Математика дейтинга: рассчитай свою ликвидность в интерактивном калькуляторе Тиндера

В прошлой публикации мы разбирали, почему нейросети никогда не вытеснят меня (дейтинг-аутстаффа). Там же можно найти FAQ для полноценного погружения в мой контекст.

Теперь же я презентую собственный интерактивный инструмент для измерения вашей дейтинг-ликвидности: https://gcodegspot.github.io/dating-calculator-2.0/

Дисклеймер: итоговая цифра никоим образом не определяет вашу личностную ценность. Это лишь метрика, показывающая степень сложности онлайн-знакомств для вас.

Калькулятор носит исключительно развлекательный характер, поскольку реальный дейтинг суров и бескомпромиссен.

Дейтинг как низколиквидный двусторонний рынок: почему я создала мультипликативную воронку вместо банального скоринга

Обычно привлекательность анкеты оценивают по принципу прокачки персонажа в RPG, распределяя баллы между параметрами. Логика проста: внушительный рост, солидный заработок или кубики пресса якобы с лихвой перекрывают размытые фото, несепарарованность от родителей или токсичное описание вроде «на приветы не реагирую».

В математике и продуктовой аналитике этот метод называется аддитивной моделью. Однако каждый, кто хоть раз выстраивал конверсионные воронки или исследовал поведение юарей в сервисах знакомств, знает горькую правду: в дейтинге аддитивность не работает.

Приложения для знакомств представляют собой классический двусторонний рынок (two-sided matching market) с колоссальным дисбалансом спроса и предложения, молниеносным принятием решений (анкету оценивают буквально за 1–3 секунды) и жесткой системой фильтров-вето.

Если у кандидата прекрасный доход и модельный рост, но все снимки сделаны в зеркале темного лифта, а в 35 лет он делит жилье с родителями в полутора часах езды от центра — воронка закономерно рушится.

Я систематизировала эти наблюдения и разработала математическую модель Dating Liquidity Index (DLI), упаковав её в удобный терминальный калькулятор. Ниже представлен подробный разбор: почему аддитивные шкалы обманчивы, как функционирует мультипликативная модель с условными связями, в чем заключаются гендерные различия алгоритмов отбора и как вычислить «себестоимость» свидания в пересчете на свайпы и часы.

Ошибка аддитивного скоринга

Вспомним стандартный банковский скоринг. Если у соискателя нет официальной зарплаты, но есть внушительный вклад и ликвидный залог, банк одобрит кредит, так как факторы нивелируют друг друга.

В дейтинге работает эвристика порогового отсечения (satisficing / elimination-by-aspects по Амосу Тверски). Пользователь не взвешивает плюсы и минусы в таблице — он подсознательно ищет повод смахнуть влево:

1. Токсичный текст? Свайп влево.

2. Лицо неразличимо? Свайп влево.

3. Локация на отшибе? Влево.

Всего один критический недостаток полностью перечеркивает любые достоинства.

Именно поэтому фундаментом DLI выступает мультипликативный индекс:

Здесь каждый фактор $k_i$ представляет собой коэффициент сужения или расширения воронки на определенной стадии отсева. Если хотя бы один параметр равен нулю (или стремится к нему), итоговый показатель обнуляется. Впрочем, для женщин это правило работает иначе, но об этом чуть позже!

Двойные стандарты архитектуры

Нельзя применять универсальные лекала к мужским и женским профилям. Поскольку я вижу ситуацию с обеих точек зрения, мне подвластно моделирование обоих сегментов рынка. В основе лежат фундаментальные закономерности теории игр и продуктовой аналитики дейтинг-платформ:

1. Базовый CTR (процент свайпов вправо):

   — Среднестатистический мужчина отправляет вправо от 40% до 60% анкет. Из-за такой щедрости женщины утопают в лавине лайков, значительную часть которых составляют случайные мэтчи.

   — Среднестатистическая женщина одобряет лишь 5-10% профилей, утопая в потоке нерелевантного контента. В результате мужчины получают минимум внимания и вынуждены свайпать всех подряд ради единичного мэтча.

2. Плотность входящего потока:

   — Мужская анкета страдает от уязвимости на входе. Малейшая ошибка в позиционировании мгновенно опускает профиль на дно алгоритмической выдачи.

   — Женский аккаунт даже при минимальном заполнении и спорных фото получает стабильный органический трафик за счет массовых свайпов со стороны мужчин.

Отсюда вытекают фундаментальные различия в архитектуре моделей:

Мужская воронка: риск тотального краха (Hard Drop)

Здесь заложены жесткие стоп-факторы, где k_i = 0. Например, комбинация низкооплачиваемой работы, отсутствия жилплощади и возраста за 30 в условиях жесткой конкуренции в мегаполисе сводит органические охваты алгоритма практически к нулю. Наступает статус HARD DROP / Коллапс воронки. Проще говоря — «без шансов, друг»

Женская воронка: наличие абсолютного дна (Liquidity Floor)

Сколько бы штрафных баллов ни набрал женский профиль (неформальный имидж, резкое био, пустой текст), реалии масс-маркета гарантируют, что входящий поток никогда не иссякнет полностью.

Женский DLI не способен опуститься до уровня Hard Drop — минимальный порог здесь ограничивается сегментом Tier C (Глубокий артхаус).

Коэффициенты, скрытые связи и нелинейность

Если бы коэффициенты k_i оставались статичными, модель была бы примитивной. На практике ценность отдельного параметра ковариирует с прочими характеристиками.

В алгоритм заложена матрица условных вероятностей и перекрестных модификаторов. Давайте препарируем их детально.

Эффект ореола и парадокс гика

Социологии давно известен феномен: идентичное поведение оценивается совершенно иначе в зависимости от базовой привлекательности индивида.

