затем — расширение аудитории при хорошем отклике. Это похоже на воронку качества: контент не получает сразу миллионы показов, а «зарабатывает» их постепенно.
На каждом слое система проверяет: стоит ли увеличивать охват, в каком сегменте ролик работает лучше, и не возникает ли негатив (например, быстрые пролистывания или жалобы). Такой подход снижает риск «залить ленту» слабым материалом и одновременно даёт шанс новым авторам.
Для быстрых тестов нужны метрики, которые проявляются за минуты, а не за дни. Поэтому особенно ценны:
Именно такие сигналы помогают оперативно ранжировать кандидатов на расширение, а более «медленные» показатели (например, долгосрочное возвращение) подключаются дальше.
Быстрые метрики могут вести к перекосу: система начинает чаще показывать один и тот же тип контента, потому что он стабильно даёт высокий досмотр. Чтобы не загнать пользователя в узкий коридор интересов, вводят разнообразие: смешивают темы, форматы и «свежие» ролики, ограничивают повтор похожих видео подряд и добавляют исследовательские показы.
Эта логика напрямую связана с тем, как платформа проводит эксперименты и улучшает правила отбора — подробнее об этом в разделе про /blog/ab-testing.
Даже самая сильная ML‑модель не отвечает на простой вопрос: «Что будет, если поменять продукт?». Модель умеет ранжировать контент по текущим правилам, но не доказывает причинно‑следственную связь между изменением интерфейса и поведением людей.
Поэтому эксперименты — это способ проверять гипотезы, отделять эффект нововведения от шума и быстро масштабировать то, что действительно улучшает опыт.
На практике A/B — это не только про «другой цвет кнопки». Чаще тестируют:
Ошибки часто возникают не из-за статистики, а из-за контекста:
Полезная дисциплина — держать пул долгих метрик и не принимать решения по одному числу.
Обычно оценивают не только время в приложении, но и качество:
Так A/B‑тестирование превращается в конвейер: идея → эксперимент → доказанный эффект → внедрение, без угадываний и спорных «кажется, стало лучше».
Рекомендательная система сама по себе не создаёт контент — она лишь распределяет внимание. Поэтому у ByteDance вторая половина «движка внимания» — стимулы, которые делают выпуск роликов регулярным, а качество — более предсказуемым.
Важно не только «заплатить», но и выстроить понятные правила: что именно приводит к росту и что считается ценным.
Для создателя критичны короткие циклы обратной связи. Когда ролик получает первые показы, сохранения или прирост подписок в течение минут/часов, появляется ощущение управляемости: можно быстро повторять удачные форматы и отбрасывать слабые.
Такие сигналы обычно включают:
Ключевой момент — прозрачность: автор должен видеть, какие действия аудитории «поднимают» контент, иначе мотивация превращается в лотерею.
Деньги — сильный рычаг, но не единственный. Финансовые стимулы (выплаты, фонды, бонусы за выполнение условий) снижают порог входа и делают создание контента работой, а не хобби.
Нефинансовые стимулы часто работают не хуже:
Если система вознаграждает частоту публикаций — появляется конвейер. Если вознаграждает удержание — растёт плотность монтажа, «хук» в начале, сериализация. Если важны подписки — автор строит узнаваемый стиль и рубрики.
По сути, метрики превращаются в язык между платформой и создателем: платформа «говорит», что ей нужно, а автор отвечает форматом.
Любые стимулы можно «перегнать под метрики»: кликбейтные заголовки, повторяемость, копирование трендов, растягивание роликов ради времени просмотра.
Сдерживающие меры обычно комбинационные: штрафы за обман ожиданий, понижение за низкую удовлетворённость (например, быстрые пропуски/негативные действия), лимиты на повторяющийся контент, а также баланс метрик — чтобы один показатель не доминировал.
У рекомендаций есть «вторая половина» — инструменты, которые делают создание ролика быстрым, предсказуемым и менее рискованным. Чем меньше трения между идеей и публикацией, тем чаще автор пробует снова — и тем быстрее система получает новый контент для обучения.
Продуктовая воронка автора обычно держится на нескольких опорах:
Так публикация превращается в повторяемый процесс, а не в «разовую удачу».
