Как Google Ads прогнозирует конверсию ключевых слов, используя кластеризацию интентов и агрегированные данные рынка

Термины и определения

Assets (Активы)

Контент, извлеченный из веб-ресурса (например, целевой страницы) рекламодателя. Используется системой для понимания предложения и генерации релевантных ключевых слов.

Content Provider (Поставщик контента)

В контексте патента — рекламодатель или организация, запускающая кампанию.

Intent (Интент)

Семантическая цель пользователя, лежащая в основе группы семантически схожих запросов (Query Cluster).

Keyword Cluster (Кластер ключевых слов)

Группа ключевых слов, часто используемых вместе схожими рекламодателями в определенной продуктовой области. В патенте упоминается, что для включения в кластер ключевое слово должно использоваться пороговым количеством сторонних поставщиков (например, 50).

Keyword Performance Metric (Метрика эффективности ключевого слова)

Прогнозная метрика для конкретного ключевого слова, сгенерированная моделью прогнозирования. Может включать коэффициент конверсии (conversion rate metric) или ROI.

Machine-learned forecasting model (Машинно-обученная модель прогнозирования)

Модель, которая прогнозирует Keyword Performance Metric на основе входных данных о ключевом слове и связанном с ним Query Cluster.

Query Cluster (Кластер запросов)

Группа поисковых запросов пользователей, которые семантически схожи и соответствуют одному и тому же интенту (Intent).

Query Performance Metric (Метрика эффективности запроса)

Агрегированная метрика эффективности для всего Query Cluster. Основана на исторических показателях эффективности рекламных объявлений, показанных в ответ на запросы в этом кластере (например, средний коэффициент конверсии для кластера).

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основную систему и метод прогнозирования эффективности ключевых слов.

1. Система хранит базу данных Keyword Clusters, где первый кластер связан с первым Query Cluster (включающим запросы, семантически схожие с первым Intent).
2. Система использует machine-learned forecasting model.
3. Получение запроса от рекламодателя (Content Provider), связанного с веб-ресурсом, имеющим Assets.
4. Определение First Keyword на основе этих Assets.
5. Ассоциация First Keyword с First Keyword Cluster.
6. Определение, что First Keyword связан с First Query Cluster (который имеет Query Performance Metric).
7. Обработка First Keyword и First Query Cluster с помощью прогностической модели для генерации Keyword Performance Metric для First Keyword.
8. Выполнение действия на основе этой метрики.

Ядром изобретения является метод прогнозирования эффективности ключевого слова для конкретного рекламодателя путем использования известных агрегированных данных об эффективности связанных семантических структур (Query Clusters). Это позволяет преодолеть проблему нехватки данных (sparse data) у отдельных рекламодателей.

Claim 3 и 4 (Зависимые): Уточняют происхождение Query Performance Metric.

Метрика эффективности запроса выводится из исторических показателей эффективности рекламных объявлений (content items), показанных в ответ на соответствующий интент. Причем эти объявления принадлежат другим рекламодателям (не тому, для которого делается прогноз).

Claim 11 и 12 (Зависимые): Определяют возможные действия.

Действие может включать генерацию плана кампании (campaign plan) или предложение изменить сумму ставки (bid amount).

Claim 14 (Зависимый): Детализирует расчет метрики конверсии.

Если Query Performance Metric включает коэффициент конверсии для множества запросов в кластере, то Keyword Performance Metric (прогнозная метрика конверсии для ключевого слова) может быть средним значением (average) коэффициентов конверсии этих запросов. (В описании патента также упоминаются медиана или максимум).

Claim 15 (Зависимый): Описывает случай ассоциации с несколькими кластерами.

Если ключевое слово связано с двумя Query Clusters, то итоговая Keyword Performance Metric рассчитывается как взвешенная сумма (weighted sum) метрик эффективности обоих кластеров.

Где и как применяется

Патент описывает технологию, применяемую в экосистеме Google Ads (например, Keyword Planner, системы автоматизации кампаний). Однако он использует данные и инфраструктуру, тесно связанные с основными поисковыми системами.

CRAWLING / INDEXING – Сканирование, Индексирование и извлечение признаков
Система сканирования и индексирования Google используется для анализа Web Resources и извлечения Assets. Это необходимо для понимания содержания целевой страницы рекламодателя, что является входными данными для генерации ключевых слов.

QUNDERSTANDING – Понимание Запросов
Критически важный этап. Создание Query Clusters — группировка запросов по семантическому сходству и интенту (Intent) — является основной функцией систем понимания запросов. Этот патент полагается на существование этих предварительно созданных семантических структур.

