docs(generator): зафиксирован дефект генеративной модели и план доработки
- Зачем:
- генератор не влит и неочевидно почему; при возврате к нему легко
переоткрывать заново вывод, что click_id на событие ломает семантику визита.
- Что:
- добавлен KNOWN_ISSUES.md: модель интенсивности ок, модель сущностей неверна,
план перехода на иерархию пользователь -> сессия -> событие.
- в шапку README.md добавлено предупреждение со ссылкой на KNOWN_ISSUES.md.
- Проверка:
- прочитать generator/KNOWN_ISSUES.md и сверить с generate_batch() в generator.py.
This commit is contained in:
Dmitry Dementiev
@@ -0,0 +1,120 @@
|
||||
# Генератор: известные проблемы и контекст для доработки
|
||||
|
||||
> **Статус (2026-06-06):** ветка `feature/data-generator` **не влита** в `main`.
|
||||
> Генератор **не используется** как источник данных для витрин DM/дашборда.
|
||||
> Витрины и Superset-дашборд строятся на **статическом сиде** (`data/*.jsonl`).
|
||||
> Причина — ниже. Это не «сырой код по мелочи», а концептуальный дефект
|
||||
> генеративной модели, который надо осознанно чинить перед использованием.
|
||||
|
||||
Заметка написана при дизайне Superset-дашборда (ветка
|
||||
`docs/advanced-clickstream-course`): разбирались, почему на дашборде
|
||||
`Unique Users == Unique Sessions`, и по ходу вскрылось, что генератор
|
||||
семантику сессии не чинит, а ломает сильнее. Чтобы при возвращении к
|
||||
генератору не переоткрывать это заново — фиксирую понимание целиком.
|
||||
|
||||
## TL;DR
|
||||
|
||||
- **Модель интенсивности потока (сколько событий и когда) — нормальная.**
|
||||
Poisson по тикам + дневной коэффициент + jitter. Её можно оставить.
|
||||
- **Генеративная модель сущностей (кто, какая сессия, какое событие) — неверная.**
|
||||
На каждое событие штампуется свежий `click_id`, а атрибуты копируются из
|
||||
случайной сид-строки. Это уничтожает понятие визита/сессии.
|
||||
- **Вывод:** прежде чем использовать генератор как источник, переделать именно
|
||||
модель сущностей (иерархия пользователь → сессия → событие). Математику
|
||||
интенсивности трогать не обязательно.
|
||||
|
||||
## Доменная модель (как задумано в DDL)
|
||||
|
||||
В этой модели сущности связаны иерархически:
|
||||
|
||||
```
|
||||
user_domain_id (постоянный пользователь, cookie)
|
||||
└── click_id (визит/сессия — envelope из 1..N событий с общим device/geo)
|
||||
└── event_id (отдельное событие: pageview, click, purchase ...)
|
||||
```
|
||||
|
||||
- `click_id` — это **визит**, а не одиночный клик: в статическом сиде один
|
||||
`click_id` честно группирует 1..7 событий (`dds.click` = «контекст сессии
|
||||
пользователя», см. `sql/ddl/dds/30_dds.sql`).
|
||||
- `user_domain_id` живёт в `device_events`, привязан к `click_id`.
|
||||
|
||||
## Что генератор делает правильно
|
||||
|
||||
Файл `generator/generator.py`, `_calculate_events_count()` (стр. ~232–260):
|
||||
|
||||
- **Poisson-процесс** прихода событий: λ на минуту → λ на тик → розыгрыш Пуассона.
|
||||
- **Дневной коэффициент** `_hour_factor()`: день (9–18) ×1.2, ночь (0–5) ×0.7.
|
||||
- **Jitter** ±`GEN_JITTER_PCT`% и границы `min/max_events_per_tick`.
|
||||
|
||||
Это адекватная модель *интенсивности во времени*. Претензий к ней нет.
|
||||
|
||||
## Корневой дефект: модель сущностей в `generate_batch()`
|
||||
|
||||
Файл `generator/generator.py`, `generate_batch()` (стр. ~262–330). На каждое
|
||||
событие в батче:
|
||||
|
||||
```python
|
||||
base_browser = self.rng.choice(self.dictionary.browser_events) # случайная сид-строка
|
||||
...
|
||||
new_event_id = self._new_uuid()
|
||||
new_click_id = self._new_uuid() # СВЕЖИЙ click_id на КАЖДОЕ событие
|
||||
new_timestamp = self._current_timestamp() # ~now() для всех событий батча
|
||||
...
