Как Google автоматически оптимизирует таргетинг рекламы, используя данные об эффективности похожих объявлений

Описание

Какую задачу решает

Патент решает проблему неполного или неэффективного набора критериев таргетинга (Placement Criteria), предоставляемых рекламодателями. Качество этих критериев (например, ключевых слов) может варьироваться, что снижает результативность рекламных кампаний. Цель изобретения — повысить эффективность размещения онлайн-рекламы путем автоматического выявления и добавления высокопроизводительных критериев таргетинга.

Что запатентовано

Запатентована система автоматического расширения критериев таргетинга для рекламного контента. Система группирует схожие объявления в кластеры (Clusters) на основе семантической близости (Semantic Similarity) или общих интересов пользователей (User Similarity). Анализируя метрики эффективности (Quality Metric, например CTR или конверсии) внутри кластера, система идентифицирует наиболее успешные критерии и добавляет их в качестве дополнительных (Supplemental Criterion) к другим объявлениям в кластере.

Как это работает

Система функционирует в рамках платформы размещения рекламы:

• Кластеризация контента: Рекламные объявления группируются на основе общей тематики (Semantic Similarity) или общих интересов аудитории (User Similarity), даже если тематика разная (например, «свадебные кольца» и «медовый месяц»).
• Анализ эффективности: Для всех критериев таргетинга внутри кластера рассчитывается Quality Metric (например, Click Through Rate или Conversion Rate).
• Идентификация и расширение: Система находит высокоэффективные критерии в кластере, которые еще не используются конкретным объявлением.
• Применение: Эти успешные критерии добавляются к объявлению для улучшения его таргетинга.
• Оптимизация в реальном времени: При показе система выбирает наилучший критерий на основе его исторической эффективности на конкретной веб-странице.

Актуальность для SEO

Высокая для сферы AdTech/PPC. Автоматизация таргетинга, оптимизация кампаний на основе машинного обучения и анализа больших данных являются ядром современных рекламных платформ (например, Google Ads). Патент выдан в 2021 году и описывает актуальные механизмы. Для органического SEO актуальность низкая.

Важность для SEO

Влияние на SEO минимальное (1/10). Патент полностью сосредоточен на системах размещения платной рекламы (AdTech/PPC). Он описывает внутренние механизмы рекламной платформы Google для улучшения таргетинга и эффективности рекламных кампаний. В тексте патента нет информации, относящейся к алгоритмам ранжирования органического поиска или методам SEO-оптимизации.

Детальный разбор

Термины и определения

Cluster (Кластер)

Группа элементов онлайн-контента (например, рекламных объявлений), объединенных на основе Semantic Similarity или User Similarity.

Placement Criteria (Критерии размещения)

Параметры таргетинга, используемые для определения того, где должна быть показана реклама. Примеры включают ключевые слова (keywords), индексные термины, географические ограничения, индикаторы интересов.

Quality Metric (Метрика качества/эффективности)

Показатель эффективности Placement Criterion. В патенте явно упоминаются Click Through Rate (CTR) и Conversion Rate (коэффициент конверсии), а также объемы кликов и конверсий.

Semantic Similarity (Семантическая схожесть)

Схожесть контента на основе общего предмета или тематики. Определяется через анализ текста, заголовков или метаданных контента.

User Similarity (Схожесть по интересам пользователей)

Связь между контентом разной тематики, основанная на том, что он интересен одной и той же группе пользователей. Определяется на основе анализа анонимизированной активности пользователей (user induced activity), например, истории просмотров.

Supplemental Criterion (Дополнительный критерий)

Высокоэффективный Placement Criterion, идентифицированный в кластере и добавленный к существующим критериям конкретного элемента контента.

Ad Placement System (Система размещения рекламы)

Система обработки данных (Data Processing System), которая использует критерии размещения для идентификации подходящих веб-страниц для показа рекламы.

Ключевые утверждения (Анализ Claims)

Патент описывает внутренние процессы рекламной платформы Google без прямых рекомендаций для SEO.

Claim 1 (Независимый пункт): Описывает метод предоставления контента (рекламы).

1. Система получает элемент контента (объявление) для показа.
2. Идентифицируется Cluster элементов контента, схожих с полученным.
3. Определяются один или несколько Placement Criteria из кластера, которые удовлетворяют двум условиям: (i) их Quality Metric выше, чем у других критериев кластера, И (ii) они еще не включены в набор критериев полученного элемента контента.
4. Эти выбранные критерии назначаются для управления распространением полученного элемента контента (т.е. таргетинг расширяется).
5. (Этап показа): Система получает запрос на показ контента вместе с электронным документом (веб-страницей).
6. Определяются показатели взаимодействия (interaction) или конверсии (Conversion Rates) для каждого из критериев на основе данных о предыдущих показах контента с этим документом.
7. Выбирается конкретный Placement Criterion на основе этих показателей (оптимизация в реальном времени).
8. Элемент контента предоставляется для показа на основе назначения (шаг 4) и выбора (шаг 7).

