Как Google анализирует пути пользователей, чтобы определить истинные причины отказов и оптимизировать конверсии

Термины и определения

Abandonment Event (Событие прерывания/отказа)

Взаимодействие пользователя с ресурсом, после которого не зафиксировано дальнейших взаимодействий или конверсии (Conversion Event). Пользователь покидает путь.

Abandonment Metric (Метрика отказов)

Количественный показатель (число или процент) путей, завершившихся отказом при определенных условиях.

Characteristic (Характеристика)

Атрибут взаимодействия пользователя или источника трафика. Примеры: тип канала (paid/organic), ключевое слово, рекламная кампания, тип устройства.

Condition (Условие)

Конкретное значение характеристики. Например, если характеристика — «Ключевое слово», то условиями могут быть «Слово А» и «Слово Б».

Device Switching Metric (Метрика переключения устройств)

Показатель, отражающий частоту, с которой пользователи переключаются с одного устройства на другое после взаимодействия с конкретным ресурсом.

False Positive Abandonment Event (Ложноположительное событие отказа)

Событие, которое выглядит как отказ на одном устройстве, но на самом деле является частью пути, продолженного пользователем на другом устройстве.

Intervention (Вмешательство)

Действия, предпринимаемые системой для предотвращения отказа в реальном времени, если пользователь следует паттерну, который часто ведет к прерыванию сессии (например, предложение помощи).

Non-Converting Path (Неконверсионный путь)

Последовательность взаимодействий пользователя, завершающаяся Abandonment Event.

Second-to-last interaction (Предпоследнее взаимодействие)

Взаимодействие, непосредственно предшествующее отказу (например, клик, который привел пользователя на страницу, где произошел отказ).

Series of similar user interactions (Серия схожих взаимодействий пользователя)

Повторяющийся паттерн или последовательность действий, наблюдаемая в нескольких пользовательских путях.

User Path Data (Данные о пути пользователя)

Набор данных, описывающий последовательность взаимодействий пользователя с одним или несколькими ресурсами.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод анализа причин отказов.

1. Система получает данные о путях пользователей (User Path Data).
2. Идентифицируются пути, заканчивающиеся событием отказа (Abandonment Event) на определенном ресурсе (Resource 1).
3. Вычисляется Первая Метрика Отказов (First Abandonment Metric) для путей, имеющих Первое Условие (Condition 1) определенной Характеристики (Characteristic).
4. Вычисляется Вторая Метрика Отказов (Second Abandonment Metric) для путей, имеющих Второе Условие (Condition 2) той же Характеристики.
5. На основе сравнения Первой и Второй метрик определяется, связаны ли отказы на Resource 1 с данной Характеристикой.

Claim 2 и 3 (Зависимые): Уточняют, какие характеристики анализируются.

Анализируемая характеристика часто относится к предпоследнему взаимодействию (second-to-last interaction) — действию, которое привело пользователя на страницу отказа. Примеры включают: оплаченные ключевые слова (paid keywords), рекламные кампании или был ли переход органическим или платным (paid bid).

Claim 6 (Зависимый): Описывает метод анализа последовательностей действий.

1. Анализируются взаимодействия, предшествующие отказу в каждом пути.
2. Идентифицируется серия схожих взаимодействий (Series of similar user interactions), повторяющаяся в нескольких путях.
3. Первая метрика основывается на количестве путей, включающих эту серию.
4. Вторая метрика основывается на количестве путей, не включающих эту серию.

Claim 7 (Зависимый): Описывает механизм вмешательства (Intervention).

Если анализ показывает, что отказы связаны с определенной серией взаимодействий, система может отслеживать текущих пользователей. Если пользователь выполняет действия из этой серии, система предпринимает действия для снижения вероятности отказа.

Claim 8 и 9 (Зависимые): Описывают обработку кросс-девайсного поведения.

Система определяет ложноположительные отказы (False Positive Abandonment Events), когда пользователь переключается между устройствами. Такие пути удаляются из анализа отказов. На основе частоты таких событий вычисляется Метрика Переключения Устройств (Device Switching Metric).

Где и как применяется

Этот патент описывает работу системы веб-аналитики (например, Google Analytics) и оптимизации конверсий (CRO), а не системы ранжирования поиска Google. Он не относится напрямую к этапам CRAWLING, INDEXING или RANKING.

Система применяется для Пост-клик анализа (Post-Click Analysis) на стороне владельца сайта (Content Provider).

Компоненты системы и взаимодействие:

• Analysis System: Центральный компонент, обрабатывающий данные.
• Analysis Database: Хранилище, содержащее Path Data и рассчитанные Abandonment Metrics.
• Intervention Module: Модуль, который может инициировать действия в реальном времени для предотвращения отказов.

Входные данные:

• User Path Data: логи взаимодействий пользователей с ресурсами и контентом (включая органический и платный трафик).
• Идентификаторы пользователей/устройств (cookies, device ID) для отслеживания путей и кросс-девайсного поведения.
• Данные о конверсиях (Conversion Events).