Ключевой продуктовый сигнал для начинающих авторов: «твой контент может найти зрителя сам». Рекомендательная система способна показывать ролик небольшим аудиториям по интересам, даже если у автора нет подписчиков.
Практический эффект: вместо долгого набора базы автор получает первые просмотры и реакцию на ранних этапах. Это снижает отток и повышает вероятность регулярных публикаций.
Чтобы качество росло без ручного обучения каждого автора, продукт добавляет «навигацию по стандартам»:
Если автор получает понятный фидбек быстро (метрики, комментарии, реакцию рекомендаций), цикл «снял → опубликовал → понял → улучшил» сокращается. А короткий цикл — главный драйвер регулярности: автор чаще экспериментирует, быстрее находит свой формат и стабильнее пополняет ленту свежим контентом.
Когда рекомендации масштабируются до миллионов роликов в день, проблемы становятся системными: спам, повторяющиеся сюжеты, агрессивные накрутки, кликбейт, а также контент, который может быть опасным или просто неуместным. Если это не контролировать, доверие падает — и вместе с ним удержание аудитории.
«Плохой» контент бывает разным: от явных нарушений до серых зон — манипулятивные заголовки, перезаливы, скрытая реклама, массовые шаблоны, которые заполняют ленту и ухудшают разнообразие.
К этому добавляются поведенческие атаки: авторы подстраивают первые секунды ролика под метрики досмотра, провоцируют комментарии конфликтом или специально делают контент «на грани», чтобы увеличить вовлечение.
На практике это многослойная система:
Модерация влияет не только «да/нет», но и степенью распространения: контент может остаться доступным, но не получать широких рекомендаций.
Баланс достигается настройкой порогов и «мягкими» ограничениями: снижать охват сомнительных материалов, добавлять предупреждения, уменьшать частоту повторов, а не просто всё удалять.
Параллельно измеряются долгосрочные метрики (удовлетворённость, возвраты, жалобы на 1 000 показов), чтобы рост вовлечения не покупался ценой усталости и недоверия.
Рекомендации могут быть «слишком хорошими»: если лента постоянно даёт одно и то же, пользователь сначала залипает, а потом резко остывает. Это и есть усталость — падение интереса из‑за однообразия, раздражение от повторов и ощущение, что сервис «крутит по кругу».
В итоге растёт доля быстрых закрытий, снижается качество сессий, а иногда появляется желание вообще сделать паузу.
Усталость проявляется в поведенческих сигналах: меньше досмотров, больше пролистываний подряд, чаще «назад» или закрытие приложения, снижение повторных визитов на следующий день.
Важно, что это не только «меньше времени в приложении». Иногда время остаётся высоким, но качество ухудшается: пользователь механически листает и не находит нового.
Чтобы удержание не превращалось в выгорание, в рекомендациях закладывают контролируемое разнообразие:
Разнообразие — не случайность, а управляемый параметр. Его настраивают по сегментам: новички, «тяжёлые» пользователи, люди, которые уже показывают признаки усталости.
Чем точнее модель угадывает интерес, тем выше риск сузить его до «пузыря»: пользователь видит только один жанр, одну эмоцию или один тип авторов.
Противоядие — эксплорация (доля экспериментов) и правила, которые защищают разнообразие: минимальная доля новых тем, лимиты на повтор похожих роликов, а также метрики «ширины интересов» (сколько разных категорий реально потребляет человек).
Если оптимизировать только краткосрочные клики и время, легко «перекормить» пользователя. Поэтому важны цели на длинном горизонте: удержание 30/90 дней, частота возвратов, стабильность интереса и качество сессий (досмотры, осмысленные взаимодействия, доля «полезных» просмотров).
Такая рамка заставляет систему не просто удерживать внимание сегодня, а поддерживать привычку без усталости завтра.
Этот подход полезен не только для медиа и развлечений. Почти любой продукт, где есть «выбор из множества» (товары, видео, вакансии, курсы, новости, знакомства), выигрывает от дисциплины: быстро собирать сигналы, быстро проверять гипотезы и правильно настраивать стимулы партнёров/создателей.
