Как Google использует данные о запросах маршрутов и готовность пользователей путешествовать для ранжирования в локальном поиске

Термины и определения

Bins (Бины / Сегменты)

Категории, используемые для сегментации данных о популярности. Данные группируются на основе времени суток, дня недели и расстояния поездки. Это позволяет оценить популярность в конкретном контексте.

Directions Queries (Запросы маршрутов)

Запросы пользователей на получение инструкций по проезду/проходу от начальной точки (Origin) до конечной точки (Destination). Основной источник данных для определения популярности.

Directions Logs (Логи запросов маршрутов)

Исторические записи о Directions Queries, используемые для анализа.

Historical Travel Distance (Историческое расстояние поездки)

Расстояние, которое пользователи преодолевали (или собирались преодолеть) до определенного места в прошлом, согласно Directions Logs. Используется как показатель ценности и востребованности места (Willingness to Travel).

Local Search Engine (Система локального поиска)

Компонент поисковой системы, отвечающий за обработку запросов, связанных с поиском мест поблизости.

Mobile Location-Based Search Logs (Логи локальных поисков с мобильных устройств)

Записи о локальных поисках, выполненных с мобильных устройств. Выбор пользователем конкретного результата в этом логе также может считаться голосом популярности.

Popularity Database (База данных популярности)

Хранилище, содержащее агрегированные и сегментированные данные о популярности мест, рассчитанные на основе Directions Logs и/или Mobile Location-Based Search Logs.

Score (Оценка ранжирования)

Итоговая числовая оценка места, используемая для сортировки результатов локального поиска.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод ранжирования.

1. Система получает поисковый запрос и текущее местоположение пользователя.
2. Идентифицируются места, удовлетворяющие запросу.
3. Для каждого места определяется: (а) расстояние от пользователя до места и (б) количество исторических запросов маршрутов (count of the number of historical queries for directions) до этого места.
4. Производится ранжирование мест в соответствии с оценками (Scores).
5. Оценка (Score) для конкретного места базируется на трех компонентах:
   • Количестве исторических запросов маршрутов (популярность).
   • Расстояниях между местом и точками отправления в исторических запросах (Historical Travel Distance – как далеко другие пользователи были готовы ехать).
   • Расстоянии от текущего местоположения пользователя до места (близость).

Ядром изобретения является использование комплексного анализа популярности, включающего готовность других пользователей преодолевать расстояние для посещения этого места, а не только факта близости.

Claim 2 (Зависимый): Уточняет, что подсчет исторических запросов маршрутов производится за исторический период времени, соответствующий времени получения текущего поискового запроса. Это вводит концепцию контекстуальной популярности, зависящей от времени.

Claim 8 (Зависимый от 5): Описывает офлайн-процесс подготовки данных о популярности и механизм сегментации (Binning).

1. Запросы маршрутов к конкретному месту группируются в бины (Bins).
2. Группировка основана на: времени суток запроса, дне недели запроса и расстоянии поездки (Historical Travel Distance).
3. Подсчитывается количество запросов для каждого бина.

Claim 3 (Зависимый): Указывает, что оценка ранжирования может дополнительно основываться на других факторах: пользовательских рейтингах места, отзывах пользователей или не зависящем от запроса PageRank веб-страницы, связанной с этим местом. Это описывает интеграцию сигналов популярности с традиционными факторами ранжирования.

Claim 13 (Зависимый): Указывает, что оценка также может основываться на данных из Mobile Location-Based Search Logs (выбор места в результатах поиска с мобильных устройств).

Где и как применяется

Изобретение применяется в рамках Local Search Engine и затрагивает несколько этапов поиска.

CRAWLING – Сканирование и Сбор данных
На этом этапе происходит сбор необработанных данных: Directions Logs и Mobile Location-Based Search Logs.

INDEXING – Индексирование и извлечение признаков
На этом этапе происходит офлайн-обработка данных. Система периодически анализирует собранные логи. Происходит подсчет "голосов" популярности, их сегментация по бинам (время, день, расстояние) и сохранение в Popularity Database. Это формирование индекса популярности и извлечение статических признаков для мест.

RANKING – Ранжирование
Основное применение патента. Во время обработки локального запроса в реальном времени система извлекает кандидатов (места). Для каждого кандидата она запрашивает данные из Popularity Database, соответствующие текущему контексту (время, день). Затем вычисляется Score, учитывающий извлеченные данные о популярности, исторические расстояния поездок и расстояние от пользователя до места.

Входные данные:

• Локальный поисковый запрос.
• Текущее местоположение пользователя.
• Текущее время и день недели.
• Places Database (База данных мест).
• Popularity Database (Предварительно рассчитанные данные о популярности).

Выходные данные:

• Ранжированный список мест (например, результаты в Google Maps или Local Pack).

