Сессионная глубина и градиент вовлечения (Session Depth Gradient)
1. Архитектура и принцип работы
Для каждой сессии строится цепочка событий: переход → просмотр → микроконверсия (скролл, клик по фильтру, добавление в сравнение) → следующий URL. По каждому шагу считается нормированный вес вовлечения: время активного чтения, доля прокрутки, число целевых кликов, отсутствие возврата. Затем вычисляется градиент — разность средних весов между шагами n и n+1, делённая на базовую вовлечённость первой страницы. Положительный градиент означает, что сайт «разогревает» интерес: каждая следующая страница удерживает сильнее. Отрицательный — признак обманутого ожидания или шаблонной выдачи. Агрегируется по интентам и кластерам, сравнивается с бенчмарком конкурентов из ТОП-10 через клиентские метрики (Яндекс.Метрика, GA4, собственный сборщик событий).
2. Математическая механика и триггеры ранжирования
В основе лежит идея, что поисковики оценивают не отдельный URL, а траекторию удовлетворения интента. SDG формализует это как марковскую цепь: состояния — типы страниц (хаб, карточка, фильтр, статья), переходы — вероятности кликов, награда — нормированное вовлечение. Строится матрица переходов по логам Метрики и серверным событиям, затем для каждой сессии считается кумулятивная награда с дисконтированием. Если дисконтированная награда растёт, сессия «здоровая»; если падает — вероятен возврат к выдаче (last click) и ухудшение ПФ. Дополнительно вводится поправка на длину сессии и на тип устройства, чтобы мобильные короткие визиты не искажали картину. Механика стыкуется с Last Click: рост SDG снижает долю «последних кликов» и увеличивает долю глубоких визитов. На практике SDG используется как диагностический инструмент: где градиент отрицательный, там либо слабая перелинковка, либо несовпадение интента, либо переоптимизированный текст, провоцирующий мгновенный возврат.
3. Специфика в Яндекс (YATI) vs Google
Яндекс исторически сильнее опирается на поведенческие сигналы Метрики и на «довольство» пользователя в рамках сессии, поэтому SDG напрямую ложится в его модель: рост глубины и снижение возвратов трактуются как подтверждение релевантности. Google через Helpful Content и Navboost смотрит на паттерны кликов и удовлетворённость, но чувствительнее к «pogo-sticking» — быстрому возврату к выдаче. Для Яндекса важнее абсолютная глубина и время на сайте, для Google — отсутствие мгновенных отказов и повторных запросов. Поэтому при оптимизации под SDG нужно усиливать внутреннюю навигацию и микроконверсии (это даёт плюс в Яндексе) и одновременно снижать вероятность возврата за счёт точного совпадения интента (это критично для Google).
4. Нормативы SLA и диагностическая матрица
| Параметр / Метрика | Эталон по SLA | Критическая ошибка |
|---|---|---|
| Средний градиент вовлечения (Δ вес шага) | > 0.05 | < -0.02 |
| Доля сессий с положительным градиентом | > 55% | < 35% |
| Доля «последних кликов» (возврат к выдаче) | < 25% | > 45% |
5. Пошаговый инженерный протокол внедрения
- Сегментируйте SDG по интентам и устройствам: сравнивайте градиент только внутри однородных кластеров, иначе средние искажают картину.
- Внедряйте микроконверсии между шагами: блоки «смотрите также», сравнение, короткие видео — они повышают вес следующего шага.
- Стройте матрицу переходов по логам Метрики и находите страницы с отрицательным градиентом — это кандидаты на переработку интента и перелинковки.
- Сравнивайте SDG с бенчмарком ТОП-10 через клиентские метрики и фиксируйте эффект A/B-тестами навигации и контента.
SDG = (1/N) * Σ [ (w_{n+1} - w_n) / max(w_1, ε) ], где w_n = 0.4*scroll + 0.3*active_time_norm + 0.3*target_clicks_norm6. Типичные ошибки при оптимизации
- Считать среднюю глубину без градиента: рост глубины может происходить за счёт «блуждания» пользователя, а не роста удовлетворённости.
- Игнорировать сегментацию по устройствам и интентам — мобильные короткие сессии искажают агрегаты и приводят к ложным выводам.
- Оптимизировать SDG в отрыве от Last Click: рост глубины без снижения возвратов не улучшает поведенческие факторы в поиске.