Как Google автоматизирует создание структуры категорий и оптимизирует мерчандайзинг на сайтах E-commerce

Термины и определения

Bought-together data (Данные о совместных покупках)

Данные о продажах, указывающие, какие товары часто покупаются вместе. Используются для корректировки расположения товаров на странице категории.

Cosine Similarity (Косинусное сходство)

Математическая метрика для измерения сходства между двумя векторами. В патенте используется для определения семантической близости товаров на основе их названий и описаний.

Decision Tree (Дерево решений)

Алгоритм машинного обучения. Используется для организации (ранжирования) товаров внутри категории путем интеграции различных Sales Data и Search Data.

Merchant System (Система мерчанта)

Инфраструктура продавца (веб-сайт, приложение, серверы).

Objective Function (Целевая функция)

Функция, которую система стремится оптимизировать при организации товаров. Например, максимизация конверсий при определенных ограничениях (например, разнообразие брендов).

Product Categorization System (Система категоризации продуктов)

Описанная в патенте система для автоматической генерации и оптимизации страниц категорий.

Product Feed Data (Данные продуктового фида)

Данные от мерчанта, включающие Title (Название), Description (Описание), Price (Цена) и Breadcrumb data (Навигационные цепочки).

Sales Data (Данные о продажах/Поведенческие данные)

Внутренние метрики сайта мерчанта: Conversion Rate, Bounce Rate, Add-to-cart Rate, Average Time Spent, Stock Data (данные о запасах), Newness Indicator (индикатор новизны) и др.

Search Data (Данные поиска)

Внешние данные от поисковой системы (Search System): Search Volume (Объем поиска) и Trending Indicator (Индикатор тренда) для связанных ключевых слов.

Similarity Value (Значение сходства)

Числовая оценка сходства двух товаров на основе их Product Feed Data. Используется для присвоения тегов.

Threshold Similarity Value (Пороговое значение сходства)

Минимальное значение Similarity Value, необходимое для того, чтобы некатегоризированный товар унаследовал теги от категоризированного.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод автоматической генерации страниц категорий.

1. Система получает Product Feed Data и Sales Data от мерчанта.
2. Определяется Первый набор товаров с уже присвоенными тегами.
3. Определяется Второй набор товаров без тегов.
4. Система сравнивает данные фида Второго набора с Первым, вычисляя Similarity Value.
5. Если Similarity Value превышает Threshold, товару из Второго набора присваиваются теги соответствующего товара из Первого набора.
6. Товары группируются в категории на основе общих тегов.
7. Товары внутри каждой группы организуются (ранжируются) на основе Sales Data.
8. Генерируются данные страниц (Page Data) и передаются мерчанту.

Claim 5 и 6 (Зависимые): Детализируют метод вычисления Similarity Value (Шаг 4 в Claim 1).

Система использует Cosine Similarity для расчета сходства. Отдельно вычисляется сходство Названий и сходство Описаний. Итоговое Similarity Value рассчитывается как weighted average (взвешенное среднее) этих двух значений. При этом веса для Названия и Описания могут различаться (Claim 6).

Формула может быть представлена как: $Sim(P1, P2) = W_T \cdot CosSim(Title_{P1}, Title_{P2}) + W_D \cdot CosSim(Desc_{P1}, Desc_{P2})$

Claim 8 (Зависимый): Добавляет использование внешних данных.

Система получает Search Data от поисковой системы. Организация (ранжирование) товаров внутри категорий основывается также на этих данных (в дополнение к Sales Data).

Claim 18 (Зависимый): Уточняет метод организации товаров.

Организация товаров внутри категории осуществляется путем анализа Sales Data с использованием Decision Tree.

Где и как применяется

Важное уточнение: Этот патент НЕ описывает стандартную архитектуру Google Поиска (CRAWLING, INDEXING, RANKING и т.д.). Он описывает отдельную систему (Product Categorization System), предназначенную для использования мерчантами с целью оптимизации их собственных платформ электронной коммерции.

Область применения: Инфраструктура Платформы Продавца (Merchant System's Infrastructure).

Взаимодействие компонентов:

• Product Categorization System получает данные от Merchant System (Фиды, Продажи) и от Search System (Тренды, Спрос).
• Она обрабатывает данные и отправляет структурированные инструкции (Page Data) обратно в Merchant System для отображения на сайте или в приложении.

На что влияет

• Типы контента и ниши: Влияет исключительно на страницы категорий и листинги товаров (product listings) в интернет-магазинах и E-commerce приложениях.
• Влияние на сайт: Определяет внутреннюю структуру (таксономию) и внутреннее ранжирование (мерчандайзинг) сайта мерчанта, который использует эту систему.

