Как Google использует удобство взаимодействия (UX) и аффинитивность пользователя для ранжирования поставщиков контента и услуг

Термины и определения

Affinity Measure (Мера Аффинитивности)

Метрика, указывающая на предпочтение или связь пользователя с конкретным поставщиком (Publisher) ресурса. Рассчитывается на основе множества сигналов: подписки, установленные приложения, история взаимодействий и т.д. Компонент Effectiveness Measure.

Effectiveness Measure (Мера Эффективности)

Ключевая метрика патента. Оценка того, насколько эффективно ресурс может предоставить пользователю медиаконтент или транзакцию. Является функцией от Quantity of Steps и/или Affinity Measure.

Entity (Сущность)

Объект запроса. Примеры: музыкальный исполнитель, альбом, название фильма, ресторан, авиакомпания.

Publisher (Поставщик/Издатель)

Организация, предоставляющая ресурс (контент или услугу). Например, стриминговый сервис, система бронирования.

Quantity of Steps (Количество Шагов)

Метрика UX. Количество действий (кликов, вводов данных), которые пользователь должен выполнить на ресурсе после перехода из поиска, чтобы получить доступ к медиаконтенту или завершить транзакцию.

Resource Analysis Data (Данные анализа ресурсов)

Хранилище данных, содержащее предварительно рассчитанные оценки Quantity of Steps для различных ресурсов. Эти данные могут варьироваться в зависимости от типа устройства и статуса пользователя.

Scoring Engine (Механизм оценки)

Компонент поисковой системы, который рассчитывает Effectiveness Measure на основе Resource Analysis Data и данных пользователя (User Profile).

Transaction (Транзакция)

Действие, которое пользователь стремится выполнить, связанное с сущностью (например, бронирование, покупка).

Ключевые утверждения (Анализ Claims)

Патент содержит два основных независимых пункта: Claim 1 (фокус на медиаконтенте) и Claim 16 (фокус на транзакциях). Они описывают идентичный механизм.

Claim 1 (Независимый пункт): Описывает основной метод ранжирования на основе эффективности доступа к медиаконтенту.

1. Система получает запрос от устройства, указывающий на сущность (Entity).
2. Определяются ресурсы, предоставляющие медиаконтент по этой сущности, требующие ввода пользователя для представления.
3. Для каждого ресурса определяется Effectiveness Measure.
4. Ключевой элемент: Эта мера определяется путем расчета Quantity of Steps, которые пользователь должен выполнить для представления медиаконтента *после* доступа к ресурсу (т.е. после клика по результату поиска). Уточняется, что хотя бы один результат не является прямой ссылкой на контент и требует >1 шага.
5. Ресурсы ранжируются с использованием Effectiveness Measure, включающей рассчитанное Quantity of Steps.
6. Предоставляются результаты поиска.

Claim 3 (Зависимый от 1): Детализирует механизм ранжирования по количеству шагов.

Если первый ресурс требует большего количества шагов, чем второй ресурс, то первому ресурсу присваивается более низкая Effectiveness Measure и, соответственно, более низкий ранг.

Claim 4 (Зависимый от 1): Вводит аффинитивность как компонент эффективности.

Определение Effectiveness Measure также включает определение Affinity Measure, которая указывает на связь пользователя с поставщиком ресурса.

Claims 5-12, 14 (Зависимые от 4): Описывают конкретные сигналы для расчета Affinity Measure. Это критически важные пункты для понимания факторов персонализации:

• (Claim 5): Наличие установленного приложения поставщика на устройстве.
• (Claim 6): Частота использования приложений (более часто используемое приложение дает больший вес).
• (Claim 7): Кросс-девайсные установки (количество устройств пользователя с приложением поставщика).
• (Claim 8): Явные предпочтения пользователя в профиле.
• (Claim 9 и 14): Наличие подписки или аккаунта у поставщика.
• (Claim 10): Связь пользователя с поставщиком в социальной сети.
• (Claim 11): История посещений (Browsing History) сайтов поставщика.
• (Claim 12): Глобальная популярность (как часто другие пользователи выбирают этого поставщика для доступа к контенту).