На что влияет

• Конкретные типы контента: Влияет на ранжирование офлайн-бизнесов, достопримечательностей, парков и любых точек интереса (POI), к которым пользователи строят маршруты.
• Специфические запросы: Наибольшее влияние оказывается на локальные запросы (информационные и транзакционные), где у пользователя есть намерение посетить место (например, "ресторан рядом", "лучший барбершоп").
• Конкретные ниши или тематики: Влияет на все локальные ниши (ритейл, услуги, общепит, развлечения и т.д.), особенно в высококонкурентных сферах.

Когда применяется

• Условия применения: Алгоритм применяется при обработке любого локального поискового запроса, для которого система может определить местоположение пользователя и найти релевантные места, имеющие данные в Popularity Database.
• Ограничения: Новые или малопопулярные места, не имеющие достаточной истории запросов маршрутов, не получат преимуществ от этого алгоритма.
• Влияние точности локации: В патенте упоминается, что точность определения местоположения пользователя может влиять на вес фактора расстояния. При высокой точности (например, GPS) расстояние учитывается с большим весом. При низкой точности (например, по городу) вес расстояния снижается, а популярность может играть большую роль.

Пошаговый алгоритм

Алгоритм состоит из двух основных процессов.

Процесс А: Офлайн-генерация Базы данных популярности (Popularity Database)

1. Сбор данных: Сбор исторических данных из Directions Logs и Mobile Location-Based Search Logs.
2. Идентификация мест: Определение местоположения (например, координат) для каждого места в Places Database.
3. Анализ логов: Поиск в логах запросов, где пунктом назначения являлось одно из идентифицированных мест.
4. Сегментация (Binning): Группировка найденных запросов в бины (Bins) для каждого места. Сегменты определяются по трем параметрам:
   • День недели (например, Понедельник).
   • Время суток (например, 6AM-10AM).
   • Расстояние поездки (Historical Travel Distance) (например, < 1 мили).
5. Подсчет: Определение количества запросов (Count) для каждого бина.
6. Сохранение: Запись данных (ID места, Бин, Count) в Popularity Database.
7. Обновление: Периодическое повторение процесса для поддержания актуальности данных.

Процесс Б: Ранжирование локальных результатов в реальном времени

1. Получение запроса: Получение локального запроса, текущего местоположения пользователя, текущего времени и дня недели.
2. Идентификация кандидатов: Поиск мест, удовлетворяющих запросу. Расчет расстояния от пользователя до каждого кандидата.
3. Запрос к Popularity Database: Для каждого кандидата система ищет записи в Popularity Database, соответствующие текущему времени и дню недели.
4. Определение популярности: Извлечение значения Count из соответствующих записей, а также данных о Historical Travel Distance.
5. Вычисление оценок (Scores): Расчет финальной оценки ранжирования для каждого места. Согласно Claim 1, оценка базируется как минимум на:
   • Популярности места (Count).
   • Исторических данных о том, как далеко люди готовы ехать до этого места (Historical Travel Distance).
   • Расстоянии от текущего пользователя до места.
   • (Опционально) Других факторах (отзывы, PageRank – Claim 3).
6. Ранжирование и выдача: Сортировка мест по рассчитанным оценкам и предоставление результата пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Это ключевые данные. Исторические Directions Queries (запросы маршрутов), включающие точку отправления, точку назначения, дату и время. Также используются Mobile Location-Based Search Logs (выборы пользователей в мобильном локальном поиске).
• Географические факторы: Текущее местоположение пользователя (полученное через GPS, Wi-Fi, сотовые вышки или IP). Координаты мест из Places Database.
• Временные факторы: Текущее время суток и день недели. Исторические метки времени запросов маршрутов (для сегментации).

В патенте (Claim 3) также упоминаются дополнительные факторы, которые могут быть использованы при расчете Scores:

• Контентные/Качественные факторы: Пользовательские рейтинги и отзывы о месте.
• Ссылочные факторы: Независимый от запроса PageRank веб-страницы, связанной с местом.

Какие метрики используются и как они считаются

• Popularity Count (Счетчик популярности): Количество "голосов" за место. Голос засчитывается, когда место является пунктом назначения в Directions Query или выбрано в мобильном поиске. Счетчик ведется отдельно для разных бинов (время/день/расстояние).
• Historical Travel Distance (Историческое расстояние поездки): Метрика, показывающая, насколько далеко пользователи в прошлом были готовы ехать до этого места. Используется для сегментации популярности и как прямой показатель ценности/уникальности места в формуле ранжирования.
• Proximity (Близость): Расстояние от текущего местоположения пользователя до места.
• Ranking Score (Оценка ранжирования): Финальная оценка. Является функцией от Popularity Count, Historical Travel Distance и Proximity, а также опциональных факторов.

