Как Google использует историческое поведение пользователей на Картах для таргетинга рекламы на основе локации и масштаба

Описание

Какую задачу решает

Патент решает проблему низкой релевантности рекламы в картографических сервисах, когда таргетинг основан исключительно на физическом местоположении рекламодателя в отображаемой области. Например, пользователю, просматривающему карту туристического маршрута, может быть показана реклама сантехника, чей офис находится в этой зоне. Это не соответствует намерениям пользователя и ухудшает пользовательский опыт. Изобретение направлено на повышение релевантности путем определения вероятных интересов, связанных с конкретным видом карты.

Что запатентовано

Запатентована система выбора элементов контента (content items), например, рекламы или иконок, для отображения в картографической среде. Система основывает выбор на вероятности того, что контент будет релевантен пользователю, запрашивающему определенное пространство карты (map space). Эта вероятность рассчитывается на основе агрегированных исторических данных о взаимодействиях предыдущих пользователей (input data) с этим же пространством карты.

Как это работает

Система функционирует путем сбора и анализа исторических данных:

• Сбор данных (Офлайн): Система регистрирует input data (поисковые запросы, выбор функций карты) от пользователей во время просмотра ими конкретного map space (определяемого локацией и уровнем масштабирования).
• Генерация таргетинга (Офлайн): На основе частоты этих данных и семантического анализа генерируются content targeting data (темы и вероятности их релевантности), формируя тематический профиль для данного map space.
• Выбор контента (Онлайн): Когда новый пользователь запрашивает то же map space, система использует предварительно рассчитанный профиль для выбора и показа релевантной рекламы. Этот выбор происходит проактивно, до того как пользователь начнет взаимодействовать с картой.

Актуальность для SEO

Высокая. Поведенческий таргетинг и понимание намерений пользователя в географическом контексте (Google Maps) критически важны для рекламной модели Google. Хотя конкретные методы расчета вероятностей могли эволюционировать с момента подачи заявки, фундаментальная концепция использования агрегированного поведения для определения тематики локации остается основой современных локальных сервисов и рекламы.

Важность для SEO

Влияние на SEO (5/10). Патент напрямую касается механизмов выбора платной рекламы (Google Ads) внутри Google Maps, а не алгоритмов органического ранжирования. Однако он имеет существенное значение для специалистов по локальному SEO (Local SEO), поскольку демонстрирует, как Google использует агрегированные поведенческие сигналы для интерпретации локализованного интента и определения тематической релевантности конкретных географических областей.

Детальный разбор

Термины и определения

Content Item (Элемент контента)

Объект, выбираемый для отображения в картографической среде. Примеры: реклама (текстовая, графическая), иконки, информационные сниппеты.

Content Targeting Data / Content Selection Data (Данные для таргетинга/выбора контента)

Данные, генерируемые на основе Input Data и используемые для выбора Content Items. Включают темы (topics), ключевые слова и вероятности их релевантности.

Input Data (Входные данные)

Исторические данные о взаимодействиях пользователей, полученные во время отображения определенного Map Space. Примеры: поисковые запросы, выбор функций карты (feature selection), клики.

Map Location (Местоположение на карте)

Конкретная точка или область на карте (например, координаты, адрес), определяющая географический контекст Map Space.

Map Space (Пространство карты)

Конкретная часть карты, отображаемая пользователю. Определяется комбинацией Map Location и Zoom Level.

Semantic Rules (Семантические правила)

Правила, используемые для генерации связанных тем из Input Data (например, из «винодельня» генерируется «винный тур») и определения меры связанности (measure of relatedness).

Virtual Web Page (Виртуальная веб-страница)

Механизм реализации, при котором Content Targeting Data форматируются как контент веб-страницы (заголовок, текст) для запроса рекламы у стандартного рекламного сервера.

Zoom Level (Уровень масштабирования)

Масштаб отображения карты. Критический компонент, поскольку данные таргетинга рассчитываются отдельно для разных масштабов.

Ключевые утверждения (Анализ Claims)

Анализ основан на формуле изобретения патента AU2013202220B2.

Claim 1 (Независимый пункт): Описывает основной метод выбора контента на основе исторических данных.

1. Система получает запрос на map space от первого пользовательского устройства (Текущий Пользователь).
2. Идентифицируются content selection data для этого map space.
3. Ключевое условие: эти данные основаны на input data, полученных от других устройств, на которых этот map space отображался до текущего запроса.
4. Выбирается content item на основе этих данных.
5. Ключевое условие: выбор происходит независимо от взаимодействия Текущего Пользователя с map space (т.е. проактивно).
6. Данные о выбранном элементе предоставляются первому устройству.

Claim 6 (Зависимый): Детализирует процесс выбора критериев для таргетинга на основе частотности.

