Как Google использует распределение кликов в выдаче для определения брендовых (навигационных) и общих (тематических) запросов

Термины и определения

Analytics Engine (Аналитический движок)

Система, отвечающая за обработку данных о взаимодействиях и классификацию запросов.

Content Targeting Query (Запрос, нацеленный на контент)

Общий запрос (информационный или транзакционный). Пользователь ищет данные вне зависимости от конкретного источника. Характеризуется распределением кликов по разным сайтам.

Data-Creator (Создатель данных)

Сущность, ответственная за генерацию контента (например, владелец сайта, издатель или бренд). Также упоминается как Publisher.

Data-Creator Targeting Query (Запрос, нацеленный на создателя данных)

Брендовый или навигационный запрос. Пользователь ищет контент, связанный с конкретным Data-Creator. Характеризуется высокой концентрацией кликов на одном результате.

Interaction Data (Данные о взаимодействии)

Данные, описывающие взаимодействие пользователей с результатами поиска. В патенте это преимущественно данные о кликах (Link Selections) на ссылки в SERP.

Link Selection Count (LINK_CNT) (Количество выбранных ссылок)

Метрика разнообразия кликов. Указывает количество *уникальных* ссылок в результатах поиска, которые были кликнуты пользователями для данного запроса.

Link Selection Frequency (LINK_FQ) (Частота выбора ссылок)

Метрика концентрации кликов. Описывает распределение кликов, часто выражается как процент от общего числа кликов, приходящийся на доминирующую ссылку.

Minimum interaction frequency threshold (Минимальный порог частоты взаимодействия)

Порог, используемый для фильтрации шума (Claim 4). Минимальное количество кликов, необходимое для того, чтобы ссылка учитывалась в расчете LINK_CNT.

Minimum link selection count threshold (LINK_CNT_TH) (Порог количества выбранных ссылок)

Пороговое значение для LINK_CNT. Если количество уникальных кликнутых ссылок ниже этого порога, это свидетельствует в пользу брендового запроса.

Threshold for link selection frequency (LINK_FQ_TH) (Порог частоты выбора ссылки)

Пороговое значение для LINK_FQ. Если частота кликов на доминирующий результат выше этого порога, это свидетельствует в пользу брендового запроса.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод классификации запросов.

1. Система идентифицирует поисковый запрос для анализа.
2. Извлекаются данные о взаимодействии (Interaction Data), отражающие клики пользователей по ссылкам в ранее сгенерированных результатах поиска (SERP).
3. Определяется количество выборов (Link Selection Count) для ссылок на основе Interaction Data.
4. Запрос классифицируется как Content Targeting Query ИЛИ Data-Creator Targeting Query на основе этих показателей кликов.
5. Генерируется анализ характеристик запроса (Query Characteristic Analysis).

Claim 3 (Зависимый от 1): Уточняет метрики для классификации.

Система также идентифицирует частоту выбора ссылок (Link Selection Frequency). Классификация запроса основывается как на Link Selection Count (разнообразие), так и на Link Selection Frequency (концентрация).

Claim 5 (Зависимый от 1): Вводит порог для количества кликов.

Система определяет минимальный порог количества выбранных ссылок (Minimum link selection count threshold или LINK_CNT_TH). Классификация основывается на сравнении Link Selection Count с этим порогом.

Примечание: В описании патента ([0060]) приводится конкретный алгоритм (Algorithm 1), который объединяет логику Claims 3 и 5.

Алгоритм 1 (Из описания): Определяет точную логику классификации.

Запрос является Data-Creator Targeting (Брендовым), ЕСЛИ выполняются ОБА условия (AND):

1. Разнообразие кликов низкое: (LINK_CNT < LINK_CNT_TH).
2. Концентрация кликов высокая: (LINK_FQ > LINK_FQ_TH).

В противном случае запрос является Content Targeting (Общим).

Claim 8 (Зависимый от 1): Утверждает применение классификации в поиске.

Система адаптирует результат запроса (adapting the query result) на основе проведенной классификации. Это критически важный пункт, указывающий на прямое влияние классификации на SERP.

Где и как применяется

Изобретение применяется на этапе понимания запросов, используя поведенческие данные для уточнения интента.

QUNDERSTANDING – Понимание Запросов
Это основная фаза применения. Analytics Engine анализирует запрос на основе того, как пользователи реагируют на результаты этого запроса (исторические Interaction Data). Классификация запроса как Data-Creator Targeting или Content Targeting происходит здесь. Этот процесс, вероятно, выполняется офлайн или периодически.

RANKING / RERANKING (Петля обратной связи)
Как указано в Claim 8, система адаптирует результаты поиска на основе классификации. Если запрос определен как Data-Creator Targeting, система может изменить выдачу, чтобы лучше соответствовать навигационному интенту (например, повысить официальный сайт). Если запрос Content Targeting, система может способствовать большему разнообразию (diversity) в топе.

