Как Google использует данные о реальных посещениях после рекомендаций для персонализации ранжирования в локальном поиске

Описание

Какую задачу решает

Патент решает проблему оценки реальной полезности рекомендаций географических мест (например, ресторанов, магазинов). Он позволяет системе выйти за рамки традиционных сигналов (таких как близость или онлайн-рейтинги) и понять, действительно ли рекомендация привела к действию в офлайне — посещению места. Это создает петлю обратной связи для улучшения качества и персонализации как будущих рекомендаций, так и результатов локального поиска.

Что запатентовано

Запатентована система, которая корректирует ранжирование результатов поиска и рекомендаций, связанных с географическим местоположением, на основе данных о том, посетили ли пользователи это место после получения соответствующей рекомендации. Ключевым механизмом является использование данных о местоположении (locational data) для верификации визита и применение этих данных для персонализированного ранжирования на основе принадлежности к группам пользователей (grouping of users).

Как это работает

• Рекомендация: Система предоставляет Пользователю А рекомендацию посетить место.
• Отслеживание: Система анализирует locational data (GPS, Wi-Fi, запросы маршрутов, чекины) Пользователя А после рекомендации.
• Верификация визита: Определяется, состоялось ли фактическое посещение места.
• Агрегация и Сегментация: Данные о визитах агрегируются по различным groupings of users (например, по демографии или интересам).
• Применение к Поиску: Когда другой пользователь (Пользователь Б), принадлежащий к той же группе, выполняет поиск, система использует агрегированные данные о визитах как сигнал ранжирования. Если члены группы часто следовали рекомендации, место ранжируется выше для Пользователя Б.
• Определение Свойств (Опционально): Сравнивая показатели посещаемости между разными группами, система может определять свойства места (например, «подходит для семейного отдыха»).

Актуальность для SEO

Высокая. Патент напрямую связан с ключевыми направлениями развития Google: персонализацией, локальным поиском (Local Search) и использованием сигналов из реального мира (Real World Signals). Механизмы, связывающие онлайн-активность (рекомендации) с офлайн-поведением (посещениями), критически важны для систем вроде Google Maps и оценки качества локальных сущностей.

Важность для SEO

Патент имеет высокое значение (85/100), особенно для локального SEO. Он описывает конкретный механизм, как Google использует реальное офлайн-поведение (посещения) в качестве персонализированного фактора ранжирования в поиске. Это подчеркивает, что фактическая популярность бизнеса среди определенной целевой аудитории напрямую влияет на его видимость в поиске для этой аудитории.

Детальный разбор

Термины и определения

Suggestion (Рекомендация)

Предложение пользователю о потенциальной активности в определенном географическом месте (например, посетить ресторан или мероприятие).

Locational Data (Данные о местоположении)

Данные, позволяющие определить физическое местоположение пользователя. Включают GPS, сигналы сотовых вышек (cellular tower signals), сигналы Wi-Fi, а также индикаторы, такие как Locational Queries и Check-ins.

Locational Query (Локационный запрос)

Запрос на получение информации о местоположении. Включает Directional Locational Queries (запросы маршрутов), как активные (GPS-навигация), так и статические.

Check-in (Отметка о посещении)

Подтвержденное пользователем указание на посещение места.

Grouping of users (Группа пользователей)

Сегмент пользователей, объединенных общими характеристиками. Могут быть основаны на демографии (возраст), географии (регион), интересах или быть латентными типами, выявленными системой.

Visit Duration Time (Время продолжительности посещения)

Время, проведенное пользователем в географическом месте. Может использоваться для валидации и оценки качества посещения.

Suggestion Relevance Score (Оценка релевантности рекомендации)

Метрика, используемая для ранжирования, отражающая полезность рекомендации. Рассчитывается на основе процента пользователей, посетивших место после рекомендации, и может учитывать другие факторы.

Property (Свойство местоположения)

Атрибут географического местоположения (например, «подходит для семейного отдыха»), выведенный путем сравнения показателей посещаемости между разными groupings of users.

Ключевые утверждения (Анализ Claims)

Анализ сфокусирован на независимых пунктах (Claims 1, 8, 13), которые описывают применение данных о посещениях к ранжированию результатов поиска.

Claim 1 (Независимый пункт): Описывает метод использования поведенческих данных одного пользователя для персонализации поиска другого пользователя.