Обратимся к параметру K_hobbies (наличие узкоспециализированных увлечений):

let hobbyK = 1.0;
if (hasUnusualHobbies) {
  if (faceScore >= 7 && heightNum > 180) {
    hobbyK = 1.2; // Харизматичный гик высокого роста — сильное УТП
  } else if (faceScore >= 7) {
    hobbyK = 1.0; // Нейтрально
  } else {
    hobbyK = 0.6; // «Духота и штраф» при слабой базовой презентации
  }
}

— Если у парня привлекательная внешность (лицо 7+) и высокий рост (>180 см), те же хобби добавляют ему шарма и харизмы, давая буст: k = 1.2.

— Если базовые внешние данные скромнее (лицо ниже 7), специфические увлечения считываются алгоритмами и окружением как признак социальной замкнутости и занудства: k = 0.6 (штраф 40%).

Схожая механика применима к девушкам: привлекательная разработчица или геймерша (лицо 7+) получает мультипликатор 1.2 (unicorn effect), тогда как при ординарной внешности те же интересы влекут штрафные санкции.

Два часа по пробкам ради маминых блинчиков

Знакомства в большом городе упираются не только в романтику, но и в логистические издержки.

1. Жилищные условия (K_housing):

   — Совместное проживание с родителями в 18–24 года воспринимается рынком лояльно, хотя и доставляет неудобства (k = 0.75).

   — В возрасте 25–33 лет этот показатель снижается до 0.40. Диагноз очевиден.

   — После 34 лет проживание с родителями для мужчины становится критической меткой: k = 0.10 (минус 90% ликвидности, ваши жизненные обстоятельства никого не волнуют).

   — Для женщин жизнь с подругой или родителями наказывается мягче (k = 0.90), поскольку логистику и выбор места встреч традиционно берет на себя мужчина.

2. Транспортная удаленность (K_location):

   — Спальный район в 40 минутах от центра создает умеренное сопротивление: k = 0.80. Да, цены на недвижимость кусаются, но реалии таковы. Девушки из спальных районов получают 1.0. Вот такой дисбаланс.

   — Жизнь за городом (полтора часа на электричке) бьет по мужчинам радикально (k = 0.40), тогда как на женщин влияет слабо (k = 0.80).

Невербальные маркеры: скрытый чек-лист

Пользователи часто не осознают, какие именно детали на снимках убивают их конверсию. Модель выделяет три опасные зоны:

— Стоматологический ценз (k = 0.75): отсутствие хотя бы одного фото с открытой улыбкой. Подсознательно считывается как маскировка проблем с прикусом или гигиеной.

— Дешевый пафос (k = 0.40): кадры на фоне чужих спорткаров, в полумраке кальянных с пачками наличных (у мужчин) или с гигантскими арендованными букетами и избыточным ретушированием кожи (у женщин). Сигнализирует о компенсации комплексов и отпугивает зрелую, платежеспособную аудиторию.

— Фанатичный спорт (k = 0.75): профили, состоящие исключительно из сушки, триатлона и качалки. Интерпретируется как образ жизни, оставляющий ноль ресурсов на спонтанность и легкость в общении.

Текст имеет значение: ваши описания читают

Текстовое наполнение редко способно вытянуть откровенно слабый профиль, но с легкостью способно потопить сильный.

— Пустая био: для девушек это норма (k = 1.0), для парней — незначительный штраф (k = 0.80).

— Агрессия в описании («не пишите мне, если…», «женщина должна…», «мужчина обязан…»): у мужчин обваливает охваты до k = 0.40. У женщин штрафуется до k = 0.70, однако при эффектной внешности (лицо 7+) штраф аннулируется до 1.0 (это уже не скандальность, а «высокие стандарты»!).

Какова же реальная стоимость свидания?

Сам по себе индекс DLI — лишь условная абстракция. Чтобы придать метрике практическую ценность, я привязала её к воронке реальных действий: свайпы → мэтчи → переписки → офлайн-встреча.

За отправную точку взят эталонный профиль («Tier A Нормис», DLI = 100%):

Базовая конверсия воронки: 200 свайпов эквивалентны 1 реальному свиданию.

Затраты времени: ~6 часов экранного времени на 1 свидание (с учетом чатов и отсесева нерелевантных кандидатов).

Средний Match Rate: ~15%.

Исходя из этого, для любого произвольного DLI рассчитываются производные метрики:

Swipes per Date = 200 / (DLI / 100)

Swipes per Match ≈ round(667 / DLI)

Match Rate = 15 × (DLI / 100) %

Вдобавок под количеством свайпов до мэтча выводится ориентировочное время в днях при темпе 200 свайпов ежедневно (стандартная сессия активного юзера).

Вместо заключения

Когда мы препарируем сложные социальные явления через оптику математического моделирования и продуктовых воронок, многие иррациональные аспекты обретают логику.

Отказ от линейного мышления в пользу мультипликативного полезен далеко за рамками дейтинга — в конверсиях B2B-продаж (ваших B2B SaaS AI стартапов), при прохождении жестких технических интервью и в риск-менеджменте проектов. Стоит лишь одному критическому звену иметь нулевую пропускную способность, как вся система останавливается, сколько бы усилий ни вливалось в остальные компоненты.

В перерывах между анализом дейтинговых анкет я конструирую нетривиальное «железо», собираю 3D-прототипы, исследую собственный геном и пишу на околоинженерные темы. Недавно даже выпустила игру! Всю изнанку этих экспериментов без купюр публикую в своем Telegram-канале.

Кстати, как смотрите на то, чтобы я иногда разбирала ваши анкеты и чаще делилась буднями аутстаффа?

 

Источник