Claim 16 (Независимый пункт): Описывает аналогичный метод, но применительно к транзакциям.

Система определяет Effectiveness Measure на основе Quantity of Steps, необходимых для выполнения транзакции (например, бронирования) после доступа к ресурсу, и ранжирует результаты соответственно.

Где и как применяется

Изобретение применяется на нескольких этапах поиска для оптимизации выбора поставщика контента или услуги.

INDEXING – Индексирование и извлечение признаков
На этом этапе система должна предварительно проанализировать ресурсы поставщиков для определения Quantity of Steps и сохранить эти данные в Resource Analysis Data. Этот анализ может включать эмуляцию взаимодействия с ресурсом для разных типов устройств и статусов пользователя.

QUNDERSTANDING – Понимание Запросов
Система должна распознать, что запрос указывает на конкретную сущность (Entity) и что интент пользователя связан с потреблением медиаконтента (слушать, смотреть) или выполнением транзакции (бронировать, купить).

RANKING / RERANKING – Ранжирование и Переранжирование
Основное применение патента. Scoring Engine в реальном времени рассчитывает Effectiveness Measure для конкурирующих ресурсов.

1. Получение данных о трении: Используются предварительно рассчитанные данные о Quantity of Steps из индекса.
2. Расчет аффинитивности: В реальном времени извлекаются данные о пользователе (приложения, история, профиль) для расчета Affinity Measure.
3. Ранжирование поставщиков: Ресурсы сортируются на основе итогового Effectiveness Measure. Этот механизм может применяться для ранжирования предложений внутри специализированных блоков (например, Knowledge Panel).

Входные данные:

• Запрос пользователя с указанием сущности.
• Resource Analysis Data (предварительно рассчитанные Quantity of Steps).
• Данные пользователя (User Profile, история браузера, данные об установленных приложениях, подписках, социальных связях).
• Агрегированные данные о поведении других пользователей (глобальная популярность).

Выходные данные:

• Отсортированный список результатов поиска, где позиция каждого поставщика определяется его Effectiveness Measure.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на ниши, где существует конкуренция между поставщиками за доступ к одной и той же сущности:
  • Медиа (музыка, фильмы) – выбор между стриминговыми сервисами.
  • Travel/Local (бронирование отелей, авиабилетов, ресторанов) – выбор между агрегаторами и прямыми поставщиками.
• Специфические запросы: Запросы, направленные на действие (прослушать, посмотреть, забронировать), связанные с известными сущностями (Entity-seeking queries).

Когда применяется

Алгоритм применяется при следующих условиях:

• Триггер активации: Запрос идентифицирован как поиск сущности (Entity) с интентом действия или потребления.
• Условие применения: Существует два или более ресурса, которые предлагают медиаконтент или транзакцию, связанную с этой сущностью, и для доступа к которым требуется взаимодействие пользователя.

Пошаговый алгоритм

Процесс А: Расчет Quantity of Steps (Офлайн / Индексация)

1. Сканирование и анализ ресурса: Система анализирует структуру ресурса.
2. Симуляция пути пользователя: Определяется путь от точки входа до целевого действия (воспроизведение медиа, завершение транзакции).
3. Подсчет шагов: Подсчитывается количество необходимых действий пользователя.
4. Сегментация и сохранение: Результаты сохраняются в Resource Analysis Data, сегментированные по контексту (тип устройства, статус пользователя).