RANKING (Ранжирование Рекламы)
Основное применение патента. Сгенерированная Keyword Performance Metric (прогнозируемый коэффициент конверсии) напрямую используется системами ранжирования рекламы и автоматизации ставок для оптимизации кампаний и определения ценности показа в аукционе.

Входные данные:

• URL веб-ресурса рекламодателя и извлеченные Assets.
• Возможно, исходное ключевое слово, предоставленное рекламодателем.
• Базы данных Keyword Clusters и Query Clusters с рассчитанными Query Performance Metrics.

Выходные данные:

• Предлагаемые ключевые слова (Suggested Keywords).
• Keyword Performance Metric (прогноз эффективности).
• Автоматизированные действия (план кампании, корректировка ставок).

На что влияет

• Конкретные ниши и бизнес-модели: Наибольшее влияние оказывается на малый и средний бизнес (SMB) или новых рекламодателей, у которых недостаточно собственных исторических данных о конверсиях. Влияет на все ниши, где используется контекстная реклама.
• Специфические запросы: Позволяет оценить эффективность длиннохвостых или новых ключевых слов, связывая их с более широкими и статистически значимыми кластерами интентов.

Когда применяется

• Триггеры активации: Когда рекламодатель использует инструменты планирования ключевых слов (Keyword Planner), создает новую кампанию или ищет рекомендации по оптимизации существующей.
• Условия применения: Особенно актуально, когда система обнаруживает разреженные данные (sparse data) о конверсиях у рекламодателя, и необходимо использовать агрегированные данные кластеров для надежного прогнозирования.

Пошаговый алгоритм

Процесс А: Офлайн-подготовка данных (Кластеризация и расчет метрик)

1. Создание Keyword Clusters: Анализ данных множества рекламодателей. Идентификация пересекающихся ключевых слов (overlapping keywords) в определенной продуктовой области. Фильтрация: включение только тех ключевых слов, которые используются выше порогового числа рекламодателей (например, 50).
2. Создание Query Clusters: Семантическая кластеризация поисковых запросов. Группировка запросов, соответствующих одному и тому же Intent.
3. Расчет Query Performance Metrics: Для каждого Query Cluster рассчитывается агрегированная метрика эффективности (например, коэффициент конверсии) на основе исторических данных показов рекламы.
4. Связывание кластеров: Установка соответствия между Keyword Clusters и Query Clusters.

Процесс Б: Обработка запроса рекламодателя (Онлайн-прогнозирование)

1. Получение запроса и Извлечение активов: Рекламодатель инициирует запрос. Система сканирует Web Resource и извлекает Assets (контент).
2. Определение ключевого слова: Система генерирует или определяет First Keyword на основе анализа Assets (и, возможно, ввода рекламодателя).
3. Ассоциация с кластерами: First Keyword связывается с соответствующим Keyword Cluster, а через него — с Query Cluster.
4. Прогнозирование эффективности: Machine-learned forecasting model получает доступ к Query Performance Metric связанного Query Cluster. Модель генерирует Keyword Performance Metric для First Keyword (например, используя среднее значение, медиану, максимум или взвешенную сумму метрик кластера).
5. Выполнение действия: Система предоставляет рекламодателю прогноз, генерирует план кампании или корректирует ставки.

Какие данные и как использует

Данные на входе

• Контентные факторы (Assets): Контент, извлеченный с веб-ресурса рекламодателя. Используется для понимания тематики сайта и генерации релевантных ключевых слов.
• Данные о конкурентах (Агрегированные): Ключевые слова, используемые сторонними рекламодателями (third-party content providers). Используются для создания Keyword Clusters.
• Поведенческие и Исторические данные (Агрегированные): Исторические поисковые запросы пользователей (для создания Query Clusters). Агрегированные данные об эффективности рекламы (клики, конверсии), показанной в ответ на эти запросы (для расчета Query Performance Metrics).

Какие метрики используются и как они считаются

• Threshold Value (Пороговое значение): Минимальное количество сторонних рекламодателей, которые должны использовать ключевое слово, чтобы оно было включено в Keyword Cluster (упоминается примерное значение 50).
• Query Performance Metric: Агрегированная метрика эффективности для кластера запросов. Часто это коэффициент конверсии (Conversion Rate).
• Keyword Performance Metric (Прогноз): Прогнозная метрика для отдельного ключевого слова. Рассчитывается на основе Query Performance Metric. Методы расчета:
  • Среднее/Медиана/Максимум: Значение метрики связанного кластера.
  • Взвешенная сумма (Weighted Sum): Если ключевое слово связано с несколькими Query Clusters, используется взвешенная сумма их метрик.
• Similarity Score (Оценка схожести): Упоминается в описании патента как метрика для сравнения ключевых слов при их генерации. Методы расчета могут включать cosine similarity, Jaccard similarity и другие.

