Punktem wyjścia jest skumulowany zysk (ang. cumulative gain, CG) – suma ocen relewancji dokumentów od pierwszej do -tej pozycji listy:
gdzie oznacza ocenę relewancji dokumentu na pozycji . Zamiana kolejności dokumentów w obrębie pierwszych pozycji nie zmienia wartości CG, więc miara ta nie odzwierciedla jakości samego uporządkowania.
DCG usuwa tę wadę, dyskontując wkład dokumentów na dalszych pozycjach za pomocą logarytmu o podstawie 2:
W uczeniu maszynowym, zwłaszcza w zadaniach uczenia rankingu (ang. learning to rank), rozpowszechniona jest alternatywna postać, w której zysk rośnie wykładniczo z oceną relewancji, przez co silniej premiowane są dokumenty o najwyższych ocenach:
Dla binarnych ocen relewancji () obie postacie są identyczne. Logarytmiczną funkcję dyskontującą autorzy miary uzasadniali początkowo jedynie tym, że zapewnia ona łagodne zmniejszanie wkładu kolejnych pozycji. Później wykazano teoretycznie, że przy takim dyskoncie nDCG zachowuje zdolność rozróżniania funkcji rankingujących również dla bardzo długich list wyników, podczas gdy przy wolniej malejących funkcjach dyskontujących wartości nDCG wszystkich funkcji rankingujących zbiegają do tej samej granicy.