Модель недели

Hero-карточка на главной — не «самая популярная» и не «с самым высоким score». Это лучшая среди тех, кого реально качественно разобрали. Логика идёт в три шага: барьер допуска → ранжирование по showcase score → детерминированная ротация по ISO-неделе внутри топ-10.

Шаг 1. Барьер допуска — карточка обязана соответствовать всем условиям одновременно:

• status = published — карточка опубликована
• score ≥ 75 — технический порог сводного индекса не ниже 75
• confidence ≥ 65 — технический индекс качества данных не ниже 65; это не вероятность
• source_reviews ≥ 3 — минимум три реальных рецензии (считаем по таблице source_reviews, а не по JSONB source_consensus, который часто пуст до прогона RecomputeService)

Шаг 2. Showcase score — непрерывный ранг среди допущенных:

showcase = 0.25 × score/100
         + 0.20 × confidence/100
         + 0.15 × breadth
         + 0.15 × consensus
         + 0.15 × freshness
         + 0.10 × depth

         × risk_penalty
         × editorial_boost

// компоненты:
breadth         = min(1, ln(N+1) / ln(8))   // N = source_reviews. 3→0.67, 5→0.86, 7+→1.0
consensus       = max(0, (agree − disagree − 0.5·mixed) / total_claims)
freshness       = max(0, 1 − days_since_update / 365)
depth           = avg(evidence_quality, info_density, competence) / 100
risk_penalty    = max(0.75, 1 − 0.03 × risk_count)
editorial_boost = 1.05 if is_curated OR reviewed_by_editor else 1.00

Что значит каждый компонент:

• score / confidence — почти половина веса формулы. Это сводный индекс источников и эвристический индекс качества данных, а не проценты истинности.
• breadth — широта покрытия источниками. Логарифм с насыщением, чтобы 12 источников не били 7 в три раза.
• consensus — насколько источники согласны между собой. Если все спорят — компонент 0; если все за — 1. Дисcсент штрафуется сильнее, чем mixed.
• freshness — свежесть самого разбора: линейный спад от 1.0 (сегодня) до 0.0 (год и старше). Это отдельный сигнал от freshness внутри confidence — там про возраст обзоров, тут про возраст нашей агрегации.
• depth — глубина разбора по редакционным метрикам: качество доказательств, плотность информации, компетенция автора.
• risk_penalty — мягкий штраф за каждый зафиксированный риск (любой степени), не ниже ×0.75.
• editorial_boost — небольшая надбавка за курирование или ручную проверку редактором. Не обязательное условие, просто приоритет.

Шаг 3. Ротация. Берём топ-10 по showcase и выбираем модель по номеру ISO-недели. Все посетители в течение одной недели видят одну модель, а в понедельник слот переключается на следующую из топа. Так чередуются именно «отличники», а не весь хвост каталога.

Эндпоинт: GET /api/cards/featured?period=week. Если ни одна карточка не прошла барьер допуска (true cold-start каталога), включается мягкий fallback по recommended-рангу без quality-фильтров — плюс предупреждение в логах, чтобы мы видели, что каталог пока ниже порога качества и не должен оставаться таким надолго.

Недавние проверки

Блок под hero показывает карточки, отсортированные по последнему событию scoring в журнале model_history: recomputed или score_changed, статус published. Это «что мы реально пересчитали недавно».

Эндпоинт: GET /api/cards/recently-scored. Под капотом — JOIN с model_history, GROUP BY карточке, MAX по дате события. Каждая модель появляется один раз с полем last_scored_at.

Косметические правки (переименование, загрузка картинки, изменение статуса) этот блок не двигают — только реальные прогоны через RecomputeService. Кнопка «История» в правом углу блока ведёт в каталог с более широкой сортировкой по updated_at, куда попадает любое изменение строки.