Выходные данные:

• Abandonment Metrics, сегментированные по характеристикам.
• Выводы о вероятных причинах отказов (источник трафика vs. посадочная страница).
• Device Switching Metric.
• Рекомендации (Recommendation) по оптимизации.
• Сигналы для Intervention.

На что влияет

• Конкретные типы контента и ресурсы: Влияет на анализ эффективности любых ресурсов, где отслеживаются конверсии и отказы (веб-страницы, приложения). Особенно полезно для анализа страниц входа (landing pages) и критических этапов воронки (оформление заказа, отмена подписки).
• Специфические запросы и каналы: Позволяет оценить качество трафика из разных каналов (органический поиск, платный поиск, email) и по разным ключевым словам.

Когда применяется

• Условия работы: Наличие достаточного объема данных о путях пользователей (User Path Data) для статистически значимого анализа.
• Триггеры активации: Анализ запускается для ресурсов с заметным уровнем отказов. Механизм Intervention активируется в реальном времени при обнаружении проблемных паттернов поведения.
• Пороговые значения: Система использует пороги (Comparison Threshold) для определения значимости разницы между Abandonment Metrics.

Пошаговый алгоритм

Процесс А: Сравнительный анализ характеристик

1. Получение данных: Система получает User Path Data.
2. Идентификация неконверсионных путей: Отбираются пути, которые закончились Abandonment Event на исследуемом ресурсе (Resource 1).
3. Определение первой метрики: Вычисляется First Abandonment Metric для путей с Условием 1 (например, трафик из органического поиска) заданной Характеристики.
4. Определение второй метрики: Вычисляется Second Abandonment Metric для путей с Условием 2 (например, трафик из платного поиска) той же Характеристики.
5. Сравнение и вывод: Метрики сравниваются.
   • Если разница существенна (превышает Comparison Threshold), делается вывод, что Характеристика связана с отказами.
   • Если разница незначительна, делается вывод, что проблема, вероятно, в Resource 1.
6. Предоставление рекомендаций (Опционально): Формируется рекомендация по изменению Характеристики или Resource 1.

Процесс Б: Анализ последовательностей и вмешательство

1. Анализ взаимодействий: В неконверсионных путях анализируются взаимодействия, предшествующие отказу.
2. Идентификация паттернов: Выявляется повторяющаяся Series of similar user interactions (например, многократное посещение страниц техподдержки).
3. Оценка влияния паттерна: Сравниваются метрики отказов для путей, содержащих и не содержащих этот паттерн.
4. Определение связи: Если паттерн связан с высоким уровнем отказов, он помечается как проблемный.
5. Мониторинг и вмешательство: Если текущий пользователь начинает выполнять действия из проблемного паттерна, активируется механизм Intervention (например, предложение помощи).

Процесс В: Обработка кросс-девайсного поведения

1. Определение ложных отказов: Идентифицируются False Positive Abandonment Events, когда пользователь продолжил путь на другом устройстве.
2. Корректировка данных: Пути с ложными отказами удаляются из анализа Abandonment Metrics (в Процессах А и Б).
3. Расчет метрики переключения (Опционально): Вычисляется Device Switching Metric на основе количества ложных отказов для ресурса.
4. Информирование (Опционально): Предоставляется индикация частоты переключения устройств.

Какие данные и как использует

Данные на входе

Система использует преимущественно поведенческие данные и данные об источниках трафика.

• Поведенческие факторы: User Path Data, включающие последовательность взаимодействий (клики, просмотры страниц), Abandonment Events, Conversion Events.
• Характеристики трафика (Traffic Characteristics): Данные о предпоследнем взаимодействии (Second-to-last interaction):
  • Тип канала (Channel type): organic search, paid search, display, email, affiliate.
  • Ключевые слова (Keywords).
  • Рекламные кампании и креативы.
• Пользовательские и Технические факторы: Идентификаторы (cookies, device ID) для отслеживания и связывания сессий между устройствами. Тип устройства (Device type), географическое положение (Geographic location).

Какие метрики используются и как они считаются

• Abandonment Metric (Метрика отказов): Рассчитывается как количество или процент неконверсионных путей, удовлетворяющих определенному условию характеристики.

  Пример расчета: (Количество отказов по Ключевому слову А) / (Общее количество сессий по Ключевому слову А).

• Comparison Threshold (Порог сравнения): Пороговое значение (абсолютная или процентная разница), которое должна превысить разница между двумя Abandonment Metrics, чтобы система сделала вывод о влиянии характеристики.
• Device Switching Metric (Метрика переключения устройств): Рассчитывается на основе количества False Positive Abandonment Events для конкретного ресурса.

1. Диагностика «Источник vs. Страница»: Основная ценность изобретения — предоставление механизма для четкого разделения проблем качества трафика (интент) и проблем качества посадочной страницы (UX/Контент). Это позволяет точно определить объект оптимизации.
2. Отказ от Bounce Rate в пользу Abandonment Analysis: Патент подчеркивает недостатки Bounce Rate и предлагает более сложный анализ прерываний, основанный на полных путях пользователя и сегментации.
3. Выявление паттернов трения: Анализ Series of similar user interactions позволяет выявлять неочевидные проблемы в UX или навигации, которые систематически приводят к уходу пользователей на ранних этапах воронки.
4. Кросс-девайсность как фактор UX: Введение Device Switching Metric позволяет очистить данные от ложных отказов и количественно оценить адаптацию ресурса под разные устройства. Высокий показатель переключения с мобильного на десктоп — сигнал проблем с мобильной версией.
5. Возможность проактивного вмешательства: Система предусматривает возможность вмешательства (Intervention) в реальном времени для предотвращения отказа, если пользователь следует известному проблемному паттерну.