Когда применяется

• Триггеры активации: Первоначальная генерация структуры сайта или получение обновленных данных.
• Частота применения (Динамическое обновление): Система работает динамически. Она повторно активируется при получении обновленного фида, свежих данных о продажах или новых данных о поисковых трендах (Claims 12, 13, 14).
• Пороговые значения: Используется Threshold Similarity Value для определения, достаточно ли похожи товары для присвоения одинаковых тегов.

Пошаговый алгоритм

Фаза 1: Сбор данных

1. Получение Product Feed Data (Названия, Описания, Хлебные крошки) от мерчанта.
2. Получение Sales Data (Конверсии, Отказы, Запасы и т.д.) от мерчанта.
3. Определение ключевых слов из фида и запрос Search Data (Объем поиска, Тренды) у поисковой системы.

Фаза 2: Категоризация

4. Идентификация наборов: Разделение товаров на Первый набор (с известными тегами) и Второй набор (без тегов). Теги Первого набора могут быть получены из breadcrumb data или других источников.
5. Расчет сходства: Для каждого товара из Второго набора вычисляется Similarity Value по отношению к товарам из Первого набора. Используется взвешенное Cosine Similarity названий и описаний.
6. Присвоение тегов: Если Similarity Value превышает порог, товару из Второго набора присваиваются теги схожего товара из Первого набора.
7. Группировка: Все товары группируются в Категории на основе общих тегов.
8. Построение иерархии: Интеграция созданных категорий в иерархию сайта.

Фаза 3: Внутреннее ранжирование (Мерчандайзинг)

9. Анализ метрик: Анализ Sales Data и Search Data для каждого товара в категории.
10. Применение алгоритма оптимизации: Использование Decision Tree или Objective Function для определения оптимального порядка сортировки. Система может рассчитывать взвешенную оценку (Weighted Score) на основе важности различных метрик (согласно стратегии мерчанта).
11. Корректировка размещения: Применение правил (например, понижение товаров Out-of-Stock, размещение совместно покупаемых товаров (Bought-together data) рядом).
12. Организация листинга: Финальная сортировка товаров.

Фаза 4: Генерация и Обновление

13. Генерация Page Data: Создание данных (например, HTML или инструкций), описывающих страницы категорий.
14. Передача данных: Отправка данных в Merchant System.
15. Мониторинг: Ожидание обновленных данных и повторение процесса при их получении.

Какие данные и как использует

Данные на входе

Система использует три основных источника данных:

1. Product Feed Data (от Merchant System):

• Контентные факторы: Title data (Название товара), Description data (Описание товара). Критически важны для категоризации (расчета сходства).
• Структурные факторы: Breadcrumb data (Навигационные цепочки). Используются для определения существующих тегов и иерархии.
• Коммерческие факторы: Price data (Цена).

2. Sales Data (от Merchant System): Используются для внутреннего ранжирования (сортировки).

• Поведенческие факторы: Conversion Rate, Bounce Rate, Add-to-cart Rate, Average Time Spent.
• Транзакционные данные: Bought-together data.
• Данные о наличии и новизне: Current Stock Data (In-Stock, Out-of-Stock, Limited Supply), Product Newness Indicator.
• Коммерческие данные: Discount percentage.

3. Search Data (от Search System): Используются для внутреннего ранжирования.

• Данные о спросе и трендах: Search Volume (текущий или исторический), Trending Indicator (индикатор роста популярности запроса).

Какие метрики используются и как они считаются

• Методы анализа текста (NLP) и Метрики сходства:
  • Cosine Similarity: Конкретная метрика для измерения сходства между текстами (названиями и описаниями).
  • Similarity Value: Взвешенное среднее (Weighted Average) косинусных сходств названия и описания.
• Пороговые значения:
  • Threshold Similarity Value / Threshold probability: Порог, используемый для принятия решения о присвоении тега. В описании патента упоминается пример 99.5% вероятности, что указывает на высокие требования к точности.
• Алгоритмы машинного обучения и Оптимизации:
  • Decision Tree: Используется для интеграции различных Sales Data и Search Data при ранжировании товаров.
  • Objective Functions: Используются для оптимизации ранжирования под сложные бизнес-цели (например, максимизация конверсий при заданных ограничениях).