Входные данные:

• Поисковый запрос (из Query Repository).
• Interaction Data: агрегированные данные о кликах пользователей на ссылки в SERP.
• Предварительно рассчитанные пороги (LINK_CNT_TH, LINK_FQ_TH).

Выходные данные:

• Классификация запроса (Data-Creator Targeting или Content Targeting).
• Query Characteristic Analysis: отчет, включающий классификацию и статистику кликов.

На что влияет

• Специфические запросы: Наибольшее влияние оказывается на разграничение навигационных/брендовых запросов от информационных и коммерческих. Особенно важно для неоднозначных запросов, где термин может означать и бренд, и общую категорию (например, "Apple").
• Конкретные ниши или тематики: Влияет на все ниши, где присутствуют сильные бренды или где пользователи часто ищут конкретные источники информации.

Когда применяется

• Условия применения: Алгоритм применяется для анализа запросов, по которым накоплено достаточное количество Interaction Data для статистически значимого анализа распределения кликов.
• Частота применения: Расчет порогов и классификация выполняются периодически (офлайн). Применение результатов классификации происходит в реальном времени при обработке запроса пользователя.

Пошаговый алгоритм

Процесс разделен на два этапа: А) Расчет пороговых значений (Калибровка) и Б) Классификация запроса.

Этап А: Расчет пороговых значений (Threshold Determination) (Офлайн/Периодически)

1. Калибровка LINK_CNT_TH (Порог Разнообразия):
   1. Идентифицируется выборка запросов, которые являются очевидно общими (Content Targeting), но могут быть похожи на доменные имена (например, "shoes", "rental cars").
   2. Для этой выборки анализируется количество уникальных ссылок, которые кликают пользователи.
   3. LINK_CNT_TH устанавливается как среднее или минимальное значение из этой выборки. (Пример расчета в патенте: $(6+7+8)/3 = 7$).
2. Калибровка LINK_FQ_TH (Порог Концентрации):
   1. Идентифицируется выборка очевидно брендовых запросов (Data-Creator Targeting).
   2. Определяется частота кликов на доминирующий результат, которую превышает большинство запросов в этой выборке (например, 85%).

Этап Б: Классификация запроса (Data Query Classification)

1. Идентификация запроса: Выбирается запрос для анализа.
2. Получение Interaction Data: Извлекаются агрегированные данные о кликах.
3. Предварительная обработка:
   1. Разрешение ссылок (Resolving): Система может объединять разные ссылки, принадлежащие одному Data-Creator (домену), в одну сущность.
   2. Фильтрация шума (Опционально): Исключение кликов, не достигающих Minimum interaction frequency threshold (Claim 4).
4. Расчет Метрик:
   1. Расчет LINK_CNT: Количество уникальных Data-Creators, получивших клики.
   2. Расчет LINK_FQ: Процент кликов на наиболее популярного Data-Creator.
5. Применение Классификатора (Algorithm 1):

   Проверка условия: $(\text{LINK\_CNT} < \text{LINK\_CNT\_TH}) \text{ AND } (\text{LINK\_FQ} > \text{LINK\_FQ\_TH})$

6. Определение типа: Если условие ИСТИНА – Data-Creator Targeting. Иначе – Content Targeting.
7. Действие: Генерация анализа и (опционально) адаптация результатов поиска (SERP).

Какие данные и как использует

Данные на входе

Патент полностью сосредоточен на использовании поведенческих факторов для классификации запросов.

• Поведенческие факторы: Interaction Data является основным типом входных данных. Это данные о кликах (Link Selections) пользователей на ссылки в результатах поиска, агрегированные от множества пользователей. Источником может быть поисковая система, система аналитики или данные от паблишера.
• Технические факторы: URL-структура. Используется для идентификации Data-Creator (домена) и консолидации ссылок (resolving) на уровне домена.

Какие метрики используются и как они считаются

Система вычисляет следующие конкретные метрики:

• Link Selection Count (LINK_CNT): Подсчет количества уникальных Data-Creators, получивших клики в SERP для данного запроса (после фильтрации шума).
• Link Selection Frequency (LINK_FQ): Распределение кликов (% от Total Clicks). Для классификации используется частота доминирующего результата.

Методы вычислений и пороги:

• Формула классификации (Algorithm 1): Логическое выражение:

  $\text{IS\_DATA-CREATOR\_TARGETING} = (\text{LINK\_CNT} < \text{LINK\_CNT\_TH}) \text{ } \&\& \text{ } (\text{LINK\_FQ} > \text{LINK\_FQ\_TH})$

• Расчет порогов (TH): Используются статистические методы (усреднение, анализ распределения) на основе предварительно размеченных выборок (sample of data-creator domains) известных брендовых и общих запросов.