Процесс Б: Обработка запроса и ранжирование (Реальное время)

1. Получение запроса и идентификация сущности: Система получает запрос и определяет связанную сущность.
2. Определение ресурсов-кандидатов: Находятся ресурсы, предоставляющие контент/транзакцию.
3. Расчет Effectiveness Measure для каждого ресурса:
   1. Определение Quantity of Steps: Извлекается предварительно рассчитанное количество шагов из Resource Analysis Data для текущего контекста.
   2. Определение Affinity Measure: Анализируется профиль пользователя на наличие сигналов аффинитивности к поставщику (приложения, подписки, история и т.д.).
   3. Агрегация: Сигналы комбинируются в итоговую Effectiveness Measure.
4. Ранжирование: Ресурсы упорядочиваются на основе Effectiveness Measure. Ресурсы с меньшим количеством шагов и более высокой аффинитивностью получают более высокий ранг.
5. Предоставление результатов: Отсортированный список предоставляется пользователю.

Какие данные и как использует

Данные на входе

Патент описывает использование широкого спектра данных, выходящих за рамки традиционных факторов.

Факторы взаимодействия/UX (Interaction/UX Factors):

• Quantity of Steps: Данные анализа ресурса (Resource Analysis Data), определяющие количество действий для доступа к контенту или завершения транзакции после перехода на ресурс (Claim 1, 16).

Пользовательские факторы (User/Device Data для Affinity):

• Наличие установленных приложений на устройстве (Claim 5) и на других устройствах пользователя (Claim 7).
• Наличие у пользователя аккаунта или подписки у поставщика (Claim 9, 14).
• Явные предпочтения пользователя в профиле (Claim 8).

Поведенческие факторы (User Behavior для Affinity):

• История посещений пользователя (Claim 11).
• Частота использования приложений на устройстве (Claim 6).
• Агрегированные данные о частоте доступа других пользователей к контенту через определенного поставщика (глобальная популярность) (Claim 12, 13).

Социальные факторы (Social Data для Affinity):

• Связь пользователя с поставщиком в социальной сети (Claim 10).

Какие метрики используются и как они считаются

• Effectiveness Measure: Основная метрика ранжирования в данном патенте. Патент не предоставляет конкретной формулы, но указывает, что она является функцией от Quantity of Steps и Affinity Measure.
• Quantity of Steps: Измеряется количеством необходимых пользовательских взаимодействий. Влияние на Effectiveness Measure обратно пропорциональное: больше шагов = ниже эффективность (Claim 3).
• Affinity Measure: Агрегированная метрика предпочтения. Рассчитывается путем взвешивания различных пользовательских сигналов (описанных выше). Влияние на Effectiveness Measure прямо пропорциональное: выше аффинитивность = выше эффективность.

1. Post-Click UX как прямой фактор ранжирования: Патент явно указывает на использование качества взаимодействия пользователя с ресурсом *после* клика (измеряемого через Quantity of Steps) как фактора ранжирования. Ресурсы, создающие трение (friction) и требующие лишних действий, будут пессимизированы.
2. Аффинитивность бренда и персонализация критичны: Affinity Measure является мощным фактором персонализации. Система отдает предпочтение поставщикам, с которыми у пользователя уже есть отношения (аккаунты, приложения, история). Это подчеркивает важность построения прямых отношений с аудиторией и узнаваемости бренда.
3. Оптимизация под Task Completion: Для запросов, связанных с сущностями и действиями, ключевым является обеспечение эффективного завершения задачи. SEO-стратегия должна фокусироваться на оптимизации пути пользователя к конверсии или потреблению контента.
4. Кросс-платформенное присутствие важно: Система учитывает активность пользователя на разных устройствах и платформах. Наличие и активное использование мобильного приложения может улучшить ранжирование веб-сайта того же поставщика. Deep Linking в приложениях становится важным инструментом для сокращения Quantity of Steps.
5. Разные алгоритмы для разных интентов: Описанный механизм активируется специфично для интентов потребления медиа или совершения транзакций, что подтверждает использование Google различных алгоритмов ранжирования в зависимости от цели пользователя.