|
||||
device_event = {**base_device, "click_id": new_click_id} # user_domain_id наследуется из сида
|
||||
```
|
||||
|
||||
Три уровня иерархии (пользователь → сессия → событие) схлопываются в плоскую
|
||||
выборку:
|
||||
|
||||
1. **`click_id` свежий на каждое событие** → один визит = одно событие. Визит как
|
||||
группа из нескольких событий **никогда не формируется**.
|
||||
2. **`user_domain_id` переиспользуется** из сид-пула (~99 значений), но без
|
||||
привязки к сессиям — события одного пользователя разлетаются отдельными
|
||||
`click_id`. Иерархию «пользователь → его сессии → события сессии» из потока
|
||||
**не восстановить**.
|
||||
3. **Время** у всех событий батча ≈ `now()` — даже временно́й структуры визита
|
||||
(последовательность событий внутри сессии) нет.
|
||||
|
||||
### Что это даёт в данных
|
||||
|
||||
| | Статический сид (`data/*.jsonl`) | Поток из генератора |
|
||||
|---|---|---|
|
||||
| `click_id` | визит-envelope (1..7 событий) | свежий на событие → `click_id` ≈ событие |
|
||||
| `user_domain_id` | 1:1 с `click_id` | переиспользуется (потолок ~99) |
|
||||
| Семантика | `Sessions == Users` (вырождено по пользователю) | `Sessions == Events` (сессия = одно событие) |
|
||||
|
||||
Парадокс: **статический сид как учебная основа лучше**, потому что на нём
|
||||
`click_id` несёт осмысленную семантику визита. Генератор её ломает.
|
||||
|
||||
## Что перепроверить и переделать перед использованием
|
||||
|
||||
Чинить нужно **генеративную модель сущностей**, а не математику интенсивности:
|
||||
|
||||
1. **Иерархическая генерация вместо плоской выборки:**
|
||||
- поддерживать популяцию пользователей с *постоянным* `user_domain_id`;
|
||||
- пользователь со временем открывает 1..N **сессий** (новый `click_id` на
|
||||
сессию, с межсессионными паузами — модель «вернувшегося пользователя»);
|
||||
- сессия порождает последовательность из 1..M **событий**, разделяющих один
|
||||
`click_id` и общий device/geo, упорядоченных по времени (правдоподобный путь
|
||||
по страницам).
|
||||
2. **Распределения, требующие проверки математики:**
|
||||
- события на сессию (например, geometric/NB — длина визита);
|
||||
- сессии на пользователя за период (возвраты);
|
||||
- межсессионные интервалы (тайм-аут неактивности как граница сессии).
|
||||
3. **Время событий** внутри сессии должно расти монотонно, а не быть `now()` для
|
||||
всего батча.
|
||||
4. **`event_id`/`click_id`** уже всегда новые (`uuid4`) — при иерархической
|
||||
модели `click_id` должен переиспользоваться внутри сессии, а не на каждое
|
||||
событие (см. оговорку в `README.md`, раздел State Recovery).
|
||||
|
||||
После такой переделки на потоке естественно получится здоровая пирамида
|
||||
`users < sessions < events`, и дашборд сможет показывать разницу
|
||||
«пользователь vs сессия» честными числами.
|
||||
|
||||
## Ссылки
|
||||
|
||||
- Код: `generator/generator.py` — `_calculate_events_count()` (стр. ~232–260),
|
||||
`generate_batch()` (стр. ~262–330).
|
||||
- Доменная модель: `sql/ddl/dds/30_dds.sql`, `sql/ddl/dm/40_dm.sql`.
|
||||
- Контекст обсуждения: ветка `docs/advanced-clickstream-course`, дизайн
|
||||
Superset-дашборда (урок 6 курса).
|
||||
@@ -1,5 +1,10 @@
|
||||
# Генератор событий (MVP rev5)
|
||||
|
||||
> ⚠️ **Перед использованием как источник витрин — прочитать
|
||||
> [KNOWN_ISSUES.md](./KNOWN_ISSUES.md).** Генеративная модель сущностей неверна
|
||||
> (свежий `click_id` на каждое событие ломает семантику визита/сессии); ветка
|
||||
> не влита в `main` именно поэтому. Математику интенсивности это не затрагивает.
|
||||
|
||||
Автономный генератор событий для Kafka с режимом `steady-stream`.
|
||||
|
||||
## Архитектура
|
||||
|
||||
Reference in New Issue
Block a user