1. Поведенческие данные определяют интент: Патент демонстрирует конкретный механизм, как Google использует агрегированные данные о кликах (Interaction Data) для определения намерения пользователя на этапе Query Understanding. Это классификация самого запроса, а не оценка качества сайтов.
2. Четкая сигнатура брендового запроса: Брендовый запрос (Data-Creator Targeting) имеет четкий паттерн: низкое разнообразие кликов (Low LINK_CNT) И высокая концентрация кликов на одном результате (High LINK_FQ). Обязательно выполнение обоих условий.
3. Разнообразие как признак общего запроса: Если пользователи кликают на множество разных сайтов (High LINK_CNT) или нет явного лидера по кликам (Low LINK_FQ), запрос классифицируется как общий (Content Targeting).
4. Динамические пороги: Классификация зависит от пороговых значений (TH), которые рассчитываются динамически на основе анализа поведения в эталонных выборках запросов, что делает систему адаптивной.
5. Влияние на SERP: Классификация используется для адаптации результатов поиска (Claim 8). Определение запроса как брендового может привести к переранжированию или изменению структуры выдачи в пользу этого бренда.
6. Консолидация на уровне домена: Система способна объединять клики по разным URL одного сайта (Data-Creator) для корректной оценки интента на уровне домена/бренда.

Best practices (это мы делаем)

• Обеспечение доминирования по брендовым запросам: Для запросов, которые должны быть Data-Creator Targeting, необходимо максимизировать LINK_FQ на официальный сайт. Это достигается через оптимизацию сниппетов (Title, Description), управление репутацией (SERM) для минимизации кликов на другие ресурсы и обеспечение максимальной релевантности официального сайта.
• Анализ поведения в нише (Click Diversity): Изучайте разнообразие выдачи по общим запросам. Если по общему запросу наблюдается высокая концентрация кликов на одном бренде (низкий LINK_CNT), это может указывать на то, что Google начинает воспринимать этот запрос как брендовый или смешанный интент.
• Оптимизация под Content Targeting Queries: Для общих запросов Google ожидает разнообразия (High LINK_CNT). Стратегия должна быть направлена на создание высококачественного контента, который привлекает клики в условиях высокой конкуренции, но не стоит ожидать монополизации трафика.
• Работа с неоднозначными запросами: Если название бренда совпадает с общим термином, необходимо отслеживать классификацию запроса. Если он классифицирован как Content Targeting, но вы хотите сместить его к Data-Creator Targeting, необходимо работать над усилением ассоциации термина с вашим брендом для изменения поведения пользователей.

Worst practices (это делать не надо)

• Игнорирование интента при анализе CTR: Оценка эффективности продвижения только по CTR без учета типа запроса некорректна. Низкий CTR по общему запросу может быть нормой (если LINK_CNT высок), тогда как низкий CTR по брендовому запросу – это проблема.
• Накрутка кликов для изменения типа запроса: Попытки манипулировать Interaction Data для искусственного изменения классификации запроса рискованны. Системы фильтрации шума (упомянутые в Claim 4 как Minimum interaction frequency threshold) и другие алгоритмы анализа качества кликов могут выявить такие манипуляции.
• Допущение утечки брендового трафика: Если позволить другим сайтам (агрегаторам, сайтам отзывов) перехватывать значительную часть кликов по вашим брендовым запросам, это увеличивает LINK_CNT и может привести к переклассификации запроса как Content Targeting.

Стратегическое значение

Этот патент подтверждает стратегическую важность поведенческих факторов в процессе Понимания Запросов. Google не просто анализирует текст запроса, он валидирует свое понимание через наблюдение за поведением пользователей в выдаче. Долгосрочная SEO-стратегия требует построения сильного бренда, который естественным образом консолидирует клики по брендовым запросам, и создания экспертного контента, который конкурентоспособен в условиях разнообразия по общим запросам.

Практические примеры

Сценарий 1: Анализ брендового запроса

1. Запрос: "Zappos".
2. Наблюдение: Пользователи в 95% случаев кликают на zappos.com.
3. Расчеты системы: LINK_CNT = 1 (очень низкий). LINK_FQ = 95% (очень высокий).
4. Классификация: Data-Creator Targeting Query.
5. Действие SEO: Убедиться, что сниппет максимально привлекателен (Sitelinks), SERP чист от негатива. Цель – поддерживать LINK_FQ.

Сценарий 2: Анализ общего запроса

1. Запрос: "Лучшие кроссовки для бега".
2. Наблюдение: Пользователи кликают на обзоры, рейтинги и несколько разных интернет-магазинов.
3. Расчеты системы: LINK_CNT = 8 (высокий). LINK_FQ (на лидера) = 20% (низкий).
4. Классификация: Content Targeting Query.
5. Действие SEO: Создать лучший обзор или страницу категории. Цель – повысить свой LINK_FQ в конкурентной среде, понимая, что доминирование невозможно.

Сценарий 3: Неоднозначный запрос (Бренд vs Общий термин)

1. Запрос: "Shoes" (Обувь).
2. Наблюдение: Пользователи кликают на Zappos, Amazon, Nike, а также на Shoes.com.
3. Расчеты системы: LINK_CNT = 8 (высокий). LINK_FQ (на лидера) = 20%.
4. Классификация: Content Targeting Query. Поведение пользователей указывает на общий интерес, а не на конкретный магазин Shoes.com.