1. Система предоставляет рекомендацию (suggestion) места Первому пользователю.
2. Используя locational data, система определяет, посетил ли Первый пользователь это место после получения рекомендации.
3. Система получает поисковый запрос (search query) от Второго пользователя.
4. Определяется, принадлежат ли Первый и Второй пользователи к одной grouping of users.
5. Вычисляется оценка (score). Эта оценка основана на (i) факте посещения Первым пользователем и (ii) принадлежности обоих пользователей к одной группе.
6. Результат поиска, связанный с этим местом, ранжируется относительно других результатов на основе этой оценки.

Это ключевое утверждение, которое явно связывает петлю обратной связи от системы рекомендаций с системой ранжирования поиска. Если пользователь, похожий на вас (из той же группы), последовал рекомендации и посетил место, это место будет ранжироваться выше в ваших результатах поиска.

Claim 8 (Независимый пункт): Описывает систему, реализующую логику Claim 1, фокусируясь на использовании сохраненных данных.

1. Система хранит данные о том, посетил ли Первый пользователь место после рекомендации.
2. Получается запрос от Второго пользователя и определяется принадлежность к одной группе с Первым пользователем.
3. Вычисляется score на основе сохраненных данных о посещении и совпадении группы.
4. Результаты поиска ранжируются на основе этого score.

Этот пункт подтверждает инфраструктуру для использования агрегированного офлайн-поведения в качестве сигнала для ранжирования онлайн-результатов поиска.

Claim 13 (Независимый пункт): Описывает систему для дифференцированного ранжирования на основе различий в поведении групп.

1. Система хранит данные о посещениях для Группы 1 (Значение 1) и Группы 2 (Значение 2). Значение 2 выше, чем Значение 1 (Группа 2 посещает место чаще).
2. Получается запрос от пользователя, и определяется его принадлежность к Группе 1 или Группе 2.
3. Вычисляется score для результата поиска на основе соответствующего значения (Значение 1 или 2).
4. Результат ранжируется. Он будет ранжироваться выше, если пользователь принадлежит к Группе 2, чем если бы он принадлежал к Группе 1.

Этот пункт описывает механизм глубокой персонализации в локальном поиске. Релевантность места не универсальна, а зависит от того, насколько оно популярно (что измеряется фактическими посещениями) среди конкретного сегмента аудитории.

Где и как применяется

Изобретение связывает сбор поведенческих данных из реального мира с системами ранжирования поиска и рекомендаций.

Data Acquisition & INDEXING (Сбор данных и Индексирование)
На этих этапах происходит непрерывный сбор и обработка Locational Data пользователей (с их согласия). Данные агрегируются для определения фактов посещения мест после получения рекомендаций. Происходит классификация пользователей по groupings of users и расчет агрегированных метрик посещаемости (Visit Rates) для каждой пары [Место, Группа]. Также могут вычисляться Properties мест.

QUNDERSTANDING (Понимание Запросов и Контекста)
При обработке запроса система должна определить контекст пользователя, включая его принадлежность к различным groupings of users, чтобы понять, какие поведенческие данные релевантны для персонализации.

RANKING / RERANKING (Ранжирование / Переранжирование)
Основное применение патента. При обработке поискового запроса (особенно локального), система извлекает предварительно рассчитанные метрики посещаемости, специфичные для группы пользователя. Эти метрики используются для расчета score и корректировки позиций результатов. Это функционирует как мощный персонализированный сигнал ранжирования.

Входные данные:

• Поисковый запрос пользователя.
• Данные о пользователе (для определения grouping).
• Агрегированные исторические данные: предоставленные рекомендации и последующие locational data (визиты).
• Базовые рейтинги географических мест.

Выходные данные:

• Персонализированный набор результатов поиска с откорректированными scores.
• Выведенные Properties географического места (например, «подходит для семей»).

На что влияет

• Конкретные типы контента: В первую очередь влияет на результаты локального поиска (Local Pack, Google Maps) – рестораны, магазины, услуги, мероприятия, достопримечательности.
• Специфические запросы: Локальные информационные и коммерческие запросы (например, «лучшая пицца рядом», «семейный ресторан в центре»), а также запросы на навигацию (directional locational queries).
• Конкретные ниши: Сильное влияние в нишах, где важны демографические предпочтения и офлайн-посещения (питание, развлечения, ритейл).