1. Определяется частота (frequency), с которой различные критерии выбора контента (полученные из input data) были получены от других пользователей во время просмотра этой map location.
2. Критерии ранжируются на основе этой частоты.
3. Критерий с наивысшим рангом выбирается в качестве content selection data.

Claim 7 (Зависимый): Вводит учет уровня масштабирования (zoom level).

1. Система определяет, что map location просматривалась на разных zoom levels.
2. Для каждого zoom level отдельно выполняется расчет частоты критериев, их ранжирование и выбор наиболее релевантного.

Это подтверждает, что данные таргетинга привязаны не только к географии, но и к масштабу просмотра.

Где и как применяется

Изобретение специфично для экосистемы картографических сервисов (например, Google Maps) и связано с обслуживанием карт и рекламы. Оно не имеет прямого отношения к ранжированию органического веб-поиска.

INDEXING (Анализ данных / Офлайн-процессы)
Основная часть работы по агрегации данных происходит офлайн. Система обрабатывает логи взаимодействий (Input Data). На этом этапе происходит:

• Ассоциация Input Data с конкретными Map Spaces (Location + Zoom Level).
• Генерация Content Targeting Data: кластеризация, применение Semantic Rules для извлечения тем.
• Расчет метрик: вычисление частот и вероятностей релевантности.
• Сохранение данных в Content Targeting Data Store.

RANKING / METASEARCH (Выбор контента в реальном времени)
Когда пользователь запрашивает карту, активируется механизм выбора контента (рекламы).

1. Идентификация контекста: Определяется Map Space.
2. Извлечение данных таргетинга: Система запрашивает Content Targeting Data Store для получения релевантных тем.
3. Выбор контента: Данные передаются селектору контента (Advertisement Server). Это может происходить путем создания Virtual Web Page.
4. Отображение: Выбранный контент отображается вместе с картой.

На что влияет

• Конкретные типы контента: В первую очередь влияет на рекламу (иконки, баннеры, спонсируемые метки), отображаемую на картах или в боковой панели.
• Конкретные ниши или тематики: Крайне релевантно для Local SEO, туризма, розничной торговли и сферы услуг, где намерение пользователя тесно связано с географическим контекстом и поведением в локации.

Когда применяется

• Триггер активации: Запрос на отображение map space.
• Условия применения: Выбор контента происходит до того, как текущий пользователь начинает взаимодействовать с картой (Claim 1, 2). Система использует исторические данные, а не данные текущей сессии.
• Пороговые значения: Система может использовать пороги вероятности (probability thresholds) для определения тем для таргетинга. Также может ограничиваться показ рекламы в зависимости от уровня масштабирования или плотности объектов на карте (feature density).

Пошаговый алгоритм

Процесс А: Генерация данных для таргетинга (Офлайн)

1. Сбор данных: Получение Input Data (запросы, выбор функций) от пользовательских устройств.
2. Ассоциация: Привязка Input Data к конкретному Map Space (Map Location и Zoom Level), который отображался в момент ввода.
3. Генерация тем: Применение Semantic Rules к Input Data для генерации связанных topics (например, из «кофе» генерируются «латте», «капучино»).
4. Расчет метрик:
   1. Определение меры связанности (measure of relatedness) между Input Data и сгенерированными topics.
   2. Расчет частоты (frequency) Input Data для данного Map Space.
   3. Расчет вероятности релевантности темы для любого пользователя (например, на основе частоты и меры связанности).
5. Ранжирование и Фильтрация: Ранжирование тем по вероятности или частоте (Claim 6). Фильтрация тем, не достигающих порогового значения.
6. Сохранение: Запись Content Targeting Data в базу данных с индексом по Map Location и Zoom Level.

Процесс Б: Выбор контента (Онлайн)

1. Получение запроса: Получение запроса на Map Space от пользователя.
2. Идентификация контекста: Определение Map Location и Zoom Level.
3. Извлечение данных: Запрос к Content Targeting Data Store для получения соответствующей записи.
4. Подготовка запроса на контент: Выбор топовых тем. В одном из вариантов реализации создается Virtual Web Page: тема с наивысшей вероятностью становится заголовком (Title), следующая — подзаголовком (Header) и т.д.
5. Выбор контента: Отправка подготовленных данных на сервер контента (Advertisement Server). Сервер выбирает наиболее подходящий контент (рекламу).
6. Предоставление: Отображение выбранного контента вместе с запрошенным Map Space.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (Input Data):
  • Поисковые запросы, введенные пользователем через интерфейс карты.
  • Данные о выборе функций (feature selection) или активации слоев (например, «Рестораны»).
  • Взаимодействие с виджетами или иконками на карте.
• Географические факторы:
  • Map Location: Координаты или идентификатор области, которую просматривал пользователь.
• Контекстные факторы:
  • Zoom Level: Уровень масштабирования карты в момент взаимодействия.
  • (Опционально) Контекстные данные (contextual data) с веб-страницы, на которой встроена карта.