Ядром изобретения является автоматическое улучшение таргетинга объявления путем заимствования высокоэффективных (по CTR/Conversion Rate) критериев из кластера похожих объявлений. Финальный выбор критерия для показа оптимизируется в реальном времени на основе исторических данных о производительности в контексте конкретной веб-страницы.

Где и как применяется

Этот патент не применим к стандартной архитектуре органического поиска (Crawling, Indexing, Ranking и т.д.). Он описывает механизмы, работающие внутри Рекламной Экосистемы (AdTech), в частности, в Ad Placement System.

Компоненты системы (упомянутые в патенте):

• Criteria Expansion Circuit: Модуль, отвечающий за идентификацию кластеров, анализ схожести и расширение критериев.
• Quality Metric Circuit: Модуль, отвечающий за расчет и анализ метрик эффективности (CTR, Conversion Rate).
• Database: Хранилище объявлений, критериев таргетинга, данных о кластерах и истории эффективности.

Как применяется:

• Офлайн-анализ: Система анализирует контент и активность пользователей для построения Clusters и расчета Quality Metrics.
• Оптимизация кампаний: Система использует данные кластеров для автоматического расширения таргетинга существующих или новых рекламных кампаний.
• Обработка запросов (Real-time): В момент запроса на показ рекламы система использует расширенные критерии и исторические данные для оптимизации выбора объявления.

Входные данные:

• Рекламные объявления (текст, метаданные).
• Существующие Placement Criteria (ключевые слова, интересы).
• Анонимизированные данные об активности пользователей (для определения User Similarity).
• Исторические данные о показах, кликах и конверсиях.

Выходные данные:

• Расширенный набор Placement Criteria для рекламного объявления.
• Оптимизированный выбор критерия и показ объявления в ответ на запрос.

На что влияет

• Конкретные типы контента: Влияет исключительно на элементы контента, распространяемые через систему размещения, которая в патенте четко определена как система для advertisements (рекламных объявлений).
• Специфические запросы/Ниши: Влияет на эффективность рекламных кампаний (PPC) во всех нишах.

Патент не содержит информации о влиянии на ранжирование органического контента.

Когда применяется

• Триггеры активации:
  • При получении нового рекламного объявления в систему или при оптимизации существующих кампаний.
  • Когда для кластера идентифицированы Placement Criteria с Quality Metric, превышающей определенный порог эффективности.
• Условия работы: Наличие достаточного объема данных для формирования статистически значимых кластеров и расчета метрик эффективности.

Пошаговый алгоритм

Этап А: Предварительная обработка и кластеризация (Офлайн или периодически)

1. Сбор данных: Сбор рекламных объявлений, их Placement Criteria и анонимизированных данных об активности пользователей.
2. Анализ схожести: Расчет Semantic Similarity (на основе контента объявлений) и User Similarity (на основе интересов пользователей).
3. Формирование кластеров: Группировка объявлений в Clusters. Одно объявление может входить в несколько кластеров.
4. Анализ эффективности: Сбор данных о взаимодействиях (клики, конверсии). Расчет Quality Metric (CTR, Conversion Rate) для каждого критерия внутри кластера.
5. Фильтрация критериев: Идентификация высокоэффективных критериев в кластере (тех, чья Quality Metric превышает порог).

Этап Б: Обработка и расширение критериев

1. Получение контента: Система получает новое или существующее объявление для оптимизации.
2. Ассоциация с кластером: Определение релевантных кластеров для данного объявления.
3. Идентификация кандидатов: Поиск высокоэффективных критериев (из Этапа А.5) в ассоциированных кластерах.
4. Проверка новизны: Фильтрация кандидатов, которые еще не используются в таргетинге данного объявления.
5. Расширение (Expansion): Добавление выбранных кандидатов как Supplemental Criterion к объявлению.

Этап В: Размещение контента (В реальном времени)

1. Получение запроса: Поступает запрос на показ рекламы на веб-странице (электронном документе).
2. Оптимизация выбора: Система анализирует расширенный набор критериев. Выбор конкретного критерия для участия в аукционе основывается на его исторических показателях (interaction or conversion rates) в контексте данного документа.
3. Показ: Предоставление объявления для показа.

