Как Google использует данные о реальных повторных посещениях (Quality Visit Measure) и социальных взаимодействиях для ранжирования локального бизнеса

Термины и определения

Actual Visit (Реальный визит)

Физическое присутствие пользователя в локации. Система требует минимальной продолжительности (minimum duration) для зачета визита, которая может зависеть от типа локации.

Computing Interactions (Цифровые взаимодействия)

Данные, генерируемые устройствами пользователей, которые указывают на посещение локации. Примеры: данные GPS, запросы на навигацию, чекины (check-ins), геотегированные медиафайлы, данные календаря, email с бронированиями.

Quality Visit Measure (QVM, Показатель качества посещений)

Метрика, используемая как индикатор относительного качества или популярности физической локации. Основана на анализе визитов с акцентом на повторные посещения и социальные взаимодействия.

Visitor Count (Счетчик посетителей, $C_i$)

Количество уникальных пользователей, посетивших локацию определенное количество раз (i). Например, $C_5$ – количество людей, посетивших место 5 раз.

Weights (Веса, $W_i$ или $w_i$)

Коэффициенты, применяемые к $C_i$. Веса увеличиваются с ростом i (повторные визиты весят больше).

Offset (Смещение, $C_0$)

Коэффициент, используемый в формуле QVM для понижения (deemphasize) показателя локаций с недостаточным общим количеством данных о посещениях (обеспечение статистической значимости).

"Brought a friend" visit measure (Показатель "Привел друга")

Компонент QVM, учитывающий случаи, когда пользователь вернулся в локацию вместе с другом (определяется через социальные связи и совместный визит – joint visit).

"Recommended" visit measure (Показатель "Рекомендовано")

Компонент QVM, учитывающий случаи, когда пользователь посетил локацию после того, как получил рекомендацию от друга (например, через социальные сети).

Positive social media interactions (Позитивные социальные взаимодействия)

Сигнал, упомянутый в Claim 1, включающий рекомендации или другие положительные упоминания локации в социальных сетях, связанные с визитом.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод работы системы, фокусируясь на визитах, связанных с социальными взаимодействиями.

1. Система определяет группу computing interactions, относящихся к физической локации.
2. Эти взаимодействия должны указывать на комбинацию: (А) позитивного социального взаимодействия, связанного с другом (positive social media interactions associated with a friend), И (Б) реального визита (actual visit).
3. Определяется количество таких взаимодействий для каждого пользователя.
4. При этом используются критерии валидации, включая требование, чтобы продолжительность (duration) визита превышала минимальный порог (minimum duration). Продолжительность определяется по сигналам нахождения в радиусе локации (например, GPS).
5. Рассчитывается Quality Visit Measure (QVM).
6. При расчете QVM применяется взвешивание (weighting) для придания большего значения большему количеству повторных визитов и связанных с ними социальных взаимодействий.
7. Система управляет ответом на запрос (например, ранжированием), используя рассчитанный QVM.

Claim 2, 3, 4, 5 (Зависимые): Детализируют процесс расчета QVM через счетчики, который также применим к общему показателю повторных визитов (Repeat Visit Measure), описанному в патенте.

• (Claim 2, 3): Система определяет Visitor Counts ($C_i$) — сколько пользователей посетило место i раз. К каждому счетчику применяется свой вес ($W_i$).
• (Claim 4): QVM определяется как функция от $C_i$, $W_i$ и $C_0$ (смещение, понижающее QVM при недостатке данных). В тексте патента приводится пример формулы (Equation 1):

  $QVM = \frac{\sum_{i=1}^{N} (W_i \cdot C_i)}{C_0 + \sum_{i=1}^{N} C_i}$

• (Claim 5): Веса $W_1...W_N$ увеличиваются от $W_1$ к $W_N$, чтобы подчеркнуть значимость частых визитов (лояльности).

Claim 8 (Зависимый): Механизм "Recommended" visit.

QVM учитывает, если система обнаружила рекомендацию локации от пользователя А, а затем зафиксировала визит пользователя Б (друга А) в эту локацию после рекомендации.