1. Фокус на автоматизации E-commerce, а не на Google Search: Патент описывает инфраструктурный инструмент для оптимизации сайта мерчанта, а не алгоритмы ранжирования публичного поиска Google. Выводы для SEO носят косвенный характер.
2. Категоризация на основе семантического сходства контента: Для группировки товаров используется анализ контента (Названия и Описания) с применением стандартных NLP-метрик (Cosine Similarity). Это подчеркивает критическую важность качества данных в продуктовом фиде.
3. Обучение на известных данных: Система использует подход, при котором некатегоризированные товары сравниваются с эталонным набором уже размеченных товаров (semi-supervised learning) для присвоения тегов на основе высоких порогов сходства.
4. Мерчандайзинг, управляемый данными (Data-Driven): Внутреннее ранжирование товаров полностью зависит от метрик эффективности (Sales Data) и внешнего спроса (Search Data). Поведенческие сигналы и тренды являются ключевыми для определения видимости товара на сайте.
5. Гибкая оптимизация через целевые функции: Система использует сложные модели (Decision Trees, Objective Functions) для достижения бизнес-целей, а не просто ранжирует по одной метрике.

ВАЖНО: Патент не дает прямых рекомендаций по продвижению в Google Search. Однако он предоставляет важные инсайты по оптимизации структуры и юзабилити e-commerce сайтов, что косвенно влияет на SEO.

Best practices (это мы делаем)

• Оптимизация качества данных в Product Feed: Поскольку автоматическая категоризация основана на семантическом анализе (Cosine Similarity) Title и Description, необходимо предоставлять чистые, информативные и консистентные данные. Качество фида напрямую влияет на качество генерируемой структуры сайта.
• Стратегическое форматирование описаний: Патент упоминает, что выделенный текст (например, жирным шрифтом) в описаниях может использоваться для генерации тегов. Используйте форматирование для выделения ключевых атрибутов товара.
• Внедрение динамической внутренней сортировки (Мерчандайзинг): Патент подтверждает эффективность сортировки товаров на основе данных о продажах и спросе. Для E-commerce проектов следует приоритизировать сортировку по умолчанию на основе Conversion Rate, Add-to-Cart Rate и поисковых трендов, а не по алфавиту или цене.
• Использование структурированных навигационных цепочек (Breadcrumbs): Система использует Breadcrumb data для понимания существующей иерархии и генерации тегов. Наличие корректных хлебных крошек помогает автоматизированным системам (и поисковым роботам) лучше понимать структуру сайта.

Worst practices (это делать не надо)

• Предоставление скудных или непоследовательных данных в фиде: Разные шаблоны названий для похожих товаров или отсутствие ключевых характеристик в описаниях приведут к низким показателям Similarity Value и ошибкам автоматической категоризации.
• Использование статической сортировки товаров: Ручное управление порядком товаров или использование стандартной сортировки (по дате добавления) менее эффективно, чем автоматическая оптимизация на основе Sales Data и Search Data.
• Игнорирование поведенческих метрик (CRO): Продвижение товаров с высоким Bounce Rate или низким Conversion Rate ухудшает общий пользовательский опыт; автоматизированные системы, подобные описанной, будут деприоритизировать такие товары.

Стратегическое значение

Патент демонстрирует подход Google к оптимизации E-commerce ресурсов, основанный на данных и машинном обучении. Он подтверждает стратегическую важность перехода от ручного управления к автоматизированным системам, которые динамически адаптируют структуру и контент сайта под поведение пользователей и рыночный спрос. Для SEO это подчеркивает важность качества исходных данных (фидов) и логичной структуры сайта как фундамента для успеха в E-commerce.

Практические примеры

Сценарий 1: Оптимизация фида для улучшения автоматической категоризации

1. Проблема: Новый товар "Кроссовки Nike Air Синие" попадает в общую категорию "Обувь", а не в "Мужские кроссовки для бега".
2. Анализ (на основе патента): Система рассчитывает Cosine Similarity. Текущее название слишком общее и имеет низкое сходство с эталонными товарами в нужной категории.
3. Действие: Обновление названия в фиде на более описательное: "Мужские беговые кроссовки Nike Air Zoom Pegasus, Синий".
4. Ожидаемый результат: При следующем обновлении система обнаружит более высокое сходство с товарами в категории "Мужские кроссовки для бега" (благодаря терминам "Мужские", "беговые", "кроссовки") и автоматически переместит товар в правильную категорию, улучшая структуру сайта.

Сценарий 2: Настройка внутренней сортировки на основе данных

1. Задача: Улучшить продажи в категории "Смартфоны".
2. Действие: Настроить движок сайта (используя логику Decision Tree, описанную в патенте) так, чтобы сортировка по умолчанию приоритизировала товары.
3. Логика: Сначала показывать товары "В наличии". Затем сортировать по комбинации Conversion Rate (вес 60%) и Trending Indicator из Google Trends (вес 40%).
4. Ожидаемый результат: Наиболее конверсионные и трендовые товары автоматически поднимаются на первые позиции листинга, что улучшает UX и увеличивает общую выручку категории.