Как ответ влияет на формулу

1. Hard-фильтры (категория обязательно, бренд/минимальный score и характеристики — опционально из filter_json опции): убирают модели, которые точно не подходят. Бюджет допускает запас до 15%; модель с подтверждённой ценой заметно выше лимита не попадает в обычные совпадения, а неизвестная цена честно остаётся состоянием «нет данных».
2. Веса тезисов (weights_json.claims): каждая ваша опция говорит «эти 1–3 тезиса для меня важны». Положительный итог (model_claim.status = agree) даёт полный fit, смешанный — частичный, негативный (disagree) — нулевой.
3. Текстовые подсказки (fit_for_keywords / not_fit_for_keywords): безопасно сопоставляем начало слова в редакторских полях fit_for / not_fit_for, учитывая отрицания и известные ложные совпадения. Это tie-breaker максимум ±5 на модель, а не замена подтверждённым тезисам.
4. Сортировка и отсечка: сортируем по match_score, применяем порог качества данных и относительный порог — оставляем результаты с достаточным покрытием входов.

Что меняется, если на вопрос можно выбрать несколько ответов

Некоторые вопросы намеренно multi-select: смартфон может быть нужен и «для фото», и «для игр»; в камере одинаково важны и «ночь», и «видео». В таких вопросах формула ведёт себя предсказуемо:

• Веса тезисов суммируются. Если две ваши опции бустят один и тот же тезис — его вес удваивается. Семантика: «вы дважды подтвердили, что это важно».
• Текстовые ключевые слова дедуплицируются. Одна и та же фраза в fit_for_keywords двух опций даёт +5 за модель, а не +10.
• Жёсткий фильтр бренда расширяется. Выбор двух брендов → разрешены оба.
• Жёсткие пороги (минимальный score, максимальная цена) берут самый строгий вариант. Это редкий случай — большинство «жёстких» опций сейчас в single-вопросах.

Из этого следует простое правило: не нужно отмечать «всё подряд». 5 галочек в одном вопросе либо ничего не изменят (если опции бустят разные тезисы), либо приведут к одному и тому же ранжированию, что и 1–2 точных ответа. Лучше выбирать 1–3 пункта, которые действительно важны.

Что показывает счётчик «Кандидаты» во время квиза

Каждый раз, когда вы меняете ответ, мы повторяем расчёт и показываем число моделей, оставшихся в пуле сравнения. «Кандидат» не означает, что модель прошла каждое условие: ответы меняют её процент и место, а одна слабая сторона не исключает устройство автоматически.

• До первого ответа счётчик показывает модели категории, прошедшие минимальную уверенность данных (≥ 60).
• После ответов остаются модели не ниже 70% результата лидера. В маленьком однородном каталоге число может не измениться, хотя порядок и проценты уже изменились.
• Если для условия нет данных — например, у карточек ещё не подтверждена цена, — система помечает его как неизвестное и прямо сообщает, почему оно не сузило список.

Что мы предлагаем, если ничего не подошло

Когда match возвращает 0, квиз вызывает второй эндпоинт — /api/picker/relax. Он берёт ваши ответы и для каждого вопроса по очереди пробует убрать только этот ответ, перезапускает match и смотрит, насколько вырастет число подходящих моделей.

• Возвращается top-5 вариантов «снять X → +N моделей», отсортированных по приросту.
• Кнопка «Снять» сразу удаляет соответствующий ответ и возвращает вас к этому шагу — можно ответить иначе.
• Никакой магии: это тот же match-алгоритм, прогнанный ещё несколько раз. Цены те же отсечки, те же веса.

Save & resume

Кнопка «Сохранить и выйти» сохраняет ответы и добавляет подбор в раздел «Сохранённые подборы». Без авторизации он хранится в этом браузере, а после входа привязывается к учётной записи и становится доступен на других устройствах. Незавершённый подбор можно продолжить с сохранённого шага, а готовый — открыть вместе с результатами или отправить по короткой ссылке.