Claim 9, 10 (Зависимые): Механизм "Brought a friend" visit.

QVM учитывает, если система зафиксировала первый визит пользователя А, а затем зафиксировала последующий визит пользователя Б (друга А). Claim 10 уточняет, что этот второй визит может быть совместным визитом (joint visit) с А.

Где и как применяется

Изобретение затрагивает несколько этапов поисковой архитектуры, преимущественно в контексте локального поиска (Local Search) и Google Maps.

CRAWLING (Data Acquisition) – Сбор данных
На этом этапе происходит сбор исходных данных. Система собирает computing interactions от пользовательских устройств (смартфонов): данные GPS, историю местоположений, чекины, историю навигации. Также собираются данные из социальных сетей (рекомендации, списки друзей).

INDEXING (Feature Extraction) – Индексирование и извлечение признаков
Основная обработка данных происходит здесь. Компонент Aspect Determination System анализирует собранные данные:

1. Валидирует визиты по продолжительности.
2. Анализирует социальные связи и взаимодействия.
3. Рассчитывает Quality Visit Measure (QVM) для каждой физической локации (POI).
4. Сохраняет эти метрики в базе данных POI (POI Database). Этот процесс происходит офлайн или в квази-реальном времени.

RANKING / RERANKING – Ранжирование и Переранжирование
Когда пользователь вводит запрос с локальным интентом (например, "ресторан рядом"), система (Information System) использует предварительно рассчитанный QVM как один из ключевых сигналов для ранжирования локальных результатов. Локации с более высоким QVM получают повышение в выдаче (Claim 12).

METASEARCH – Метапоиск и Смешивание
QVM может использоваться для генерации текстовых сниппетов (Textual Summary Generation Engine) в результатах поиска или на карточке организации (Claim 13). Например, генерация фраз вроде "Популярно у местных жителей" или "Сюда часто возвращаются с друзьями". Также может использоваться для фильтрации в структурированном поиске (Claim 14).

На что влияет

• Конкретные типы контента: В первую очередь влияет на ранжирование карточек организаций (Google Business Profile) в локальной выдаче (Local Pack) и Google Maps.
• Специфические запросы: Запросы с локальным интентом, особенно те, которые подразумевают качество или популярность (например, "лучший бар", "популярный ресторан рядом", "уютное кафе").
• Конкретные ниши или тематики: Наибольшее влияние в локальных нишах, где важна лояльность клиентов и повторные покупки: рестораны, кафе, бары, салоны красоты, фитнес-центры, розничная торговля.

Когда применяется

• Триггеры активации: Активируется при обработке запросов с локальным интентом.
• Условия применения: Для расчета QVM необходимо наличие достаточного объема данных о визитах пользователей, которые разрешили сбор истории местоположений. При недостаточности данных применяется смещение $C_0$, понижающее метрику.
• Фильтрация визитов: Применяется порог минимальной продолжительности (minimum duration) для зачета визита. Порог адаптируется под тип локации. Также могут отфильтровываться визиты сотрудников (например, по слишком большой длительности или регулярности).
• Сегментация: Может применяться фильтрация по характеристикам пользователей (individual characteristic criterion) (Claim 6), например, расчет QVM только для местных жителей, или по времени (temporal criterion) (Claim 7).

Пошаговый алгоритм

Этап 1: Обработка взаимодействий и идентификация визитов (Офлайн)

1. Сбор данных: Получение потока computing interactions (GPS, чекины и т.д.) от пользователей.
2. Группировка: Grouping Engine группирует взаимодействия по физическим локациям (POI).
3. Фильтрация взаимодействий: Фильтрация по времени, характеристикам пользователей или уверенности в данных. Удаление выбросов (например, визиты сотрудников).
4. Идентификация реальных визитов: Анализ продолжительности (duration) нахождения в локации. Если продолжительность ниже порога minimum duration для данного типа бизнеса, взаимодействие не засчитывается как Actual Visit.

