training_label_ready

Что означает

Готовит целевую метку для обучения CatBoost/LogReg.

Training-признаки отмечают сессии, готовые для model datasets после появления labels и snapshots.

Исходные события

conversion_signal_normalized
session_snapshot

Алгоритм

Триггер: После подтверждения target или закрытия окна атрибуции.
Расчет: session_id, target_code, target_value, label_confidence.
Приоритет: P0; рассчитывается сервером: Да.
Не просите SDK отправлять training_label_ready напрямую: сервер выводит это событие из принятых source-событий или безопасных импортов.

Текущий статус реализации: отправляется текущим backend/app/services/derived_processor.py, когда присутствуют нужные source-сигналы.

Формат хранения

Хранится в sf_server_derived_events с derived_type = "training_label_ready", derived_ts, source_event_id, если строка связана с конкретным source-событием, а также batch_id, session_id, mapping_version и payload_json.

Для агрегатов уровня сессии source_event_id может быть пустым; последнее состояние сессии также отражается в sf_session_snapshots, когда это применимо.

Пример payload


{
  "derived_type": "training_label_ready",
  "source_event_id": "evt_example_or_empty",
  "mapping_version": "map_active",
  "payload": {
    "session_id": "example",
    "target_code": "example",
    "target_value": "example",
    "label_confidence": "example"
  }
}

Примеры и допустимые значения из Excel: target_code: purchase,lead,signup,custom; confidence: 0-1.

Крайние случаи

Если target пришёл после окна — late_conversion.

Если обязательных checkpoints не хватает, снижайте confidence или помечайте payload как partial. Никогда не синтезируйте положительный intent-сигнал только из-за отсутствия события.

Дашборд

Ожидаемое окно live-debug: ML-датасет.

Если строка относится к загруженной сессии, она также должна находиться в окне Лента сессии.

Использование в ML

y для CatBoost/LogReg.

Используйте стабильные codes и buckets вместо сырого текста, сырых URL или строк из DOM. Отсутствующие значения должны быть явными (not_available, unknown, partial), чтобы CatBoost отличал отсутствие сигнала от отрицательного сигнала.

Использование в детекции ботов

bot sessions исключать или помечать.

Логика детекции ботов должна комбинировать этот признак с независимыми поведенческими сигналами; эта страница не разрешает fingerprinting, cookies, canvas/WebGL/audio probes или сырые значения форм.

QA-проверки checklist

Сгенерируйте перечисленные source-события в одной сессии.
Запустите server-derived обработку для этой сессии.
Проверьте, что sf_server_derived_events содержит строку derived_type = "training_label_ready" или что событие явно помечено как еще не реализованное.
Откройте окно live-debug дашборда ML-датасет и проверьте, что строка ссылается обратно на эту страницу.
Проверьте, что payload_json содержит только безопасные поля из списка выше и не содержит сырые ПДн, query string, cookies или значения форм.