Какие данные и как использует

Данные на входе

Патент описывает использование следующих данных в контексте рекламной системы:

• Контентные факторы (рекламы): Текст, заголовок (title), метаданные объявления. Используются для определения Semantic Similarity и формирования кластеров.
• Поведенческие факторы: Критически важные данные.
  • Данные о взаимодействии с рекламой: Клики и конверсии. Используются для расчета Quality Metric.
  • Данные об активности пользователей (user induced activity): История просмотров веб-страниц (например, на основе cookies). Используются для определения User Similarity и интересов аудитории. Патент отмечает, что сбор данных анонимный и основан на согласии пользователя (opt-in/opt-out).
• Системные данные: Placement Criteria, предоставленные рекламодателями (ключевые слова, интересы, география).

Какие метрики используются и как они считаются

• Quality Metric: Основная метрика для оценки эффективности критерия таргетинга. Рассчитывается как:
  • Click Through Rate (CTR).
  • Conversion Rate (Коэффициент конверсии).
  • Объемы (volumes) кликов или конверсий.
• Semantic Similarity: Метрика схожести тематики контента. Рассчитывается путем анализа текста, ключевых слов, синонимов.
• User Similarity: Метрика схожести интересов аудитории. Рассчитывается путем анализа пересечения аудиторий, интересующихся разным контентом.
• Пороговые значения (Thresholds): Используются для определения того, является ли Quality Metric достаточно высоким, чтобы критерий считался «высокоэффективным».

Выводы

1. Патент относится к AdTech, а не к органическому поиску: Описанные механизмы (Placement Criteria, Quality Metric на основе CTR/Conversions, Ad Placement System) однозначно указывают на то, что изобретение функционирует в рамках рекламной платформы Google (Google Ads), а не системы органического ранжирования.
2. Автоматизация таргетинга через кластеризацию: Ключевой механизм — это группировка схожих рекламных объявлений и автоматический перенос успешных стратегий таргетинга (ключевых слов, интересов) от одних объявлений к другим внутри группы.
3. Два типа схожести: Система использует не только прямую тематическую схожесть (Semantic Similarity), но и схожесть на основе интересов аудитории (User Similarity). Это позволяет находить неочевидные, но эффективные варианты таргетинга, связывая разные темы (например, свадьбы и путешествия).
4. Ориентация на производительность: Расширение происходит только за счет критериев, доказавших свою эффективность (высокий Quality Metric). Система стремится максимизировать CTR и конверсии.
5. Отсутствие практической ценности для SEO: Патент не содержит информации о факторах органического ранжирования, методах индексации или оценки качества сайтов для органического поиска. Практических выводов для SEO-специалистов из этого патента сделать нельзя.

Практика

Best practices (это мы делаем)

Патент описывает внутренние процессы рекламной платформы Google (AdTech/PPC) и не дает прямых рекомендаций для органического SEO.

В тексте патента нет информации, на основе которой можно сформулировать Best Practices для SEO-специалистов.

Косвенно, концепция User Similarity подтверждает важность понимания широких интересов аудитории и пути пользователя (User Journey) при разработке контент-стратегии, но это общий принцип маркетинга, а не специфический вывод из данного патента.

Worst practices (это делать не надо)

Патент не описывает механизмы борьбы с манипуляциями в органическом поиске и не позволяет выявить неэффективные или опасные SEO-тактики.

Стратегическое значение

Стратегическое значение для органического SEO минимально. Патент подтверждает активное использование Google машинного обучения, кластеризации контента и анализа поведенческих данных для автоматизации и повышения эффективности своих рекламных продуктов. Он демонстрирует технические возможности Google по моделированию интересов пользователей (User Similarity) на основе их поведения, но не меняет понимание приоритетов Google в органическом поиске.

Практические примеры

Практических примеров применения данного патента в органическом SEO нет.

Ниже приведен пример того, как этот механизм может работать в контексте PPC (Google Ads), для иллюстрации логики изобретения.

Сценарий (PPC): Автоматическое расширение ключевых слов для рекламы колец

1. Кластеризация: Система анализирует множество рекламных кампаний. Объявление А (Реклама обручальных колец) и Объявление Б (Реклама колец для помолвки) попадают в один кластер на основе Semantic Similarity. Объявление В (Реклама организации медового месяца) также может попасть в этот кластер на основе User Similarity (общие интересы аудитории).
2. Анализ эффективности: Система определяет, что ключевое слово «лучшие места для медового месяца» имеет высокий CTR и конверсии (Quality Metric) для Объявления В.
3. Получение нового контента: Рекламодатель запускает новое Объявление Г (Реклама свадебных колец). Система ассоциирует его с тем же кластером.
4. Расширение: Система видит, что Объявление Г не использует ключевое слово «лучшие места для медового месяца». Так как это слово показало высокую эффективность в кластере (основанном на User Similarity), система добавляет его как Supplemental Criterion к таргетингу Объявления Г.
5. Результат: Таргетинг Объявления Г автоматически улучшен, и оно может показываться аудитории, интересующейся медовым месяцем.

Вопросы и ответы