Какие метрики используются и как они считаются

• Frequency (Частота): Количество раз, когда определенные Input Data были получены при отображении определенного Map Space. Используется для ранжирования критериев (Claim 6).
• Measure of Relatedness (Мера связанности): Метрика корреляции между Input Data и сгенерированной темой (topic), определяемая на основе Semantic Rules.
• Probability of Relevance (Вероятность релевантности): Вероятность того, что тема релевантна интересам любого пользователя, запрашивающего данный Map Space. Рассчитывается на основе частоты Input Data и Measure of Relatedness.
• Ranking of Topics (Ранжирование тем): Сортировка Content Targeting Data на основе Probability of Relevance или Frequency.

Выводы

1. Тематика локации определяется поведением: Google Maps определяет «тематическую релевантность» географической области на основе агрегированного исторического поведения пользователей (запросов и взаимодействий), а не только на основе расположенных там бизнесов.
2. Гранулярность контекста (Локация + Масштаб): Контекст определяется гранулярно. Система хранит и использует данные таргетинга отдельно для каждого Zoom Level (Claim 7), признавая, что намерения пользователя меняются при изменении масштаба (уровень города vs уровень улицы).
3. Проактивный таргетинг рекламы: Система стремится показать релевантную рекламу сразу после загрузки карты (Claim 1, 2), основываясь на том, чем интересовались в этом месте другие люди (коллективный интент).
4. Частотность как ключевой сигнал: Наиболее частые взаимодействия сильно влияют на определение данных для таргетинга (Claim 6).
5. Семантический анализ поведения: Система не просто учитывает точные запросы, но и генерирует связанные темы с помощью Semantic Rules, расширяя возможности таргетинга.

Практика

Best practices (это мы делаем)

Хотя патент описывает механизмы таргетинга рекламы на Картах, он дает критически важное понимание того, как Google интерпретирует локальный интент, что применимо в стратегиях Локального SEO и оптимизации Google Business Profile (GBP).

• Оптимизация под реальное поведение на Картах: Анализируйте, что пользователи ищут и какие функции активируют в вашей географической области. Убедитесь, что категории вашего GBP, описание и контент соответствуют этим доминирующим интересам (агрегированным Content Targeting Data).
• Учет контекста локации и событий: Если ваш бизнес находится рядом с объектом, генерирующим специфический интерес (например, парк, где проходит фестиваль, как описано в патенте), используйте это. Оптимизируйте профиль под темы, связанные с этим интересом, чтобы соответствовать агрегированному интенту локации.
• Работа с семантикой и связанными темами: Поскольку система использует Semantic Rules для генерации topics, важно насыщать профиль компании и локальный контент на сайте не только основными ключевыми словами, но и связанными сущностями и терминами, которые пользователи могут искать в контексте вашей локации.

Worst practices (это делать не надо)

• Полагаться исключительно на физическое местоположение: Предполагать, что простое нахождение в определенном районе гарантирует релевантность. Если поведение пользователей указывает на другие интересы в этой области, Google будет отдавать приоритет этим интересам (как в рекламе, так и, вероятно, в понимании локального контекста).
• Игнорирование уровня масштабирования: Применять единую стратегию, не учитывая, что интент на уровне района (макро-поиск) отличается от интента на уровне улицы (микро-поиск).
• Манипуляции с поведением на Картах: Попытки искусственно накрутить Input Data (например, массовая отправка запросов при просмотре карты) для влияния на тематический профиль локации рискованны и, вероятно, неэффективны из-за агрегации данных.

Стратегическое значение

Патент подтверждает высокий уровень сложности анализа локального контекста в Google. Система не рассматривает локации как простые координаты; она рассматривает их как области с динамическими профилями интересов, формируемыми реальным поведением пользователей. Это подчеркивает сдвиг от простого гео-таргетинга к гео-поведенческому таргетингу. Для локального бизнеса стратегически важно понимать не только, *где* они находятся, но и *что ищут* пользователи вокруг них.

Практические примеры

Сценарий: Определение тематики парка по поведению пользователей (на основе примера из патента)

1. Ситуация: В городском парке ежегодно проводится фестиваль кофе.
2. Действия пользователей: Пользователи, просматривающие карту этого парка, часто ищут «кофе» или включают функцию отображения кофеен поблизости (Input Data).
3. Поведение системы: Google агрегирует эти данные. Content Targeting Data для Map Location этого парка теперь включает тему «кофе» с высокой вероятностью.
4. Результат: Новые пользователи, просматривающие карту парка, могут сразу увидеть рекламу товаров, связанных с кофе, или ближайших кафе, потому что это местоположение теперь тематически ассоциируется с кофе на основе исторических данных.

Вопросы и ответы