1) Замкнутый контур данных. Система должна не просто «показывать», а измерять результат показа: что человек досмотрел/дочитал, где остановился, вернулся ли завтра, пожаловался ли.
2) Тестовые пулы и быстрые прогоны. Новый контент (или новая карточка товара/объявление) сначала попадает в небольшой пул. Цель — быстро понять: есть ли потенциал и кому это подходит, прежде чем масштабировать.
3) Эксперименты как конвейер. Не разовые A/B‑тесты «по праздникам», а постоянная фабрика улучшений: формулировка гипотезы → метрика успеха → ограничение риска → вывод.
Если платить только за объём (посты, загрузки, публикации), вы стимулируете шум. Лучше привязывать вознаграждение к качественным прокси‑метрикам:
Автор должен понимать правила игры: какие сигналы улучшают дистрибуцию, а какие снижают.
Если вы хотите быстро собрать внутренний прототип (события → метрики → простое ранжирование → A/B‑раскладка), удобно начинать с «быстрой сборки» продукта, а не с долгого цикла разработки.
Например, в TakProsto.AI можно в формате вайб‑кодинга накидать админку для аналитики, сервис приёма событий и простые экспериментальные флаги: фронтенд на React, бэкенд на Go с PostgreSQL, плюс «планирование» изменений и откаты через snapshots/rollback. Это хорошо ложится на идею «фабрики улучшений», когда важна скорость итераций, а не идеальная архитектура с первого дня.
Сигналы: что считаем позитивом/негативом, как боремся с накрутками.
Метрики: краткосрочные (вовлечение) + долгосрочные (удержание, усталость, качество).
Риски: пузырь интересов, токсичный контент, перекос в сторону сенсаций.
Эксперименты: единый трекер гипотез, минимальные тесты, стоп‑критерии.
Антифрод: аномалии, боты, покупной трафик, подозрительные паттерны.
Если хотите углубиться в практику продуктовых экспериментов и метрик, загляните в /blog. А если вы подбираете инструменты для аналитики, тестирования и быстрой сборки продуктовых прототипов, может быть полезна страница /pricing.
«Движок внимания» — это связка двух систем:
Они образуют цикл обратной связи: поведение зрителей → сигналы для ранжирования → распределение показов → реакция авторов через охваты/доход/инструменты → новый контент.
Обычно это баланс нескольких групп метрик:
Практика: заранее определите «стоп-метрики» (например, жалобы на 1 000 показов), чтобы рост вовлечения не ломал качество.
Сильнее всего «кормят» систему сигналы, связанные с реальным удержанием:
Лайки полезны, но обычно слабее досмотра (их ставят не всегда). Негативные сигналы (мгновенные пролистывания, скрытия, жалобы) часто влияют ещё жёстче, потому что защищают качество ленты.
Обычно это многоступенчатая воронка:
Так проще одновременно держать скорость, релевантность, разнообразие и безопасность.
При холодном старте нет истории ни у пользователя, ни у ролика. Тогда используют «безопасные» источники:
Цель не «угадать идеально», а быстро собрать первые поведенческие сигналы и перейти к персонализации.
Часто применяется распространение слоями:
Это снижает риск залить ленту слабым контентом и при этом даёт шанс новичкам.
ML-модель ранжирует по текущим правилам, но не доказывает, что именно изменение в продукте вызвало рост метрик. A/B-тестирование нужно, чтобы:
Практика: держите набор долгих метрик (D7/D30, жалобы, усталость) и заранее фиксируйте критерии остановки/успеха. Подробнее — в /blog/ab-testing.
Стимулы работают, когда автор видит понятную связь «действие → результат». Обычно это достигается комбинацией:
Важно задавать правила так, чтобы вознаграждалось качество, а не только объём — иначе вы стимулируете шум и копипаст.
Типовой набор продуктовых инструментов:
Ключевой принцип: чем короче цикл «снял → опубликовал → понял по метрикам → улучшил», тем выше регулярность выпуска.
Чтобы удержание не превращалось в выгорание, обычно вводят управляемое разнообразие:
Оптимизируйте не только минуту в сессии, но и долгий горизонт (D30/D90, качество сессий, жалобы).