1. Реальное поведение (Навигация) как прямой фактор ранжирования: Патент подтверждает, что Google использует данные о том, как часто пользователи строят маршруты до физического места (намерение посетить), в качестве основного сигнала популярности для локального ранжирования.
2. Популярность контекстуальна и сегментирована (Binning): Популярность не является статичной. Система использует механизм сегментации (Bins), чтобы учитывать популярность именно в то время и день недели, когда происходит поиск. Место, популярное вечером, не получит преимущества утром.
3. "Готовность путешествовать" как сигнал качества и востребованности: Критически важный инсайт – анализ Historical Travel Distance. Если к месту часто едут издалека, это интерпретируется как сильный сигнал его высокой ценности и качества.
4. Баланс между близостью и популярностью: Ранжирование строится на балансе. Близость (Proximity) остается важным фактором, но она корректируется с учетом популярности. Популярное, но далекое место может обогнать близкое, но не востребованное.
5. Интеграция с другими сигналами: Сигналы популярности не заменяют, а дополняют другие факторы локального ранжирования, такие как отзывы, рейтинги и даже традиционные веб-сигналы (PageRank веб-сайта места, Claim 3).

Best practices (это мы делаем)

• Стимулирование построения маршрутов: Необходимо мотивировать пользователей строить маршруты до вашей офлайн-точки. Размещайте интерактивные карты и прямые ссылки "Как добраться" (Get Directions) на сайте, в email-рассылках (например, в подтверждениях бронирования) и в социальных сетях.
• Повышение узнаваемости и востребованности (Desirability): Поскольку система учитывает Historical Travel Distance, привлечение клиентов из более отдаленных районов повышает ценность вашего места. Работайте над брендом и уникальностью предложения, чтобы ради них пользователи были готовы преодолеть большее расстояние.
• Оптимизация под пиковые часы (Time-Sensitive Marketing): Используйте механизм Binning в свою пользу. Анализируйте данные о посещаемости (включая запросы маршрутов в GBP Insights) и фокусируйте маркетинговые усилия на времени, когда ваш бизнес наиболее популярен, чтобы усилить этот сигнал в релевантных сегментах.
• Абсолютная точность геоданных (NAP/Координаты): Критически важно обеспечить точность координат и адреса в Google Business Profile (GBP). Это необходимо для корректного сопоставления запросов маршрутов с вашим местом.
• Стимулирование мобильного взаимодействия: Так как Mobile Location-Based Search Logs также являются источником данных, важно стимулировать пользователей взаимодействовать с вашим листингом на мобильных устройствах и выбирать его в результатах поиска.

Worst practices (это делать не надо)

• Накрутка запросов маршрутов: Попытки искусственно генерировать Directions Queries. Поскольку Google контролирует источник данных (логи маршрутов), такие манипуляции высоко рискованны, легко обнаруживаются по аномальным паттернам и могут привести к пессимизации.
• Игнорирование традиционных факторов: Нельзя фокусироваться только на популярности. Патент явно указывает (Claim 3), что отзывы, рейтинги и PageRank веб-сайта также учитываются в финальном Score.
• Фокус только на гиперлокальном трафике: Ограничение целевой аудитории только ближайшими соседями может снизить показатели Historical Travel Distance, что уменьшит воспринимаемую ценность места по сравнению с бизнесами, привлекающими клиентов со всего города.

Стратегическое значение

Патент подчеркивает стратегию Google по интеграции данных из реального мира (навигационное поведение) в цифровые алгоритмы ранжирования. Для локального SEO это означает, что успех зависит не только от технической оптимизации, но и от реальной популярности бизнеса. Построение сильного бренда, который люди активно ищут и готовы посетить, становится ключевым элементом долгосрочной стратегии продвижения в локальном поиске.

Практические примеры

Сценарий: Ранжирование кофеен утром в будний день

1. Контекст: Пользователь ищет "кофейня" в 8:30 утра во вторник.
2. Кандидаты:
   • Кофейня А: Расстояние 300 метров.
   • Кофейня Б: Расстояние 600 метров.
3. Анализ Popularity Database: Система проверяет бин "Вторник, 8:00-10:00".
   • Кофейня А: 50 запросов маршрутов. Большинство поездок в сегменте Historical Travel Distance < 1 км.
   • Кофейня Б: 200 запросов маршрутов. Значительная часть поездок в сегментах Historical Travel Distance 1-3 км.
4. Расчет Ranking Score: Кофейня Б значительно популярнее в это время суток (выше Count). Кроме того, люди готовы ехать к ней дальше (выше показатели Historical Travel Distance), что указывает на ее большую ценность.
5. Результат: Несмотря на то, что Кофейня Б находится в два раза дальше, система ранжирует ее выше Кофейни А из-за значительно более высоких показателей популярности и востребованности в данном контексте времени.