Когда применяется

• Триггеры активации: Активируется при обработке поисковых запросов или генерации рекомендаций, для которых доступны релевантные географические места.
• Условия: Система должна иметь возможность классифицировать пользователя в groupings of users и иметь достаточный объем накопленных поведенческих данных о посещениях для этих групп и мест.

Пошаговый алгоритм

Патент описывает два взаимосвязанных процесса: (А) Сбор обратной связи и обработка данных, и (Б) Применение данных для ранжирования поиска.

Процесс А: Сбор обратной связи и обработка данных (Фоновый/Офлайн)

1. Предоставление рекомендации: Система рекомендаций предоставляет пользователю предложение посетить место.
2. Сбор Locational Data: Система собирает данные о перемещении пользователя после рекомендации (GPS, Wi-Fi, запросы маршрутов).
3. Определение и Валидация посещения: Анализ данных для подтверждения визита. Учитываются:
   • Visit Duration Time (отсеивание слишком коротких визитов).
   • Время между рекомендацией и посещением (Time Delta).
   • Количество промежуточных остановок (Intervening Stops).
4. Агрегация по группам: Данные о визитах агрегируются для расчета показателей посещаемости (Visit Rate) для различных groupings of users.
5. Расчет и обновление оценок: Обновление Suggestion Relevance Score для данного места и группы.
6. Определение свойств (Опционально): Сравнение Visit Rates между группами для определения Properties места.

Процесс Б: Применение к ранжированию поиска (Реальное время/Онлайн)

1. Получение запроса: Поисковая система получает запрос от пользователя.
2. Классификация пользователя: Система определяет groupings of users, к которым принадлежит пользователь.
3. Определение оценки кандидатов: Для кандидатов в результаты поиска (мест) система извлекает Suggestion Relevance Score или Visit Rates, специфичные для группы пользователя (из Процесса А).
4. Ранжирование: Результаты поиска ранжируются с использованием этой персонализированной, основанной на поведении оценки. Места с более высокими оценками для данной группы ранжируются выше.
5. Отображение результатов: Предоставление персонализированной выдачи.

Какие данные и как использует

Данные на входе

• Географические/Локационные факторы (Ключевые): Locational Data, используемые для отслеживания перемещений: GPS, сигналы сотовых вышек, сигналы Wi-Fi. Физическое местоположение пользователя в момент рекомендации.
• Поведенческие факторы (Офлайн и Онлайн):
  • Фактические физические посещения.
  • Check-ins (явные отметки пользователей).
  • Directional Locational Queries (запросы маршрутов) как сигналы намерения.
  • История поиска/просмотра (например, просмотр меню после рекомендации).
• Пользовательские факторы: Данные для формирования groupings of users: возраст, интересы, географический регион проживания, латентные поведенческие кластеры.
• Временные факторы: Visit Duration Time (продолжительность визита). Время, прошедшее между рекомендацией и визитом (Time Delta). Количество промежуточных остановок.

Какие метрики используются и как они считаются

• Visit Rate (Показатель посещаемости): Процент пользователей (в рамках группы), которые посетили место после получения рекомендации.
• Thresholds (Пороги): Минимальный процент посещений для повышения ранжирования или минимальный показатель отказов для понижения. Пороги могут зависеть от типа места.
• Suggestion Relevance Score (SRS): Итоговая метрика для ранжирования. Патент предлагает различные методы расчета:
  • Базовый расчет: Умножение существующей оценки места на Visit Rate.
  • Взвешенный расчет: Суммирование Visit Rates с учетом весовых коэффициентов.
• Весовые коэффициенты (Weighting Factors): Применяются для учета качества визита:
  • Visit Duration Time: Более длительные посещения могут иметь больший вес.
  • Time Delta: Посещения, произошедшие вскоре после рекомендации, могут иметь больший вес.
  • Intervening Stops: Посещения с промежуточными остановками могут иметь меньший вес.
  • Повторные визиты могут увеличивать SRS.