1. Центральная роль семантической кластеризации и Интента: Google агрегирует данные на уровне семантических кластеров запросов (Query Clusters/Intent), а не отдельных ключевых слов. Это подтверждает, что интент является основой для понимания и прогнозирования эффективности.
2. Преодоление нехватки данных через агрегацию (Cold Start Problem): Система спроектирована для решения проблемы разреженных данных у рекламодателей. Google использует агрегированные рыночные данные (Query Performance Metrics) для оценки потенциала ключевых слов.
3. Анализ контента целевой страницы (Assets): Система автоматически анализирует Assets веб-ресурса для определения релевантных ключевых слов. Это подчеркивает важность четкого и семантически однозначного контента на целевых страницах.
4. Использование данных конкурентов для бенчмаркинга: Google активно использует данные о том, какие ключевые слова используют успешные рекламодатели в определенной вертикали (Keyword Clusters), для обучения своих моделей и генерации рекомендаций.
5. Приоритет конверсий над кликами: Основная цель патента — улучшить прогнозирование именно конверсий (conversion metrics), а не просто кликов (click metrics), что отражает реальную ценность для бизнеса.

Практическое применение в SEO

Хотя патент описывает систему Google Ads, он дает критически важные стратегические инсайты для SEO-специалистов относительно того, как Google интерпретирует контент и кластеризует запросы.

Best practices (это мы делаем)

• Таргетинг на Интент (Query Clusters): Сосредоточьтесь на удовлетворении основного намерения (Intent), а не отдельных ключевых слов. Понимайте, что Google группирует тысячи запросов в один Query Cluster. Ваша цель в SEO — быть релевантным всему кластеру.
• Кристально чистый контент целевых страниц (Assets): Убедитесь, что контент ваших целевых страниц максимально четко и структурированно описывает продукт или услугу. Это поможет алгоритмам Google (как в Ads, так и в органическом поиске) правильно извлечь Assets и сопоставить страницу с релевантными Query Clusters.
• Использование данных Google Ads для валидации SEO-стратегии: Активно используйте Keyword Planner. Патент подтверждает, что прогнозы конверсий основаны на сложных моделях и агрегированных данных по кластерам. Если ключевое слово имеет высокий прогнозируемый Conversion Rate в Ads, это указывает на высокую коммерческую ценность соответствующего интента и в органическом поиске.
• Анализ семантического поля конкурентов: Изучайте, какие ключевые слова используют конкуренты (в рекламе и органике), чтобы понять, какие Keyword Clusters существуют в вашей нише и как они связаны с высокоэффективными интентами.

Worst practices (это делать не надо)

• Создание страниц с размытым или смешанным интентом: Создание контента, который не имеет четкого фокуса. Это затруднит системе сопоставление Assets страницы с конкретным Query Cluster.
• Фокус на трафике без учета конверсионности: Игнорирование ценности трафика. Фокусировка на высокочастотных ключевых словах, которые связаны с Query Clusters с низкой конверсионностью, является проигрышной стратегией, так как Google приоритизирует conversion metrics.
• Игнорирование семантического контекста: Оптимизация под изолированные ключевые слова без учета их принадлежности к более широкому семантическому кластеру (интенту) противоречит подходу Google.

Стратегическое значение

Патент демонстрирует высокий уровень развития семантического анализа и машинного обучения в Google. Он подтверждает, что семантическая кластеризация и понимание интента являются фундаментальными элементами архитектуры Google, применяемыми повсеместно. Механизмы анализа Assets и сопоставления их с Query Clusters, вероятно, основаны на общих NLP-технологиях. Для SEO это подчеркивает необходимость построения Topical Authority и создания контента, который полностью отвечает на определенный кластер намерений.

Практические примеры

Сценарий: Оптимизация страницы интернет-магазина на основе анализа кластеров

1. Задача: Оптимизировать страницу категории "Беспроводные наушники для спорта".
2. Анализ (на основе патента): SEO-специалист предполагает, что Google имеет Query Cluster, связанный с интентом [Купить наушники, устойчивые к поту и с надежной фиксацией]. Этот кластер, вероятно, имеет высокий Query Performance Metric (высокую конверсию).
3. Анализ Assets: Специалист анализирует контент страницы (Assets). Он убеждается, что на странице четко представлены и легко извлекаемы такие характеристики, как "влагозащита IPX7", "надежная фиксация в ухе", "спортивный дизайн".
4. Действие: Оптимизация заголовков, описаний, характеристик и отзывов таким образом, чтобы эти Assets однозначно соответствовали интенту.
5. Ожидаемый результат: Система Google (как в Ads, так и в органике) более точно сопоставляет страницу с высокоценным Query Cluster. В органическом поиске это приводит к более высокому ранжированию по всем запросам из этого кластера.