# Генератор: известные проблемы и контекст для доработки

> **Статус (2026-06-11):** исторический дефект старой плоской генерации закрыт
> для режима `steady-stream`. Генератор строит визиты с общим `click_id`,
> монотонным временем событий, путём по страницам воронки, популяцией
> возвращающихся пользователей и состоянием для активных визитов.
>
> Эта заметка больше не является предупреждением «генератор концептуально
> сломан». Она оставлена как учебный разбор старого дефекта и как место для
> небольших остаточных ограничений.

Заметка написана при дизайне Superset-дашборда (ветка
`docs/advanced-clickstream-course`): разбирались, почему на дашборде
`Unique Users == Unique Sessions`, и по ходу вскрылось, что старая реализация
генератора на тот момент семантику сессии не чинила, а ломала сильнее. Разбор
оставлен, чтобы не переоткрывать этот дефект заново и показать, почему новая
модель устроена иначе.

## TL;DR

- **Модель интенсивности потока (сколько событий и когда) — нормальная.**
  Poisson по тикам + дневной коэффициент + jitter сохранены.
- **Генеративная модель сущностей переписана.** Поток больше не штампует свежий
  `click_id` на каждое событие: визит живёт несколько событий, пользователь
  может вернуться в новом визите после кулдауна.
- **Вывод:** старый дефект `Sessions == Events` не считается актуальным
  блокером. Дальше генератор можно улучшать уже как работающую учебную модель,
  а не как концептуально сломанный источник.

## Текущие ограничения

- Тип события остаётся `pageview` для всех событий. Это осознанное ограничение:
  текущий дашборд и уроки строят воронку по `page_url_path`, а не по
  `event_type`.
- Device/geo-профиль пользователя стабилен между визитами. Смену устройства
  генератор пока не моделирует.
- При долгом простое больше 30 минут активный визит закрывается без досылки
  остатка. Популяция пользователей при этом сохраняется.

## 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..27 событий, медиана 10 (`dds.click` =
  «контекст сессии пользователя», см. `sql/ddl/dds/30_dds.sql`; точные цифры —
  профиль сид-датасета в `CONTEXT.md`, ранняя оценка «1..7» была замером по
  срезу файла).
- `user_domain_id` живёт в `device_events`, привязан к `click_id`.

## Что генератор делает правильно

Файл `generator/src/clickstream_generator/intensity.py`,
`calculate_events_count()`:

- **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.

## Исторический корневой дефект: старая модель сущностей

До переработки 2026-06-11 прежняя реализация в монолитном
`generator/generator.py` на каждое событие в батче делала примерно следующее:

```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..27 событий, медиана 10) | 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 был таким: **статический сид как учебная основа был лучше**, потому что
на нём `click_id` нёс осмысленную семантику визита, а старый генератор её
ломал.

## Что сделано в новой модели

Чинили именно **генеративную модель сущностей**, не переписывая математику
интенсивности:

1. **Иерархическая генерация вместо плоской выборки:**
   - есть ограниченная популяция пользователей с постоянным `user_domain_id`;
   - пользователь со временем открывает 1..N визитов;
   - визит порождает последовательность событий с одним `click_id`, общим
     device/geo-контекстом и путём по страницам.
2. **Тиковый слой:**
   - событийный бюджет тика превращается в рождения визитов через среднюю длину
     визита;
   - активные визиты живут между тиками;
   - выпускаются только события, у которых наступила запланированная метка
     времени.
3. **Время событий** внутри визита строго растёт и не прилипает к одному
   `now()` для всего батча.
4. **Состояние** сохраняет популяцию, активные визиты, накопленный бюджет
   рождения визитов, номер тика и состояние ГПСЧ.

После этой переделки поток на длинном окне и при штатных параметрах даёт
здоровую пирамиду `users < sessions < events`, и дашборд может показывать
разницу «пользователь vs сессия» честными числами.

## Ссылки

- Код: `generator/src/clickstream_generator/intensity.py` —
  `calculate_events_count()`; `generator/src/clickstream_generator/generation.py`
  — `EventGenerator.generate_batch()`.
- 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).