Best practices (это мы делаем)

• Сегментированный анализ отказов (Abandonment Analysis): Регулярно проводите анализ показателей отказов, сегментируя данные по ключевым SEO-характеристикам: органические кластеры интентов, типы устройств (Mobile vs. Desktop), каналы. Сравнивайте метрики между сегментами для одной и той же посадочной страницы.
• Диагностика интента ключевых слов: Если страница показывает высокий уровень отказов по трафику из Кластера А, но низкий по трафику из Кластера Б, необходимо пересмотреть релевантность страницы Кластеру А или скорректировать стратегию таргетинга (несоответствие интента).
• Анализ путей пользователей (User Flow Analysis): Используйте инструменты аналитики (например, Path Exploration в GA4) для выявления повторяющихся последовательностей взаимодействий (Series of similar user interactions), которые предшествуют уходу с сайта. Это помогает найти узкие места в навигации.
• Мониторинг кросс-девайсного поведения: Отслеживайте метрики, аналогичные Device Switching Metric. Если пользователи часто начинают сессию на мобильном, но завершают конверсию на десктопе, это указывает на необходимость срочной оптимизации мобильного UX/UI.
• Использование данных для CRO-гипотез: Если анализ показывает, что уровень отказов стабильно высок для всех источников органического трафика (т.е. проблема в странице), используйте это как обоснование для проведения CRO-экспериментов на посадочной странице.

Worst practices (это делать не надо)

• Опора на агрегированный Bounce Rate: Принятие стратегических решений на основе общего показателя отказов сайта или страницы без сегментации является ошибкой, так как это не дает понимания истинных причин поведения.
• Игнорирование контекста пути: Оценка эффективности взаимодействия только по последнему клику без учета предшествующих шагов пользователя (User Path Data).
• Слепое отключение источников трафика: Отказ от ключевых слов или каналов с высоким показателем отказов без предварительного анализа. Возможно, проблема не в источнике, а в посадочной странице.
• Игнорирование кросс-девайсного разрыва: Рассмотрение сессий на разных устройствах как независимых событий отказа, что искажает реальную картину конверсий и поведения пользователей.

Стратегическое значение

Этот патент подтверждает важность глубокой интеграции SEO и CRO, основанной на анализе данных о поведении пользователей. Стратегическое значение заключается в переходе от оптимизации под метрики (трафик, позиции) к оптимизации под бизнес-результаты (конверсии, удовлетворенность). Система предоставляет методологию для data-driven подхода к улучшению как стратегии привлечения трафика, так и пользовательского опыта в мультиканальной и мультидевайсной среде.

Практические примеры

Сценарий 1: Диагностика качества органического трафика для E-commerce

1. Ситуация: Страница категории товаров имеет общий показатель отказов 60%.
2. Применение анализа: SEO-специалист сравнивает Abandonment Metrics по разным кластерам органических запросов (Характеристика).
3. Результаты:
   • Кластер А (Информационные запросы, например, «как выбрать X»): Отказы 75%.
   • Кластер Б (Транзакционные запросы, например, «купить X цена»): Отказы 45%.
4. Вывод: Разница существенна. Проблема связана с Характеристикой. Страница категории плохо отвечает на интент информационных запросов (Кластер А).
5. Действие: Создать отдельный контент (гайды) для Кластера А или добавить на страницу категории блок с полезной информацией по выбору товара.

Сценарий 2: Диагностика проблемы страницы (UX/Контент)

1. Ситуация: Страница услуги имеет общий показатель отказов 80%.
2. Применение анализа: Специалист сегментирует трафик по источникам.
   • Organic Search: Отказы 79%.
   • Paid Search: Отказы 81%.
   • Email рассылка: Отказы 80%.
3. Вывод: Показатели отказов стабильно высоки и схожи для всех источников. Проблема в самой странице (неясное предложение, плохой дизайн, технические ошибки).
4. Действие: Провести UX-аудит страницы, переработать контент и дизайн.

Сценарий 3: Оценка мобильной версии сайта (Device Switching)

1. Ситуация: Анализ кросс-девайсного поведения для страницы оформления заказа.
2. Применение анализа: Система рассчитывает Device Switching Metric.
3. Результат: Метрика показывает, что 30% пользователей, посетивших страницу оформления заказа с мобильного, прерывают сессию, но затем продолжают ее и совершают покупку на десктопе (False Positive Abandonment).
4. Вывод: Мобильная версия страницы оформления заказа неудобна для пользователей.
5. Действие: Провести UX-аудит мобильной версии, упростить формы ввода и улучшить скорость загрузки.