Этап 2: Расчет показателей повторных визитов (Repeat Visit Measure)

5. Подсчет визитов на пользователя: Для каждого пользователя подсчитывается количество его реальных визитов в каждую локацию.
6. Генерация Visitor Counts: Для каждой локации агрегируются данные. Подсчитывается $C_i$ (количество пользователей, посетивших место i раз).
7. Взвешивание: К каждому счетчику применяется вес ($W_i$). Веса увеличиваются с ростом i.
8. Расчет: Метрика рассчитывается по формуле, суммируя взвешенные счетчики и нормализуя их с учетом смещения $C_0$.

Этап 3: Расчет социальных показателей (Social Measures)

9. Анализ рекомендаций: Обнаружение рекомендаций локации пользователем А (анализ тональности для определения positive social media interactions). Определение друзей А. Фиксация визитов друзей после рекомендации. Расчет "Recommended" visit measure.
10. Анализ совместных визитов: Фиксация первого визита пользователя А. Обнаружение последующих совместных визитов А и его друзей. Расчет "Brought a friend" visit measure.
11. Объединение метрик: Комбинирование Repeat Visit Measure с социальными метриками (например, взвешенная сумма) для получения финального QVM.

Этап 4: Применение QVM (Ранжирование)

12. Ранжирование: Использование QVM как сигнала для ранжирования результатов локального поиска.
13. Фильтрация: Использование QVM для ответа на структурированные запросы (например, "показать только места с постоянными клиентами").
14. Генерация сниппетов: Создание текстовых описаний (textual summaries) на основе QVM.

Какие данные и как использует

Данные на входе

Система полагается на данные, генерируемые пользователями и их устройствами (при условии согласия на сбор данных).

• Географические факторы: Данные о местоположении устройства (GPS, Wi-Fi триангуляция). Критичны для определения факта, продолжительности и радиуса визита.
• Поведенческие и Пользовательские факторы:
  • Computing Interactions: Чекины, запросы маршрутов (navigation requests), геотегированные фото/видео (geotag data), записи в календаре, электронные чеки/бронирования (извлеченные из email).
  • Социальные данные: Списки друзей в социальных сетях, публичные посты, рекомендации и упоминания локации (используется анализ тональности для определения позитивных взаимодействий).
  • Характеристики пользователя (например, определение «местный житель» или «турист»).
• Временные факторы: Метки времени взаимодействий используются для определения продолжительности визита (duration), последовательности событий (рекомендация -> визит) и частоты посещений.

Какие метрики используются и как они считаются

• Actual Visit: Определяется путем фильтрации computing interactions по продолжительности (duration > minimum duration) и уровню уверенности.
• Visitor Counts ($C_i$): Агрегированные счетчики пользователей по количеству визитов.
• Weights ($W_i$): Эмпирически подобранные коэффициенты. Веса возрастают с увеличением i (например, $W_1$ близок к 0, $W_N$ близок к 1).
• Offset ($C_0$): Смещение (пенализация) для локаций с малым объемом данных.
• Quality Visit Measure (QVM): Итоговая метрика, рассчитываемая по формуле, указанной в анализе Claim 4, и включающая показатели повторных визитов и социальных взаимодействий.

1. Офлайн-поведение как ключевой фактор локального ранжирования: Патент подтверждает, что Google активно использует данные о реальном физическом поведении пользователей для оценки качества локального бизнеса. Это объективный сигнал, который значительно сложнее подделать, чем онлайн-отзывы или ссылки.
2. Удержание клиентов (Retention) становится SEO-сигналом: Система явно приоритизирует повторные визиты. Разовые посещения имеют минимальный вес. Качество реального продукта или услуги, которое заставляет клиентов возвращаться, напрямую влияет на Quality Visit Measure и видимость в поиске.
3. Валидация визитов по продолжительности: Система защищена от случайных срабатываний путем введения минимального порога продолжительности (minimum duration). Этот порог адаптируется под тип бизнеса, повышая точность данных.
4. Квантификация "сарафанного радио": Механизмы "Brought a friend" и "Recommended" являются попыткой алгоритмически измерить положительный эффект рекомендаций, используя данные о социальных связях и последующих визитах. Claim 1 подчеркивает важность positive social media interactions.
5. Требование к статистической значимости: Использование смещения $C_0$ в формуле гарантирует, что локации, по которым нет достаточной статистики визитов, не получат высокого QVM.
6. Контекстуализация качества: Система может фильтровать данные для расчета QVM по типам пользователей (например, местные жители vs туристы) или времени, что позволяет точнее оценивать качество в разных контекстах (например, "лучший бар для местных").