Выводы

1. Офлайн-поведение как прямой сигнал ранжирования в поиске: Патент явно подтверждает, что Google использует данные о реальных физических посещениях мест (foot traffic) как сигнал качества и релевантности для ранжирования результатов поиска.
2. Связь рекомендательных систем и основного поиска: Эффективность рекомендаций (например, в Google Maps или Discover) напрямую влияет на ранжирование в поиске. Если рекомендация приводит к визиту, видимость места в поиске улучшается.
3. Групповая персонализация (Group-based Personalization): Ранжирование сильно персонализируется на основе принадлежности пользователя к groupings of users. Место может ранжироваться высоко для одной демографической группы и низко для другой, если их паттерны посещений различаются (Claim 13).
4. Качество визита имеет значение: Система не просто фиксирует факт посещения, но и анализирует его качество, используя Visit Duration Time, время реакции на рекомендацию и количество промежуточных остановок.
5. Автоматическое определение атрибутов бизнеса: Google может автоматически определять свойства бизнеса (Properties), такие как «подходит для семейного отдыха», анализируя, какие группы пользователей его фактически посещают.

Практика

Best practices (это мы делаем)

• Фокус на привлечении целевой аудитории и конверсии в визит: Для локального SEO критически важно стимулировать реальные посещения вашей целевой аудиторией. Популярность вашего бизнеса среди определенной группы (grouping of users) напрямую улучшит ваше ранжирование для этой группы.
• Стимулирование отслеживаемых действий (Locational Data): Поощряйте пользователей использовать функции, которые Google может отслеживать:
  • Оптимизируйте CTA для запросов маршрута (Directional Locational Queries) на сайте и в Google Business Profile (GBP).
  • Поощряйте чекины (Check-ins).
  • Предоставление гостевого Wi-Fi может служить дополнительным сигналом посещения.
• Обеспечение качественного офлайн-опыта: Поскольку Visit Duration Time и повторные визиты могут учитываться, положительный опыт посещения критически важен. Довольные клиенты остаются дольше и возвращаются, улучшая поведенческие метрики.
• Оптимизация для попадания в рекомендации: Убедитесь, что профиль бизнеса (GBP) полностью заполнен и оптимизирован, чтобы повысить вероятность его показа в рекомендательных блоках Google (Maps, Discover), так как это является триггером для сбора данных по этому патенту.

Worst practices (это делать не надо)

• Привлечение нерелевантного трафика или Clickbait: Использование вводящих в заблуждение предложений для генерации визитов. Это может привести к коротким визитам (низкий Visit Duration Time) и низкому Suggestion Relevance Score, что в итоге повредит ранжированию.
• Игнорирование специфики аудитории: Попытка угодить всем сегментам сразу может привести к посредственным показателям посещаемости во всех группах. Лучше иметь высокий Suggestion Relevance Score в ключевых целевых сегментах.
• Накрутка фиктивных посещений: Попытки манипулировать Locational Data (фейковые чекины, GPS-спуфинг) рискованны, так как система использует множество сигналов (продолжительность визита, естественность маршрута) для верификации подлинности посещения.

Стратегическое значение

Этот патент подтверждает стратегию Google по интеграции онлайн и офлайн данных в алгоритмы ранжирования. Для локального бизнеса реальная популярность и удовлетворенность клиентов становятся измеримыми факторами ранжирования. Он демонстрирует, как Google использует свои рекомендательные системы не только для вовлечения, но и как инструмент сбора данных для улучшения основного поиска. Долгосрочная стратегия должна фокусироваться на построении реальной ценности и отличного опыта для целевой аудитории.

Практические примеры

Сценарий: Повышение ранжирования ресторана для семейной аудитории

1. Задача: Ресторан хочет улучшить видимость в локальном поиске для группы «Пользователи с детьми».
2. Действия:
   • Ресторан запускает семейную акцию по выходным и добавляет атрибуты «Подходит для детей» в GBP, публикует фото детского меню.
   • Запускается локальная реклама, таргетированная на родителей, с CTA «Посетить» или «Проложить маршрут».
3. Механизм Google (по патенту):
   • Google показывает рекомендации (Suggestions) посетить ресторан пользователям из группы «родители».
   • Многие родители следуют рекомендации. Google верифицирует визиты через запросы маршрутов и GPS/Wi-Fi данные, отмечая высокую продолжительность визитов.
   • Система фиксирует высокий Visit Rate для этой группы. Suggestion Relevance Score увеличивается.
4. Ожидаемый результат: Когда другие пользователи из группы «родители» ищут «семейный ресторан рядом», этот ресторан ранжируется выше в результатах поиска (Local Pack/Maps) благодаря высокому персонализированному score (Claim 13).

Вопросы и ответы