Best practices (это мы делаем)

• Оптимизация пути пользователя и минимизация трения (Friction): Проанализируйте ключевые пути к целевому действию (просмотр видео, покупка, бронирование). Максимально сократите Quantity of Steps. Уберите лишние клики, всплывающие окна, сложные формы и неочевидную навигацию. Используйте Deep Linking для направления пользователя непосредственно к цели.
• Улучшение UX и скорости загрузки: Убедитесь, что интерфейс интуитивно понятен и быстро загружается на всех типах устройств. Это напрямую влияет на способность пользователя быстро выполнить задачу и снижает воспринимаемое трение.
• Стратегическое построение аффинитивности бренда (Brand Affinity): Стимулируйте пользователей к формированию прямых связей с вашим брендом. Это включает: поощрение создания аккаунтов и подписок (Claim 9, 14), активное взаимодействие в социальных сетях (Claim 10), стимулирование повторных визитов (Claim 11).
• Развитие кросс-платформенной экосистемы: Если применимо, разработайте качественные мобильные приложения (нативные или PWA) и поощряйте их установку и использование (Claim 5, 6, 7). Высокая активность в приложении положительно влияет на Affinity Measure.
• Фокус на Entity-Based SEO: Убедитесь, что ваш контент четко связан с релевантными сущностями (используя структурированные данные, например, для Actions типа ListenAction, WatchAction), чтобы система могла идентифицировать ваш ресурс как кандидата для ранжирования по этому механизму.

Worst practices (это делать не надо)

• Агрессивная монетизация, мешающая доступу к контенту: Использование interstitial ads (межстраничных объявлений), большого количества всплывающих окон или автовоспроизведения рекламы перед основным контентом увеличивает Quantity of Steps и будет напрямую пессимизироваться этим алгоритмом.
• Сложные и запутанные процессы транзакций: Длинные формы регистрации, неочевидные процессы оформления заказа или бронирования увеличивают Quantity of Steps и снижают Effectiveness Measure.
• Игнорирование персонализации и лояльности: Фокусироваться только на привлечении нового трафика без работы над удержанием опасно, так как Affinity Measure отдает предпочтение знакомым пользователю ресурсам.
• Создание контента без четкого пути к действию: Страницы, которые релевантны сущности, но не предоставляют эффективного способа взаимодействия (например, страница о песне без возможности её прослушать), будут проигрывать платформам, предоставляющим это действие.

Стратегическое значение

Этот патент подтверждает, что Google рассматривает поисковую выдачу как точку входа для выполнения задач пользователя. Приоритет отдается тем, кто может выполнить эту задачу быстрее и удобнее. Для SEO это означает необходимость глубокой интеграции стратегий UX, CRO (Conversion Rate Optimization) и бренд-маркетинга. Построение авторитетного и удобного ресурса, который пользователи знают и которому доверяют (высокая Affinity), и который позволяет им быстро достигать целей (низкий Quantity of Steps), является ключом к успеху в ранжировании по транзакционным и медиа-запросам.

Практические примеры

Сценарий 1: Оптимизация страницы фильма на сайте кинотеатра

• Задача: Улучшить ранжирование по запросу "купить билеты на [Название фильма]".
• Анализ (Quantity of Steps): Текущий процесс требует 6 шагов (выбор сеанса, выбор мест, подтверждение, ввод email, ввод данных карты, оплата).
• Оптимизация: Внедрение покупки в один клик или использование сохраненных платежных данных для зарегистрированных пользователей (повышение Affinity и снижение Quantity of Steps). Упрощение интерфейса выбора мест.
• Ожидаемый результат: Снижение количества шагов до 2-3 для лояльных пользователей приведет к увеличению Effectiveness Measure и улучшению позиций.

Сценарий 2: Ранжирование музыкальных сервисов

• Запрос: Пользователь ищет "слушать [Название группы]".
• Анализ: У пользователя установлено приложение Сервиса А (высокая Affinity), но нет приложений конкурентов. Сервис А использует Deep Link и начинает воспроизведение сразу после перехода (низкий Quantity of Steps).
• Результат: Сервис А получит максимальный Effectiveness Measure и займет первую позицию для этого пользователя, даже если сайты конкурентов имеют больший вес по традиционным факторам ранжирования.