Поведенческие факторы (ПФ) и Last Click

1. Архитектура и принцип работы

Архитектура ПФ строится на сборе событий через логи поисковика (Яндекс Метрика, Google Analytics, панель браузера) и их агрегации в пользовательские сессии. Исторически Яндекс внедрял ПФ через YATI (Yet Another Test Infrastructure) и матриксные эксперименты, оценивая кликабельность, длительность сессии и возвраты. Last Click возник как упрощённая модель атрибуции в веб-аналитике: последнее касание перед конверсией получает весь вес. В поиске Last Click трансформировался в оценку «последнего удовлетворительного клика» — если после возврата в выдачу пользователь выбирает другой результат, предыдущий клик пессимизируется. Google развивал ПФ через RankBrain и Core Updates, используя поведенческие сигналы как часть ML-модели, а Last Click учитывается в Entity Graph через связку сущностей и контекст запроса.

2. Математическая механика и триггеры ранжирования

Формально ПФ описываются матрицей переходов и весами: Score = Σ (w_i * f_i), где f_i — нормированные метрики (CTR, dwell time, bounce rate, pogo-sticking), w_i — веса, настраиваемые в ходе A/B-тестов. Last Click вводит коэффициент затухания: LC = 1 / (1 + e^(-k*(t_last - t_prev))), где t_last — время последнего клика, t_prev — предыдущего. Триггеры пессимизации: высокий bounce rate (>70% для информационных запросов), короткий dwell time (<15 сек), серия возвратов (pogo-sticking >2 раз), низкий CTR при высоком ранге. Яндекс применяет пороговые значения через YATI-эксперименты, Google — через ML-модели с нелинейными взаимодействиями. Влияние на ранжирование: ПФ могут понизить позицию на 3-10 пунктов при критических отклонениях, а Last Click-атрибуция корректирует вес страницы в долгосрочной истории запроса.

3. Специфика в Яндекс (YATI) vs Google

Яндекс учитывает ПФ через YATI и матрицу поведенческих метрик, явно агрегируя клики, отказы и возвраты в ранжирующий фактор с ручной настройкой весов. Last Click используется в Метрике для атрибуции и в оценке «последнего удовлетворительного клика». Google оценивает ПФ косвенно через Core Updates и Entity Graph: поведенческие сигналы входят в ML-модель RankBrain, а Last Click учитывается в контексте сущностей и семантической близости. Google меньше полагается на явные пороги, используя вероятностные модели, тогда как Яндекс более детерминирован в пессимизации по ПФ.

4. Нормативы SLA и диагностическая матрица

5. Пошаговый инженерный протокол внедрения

• Шаг 1: Настройте сквозную аналитику с событием last_click и параметрами dwell_time, bounce, pogo_sticking для каждой посадочной страницы.
• Шаг 2: Сегментируйте трафик по типам запросов (информационные, транзакционные) и вычислите эталонные значения ПФ для каждого сегмента.
• Шаг 3: Внедрите A/B-тест с изменением контента выше сгиба и замером Last Click-конверсии и возвратов в течение 14 дней.
• Шаг 4: Постройте отчёт по страницам с критическими отклонениями (bounce >70%, dwell <15 сек) и приоритизируйте их для редизайна.
• Шаг 5: Автоматизируйте алерты в BI-системе при росте pogo-sticking >2 и снижении Last Click-конверсии на 20% от эталона.

def last_click_score(clicks, dwell_times, bounces):
    weights = [0.5, 0.3, 0.2]
    norm_dwell = [min(dt/60, 1) for dt in dwell_times]
    norm_bounce = [1 - b for b in bounces]
    scores = [w * (c + d + b) for w, c, d, b in zip(weights, clicks, norm_dwell, norm_bounce)]
    return sum(scores) / len(scores)

# Пример: last_click_score([1,1,0], [30,90,10], [0,1,0])

6. Типичные ошибки при оптимизации

• Фатальная ошибка 1: Игнорирование типа запроса при оценке ПФ. Избегайте: сегментируйте метрики по интентам и сравнивайте с эталоном для каждого сегмента.
• Фатальная ошибка 2: Оптимизация только Last Click без учёта цепочки касаний. Избегайте: анализируйте multi-touch атрибуцию и путь пользователя до конверсии.
• Фатальная ошибка 3: Ручная накрутка ПФ (клики, время). Избегайте: поисковики детектируют аномалии через YATI и ML, используйте только легитимные улучшения UX.