Best practices (это мы делаем)

• Фокус на качестве реального сервиса и удержании клиентов (Retention Marketing): Это становится ключевой стратегией Local SEO. Поскольку повторные визиты имеют наибольший вес в QVM, необходимо обеспечивать такой уровень сервиса и качества продукта, который мотивирует клиентов возвращаться.
• Внедрение программ лояльности: Офлайн и онлайн программы лояльности (скидочные карты, бонусы за визиты) напрямую стимулируют поведение, которое повышает Quality Visit Measure.
• Стимулирование социальных взаимодействий и рекомендаций: Поощряйте клиентов делиться позитивным опытом в социальных сетях (стимулируя positive social media interactions) и приводить друзей (акции "приведи друга"). Механизмы "Recommended" и "Brought a friend" показывают, что эти действия могут конвертироваться в улучшение ранжирования.
• Обеспечение точности геолокации (GBP): Убедитесь, что точка на карте в Google Business Profile установлена максимально точно и часы работы актуальны. Это критично для корректного определения факта, продолжительности визита и фильтрации визитов сотрудников.
• Поощрение использования функций Google Maps: Мотивируйте клиентов строить маршруты к вам через Google Maps, загружать фотографии с геотегами. Это увеличивает объем computing interactions для анализа.

Worst practices (это делать не надо)

• Имитация визитов или фейковые чекины: Попытки манипулировать данными о местоположении рискованны и, вероятно, неэффективны. Система использует фильтрацию по продолжительности визита (minimum duration) и анализирует сложные паттерны поведения (включая социальные связи) для валидации данных.
• Фокус только на онлайн-отзывах: Полагаться исключительно на количество и рейтинг отзывов недостаточно. Патент показывает, что Google может предпочесть бизнес с меньшим количеством отзывов, но с более высоким QVM (больше реальных постоянных клиентов).
• Игнорирование качества обслуживания ради потока: Стратегии, направленные на максимизацию разового трафика (например, "туристические ловушки") при низком качестве сервиса, приведут к низкому QVM из-за малого количества повторных визитов.

Стратегическое значение

Патент подчеркивает стратегический приоритет Google в локальном поиске: валидация качества бизнеса через объективные данные о реальном мире (Real-World Signals). Это снижает зависимость ранжирования от субъективных сигналов. Для SEO-специалистов это означает необходимость более тесной интеграции с бизнес-процессами клиента, так как качество продукта и лояльность аудитории становятся измеримыми и критически важными факторами ранжирования.

Практические примеры

Сценарий: Ранжирование ресторанов по запросу "лучшая пицца в районе"

1. Ресторан А (Туристический): Имеет 2000 отзывов (4.5 звезды). Анализ данных Google показывает, что 95% посетителей были там только 1 раз. QVM низкий.
2. Ресторан Б (Местный фаворит): Имеет 300 отзывов (4.3 звезды). Анализ данных показывает, что 40% посетителей были там 5 и более раз, зафиксировано много сигналов "Brought a friend". QVM высокий.
3. Обработка запроса: Google использует QVM как сильный сигнал качества и лояльности.
4. Результат: Несмотря на меньшее количество отзывов и чуть более низкий рейтинг, Ресторан Б ранжируется выше Ресторана А в локальной выдаче. Для Ресторана Б может быть сгенерирован сниппет (textual summary): "Популярен у местных жителей" или "Сюда часто возвращаются".