Как Google использует данные о чаевых, местоположении и лояльности клиентов для ранжирования локальных бизнесов

Описание

Какую задачу решает

Патент решает проблему зависимости оценки качества сущностей (например, локальных бизнесов) исключительно от явных отзывов и рейтингов. Такие данные требуют ручного ввода, могут быть предвзятыми, подвержены спаму и манипуляциям. Изобретение предлагает механизм оценки сущностей на основе имплицитных (неявных) поведенческих сигналов, полученных из реальных взаимодействий пользователей с бизнесом в офлайне.

Что запатентовано

Запатентована система для определения и корректировки оценки сущности (Entity Score) на основе анализа поведения пользователей (User Behaviors). Система агрегирует данные из платежных сервисов (Payment Services) и сервисов определения местоположения (Location-based Services). Анализируя такие действия, как платежные транзакции (включая чаевые) и физическое присутствие пользователей в локации, система генерирует сигналы оценки (Scoring Signals), которые модифицируют рейтинг сущности.

Как это работает

Система функционирует путем сбора и анализа трех основных типов поведения:

• Платежное поведение (Payment behaviors): Анализируются транзакции пользователей. Система сравнивает средний размер чаевых (average tip amount) и частоту чаевых (tip frequency) с базовыми показателями (baseline) для аналогичных сущностей или региона. Высокие показатели генерируют положительный Scoring Signal.
• Поведение на основе местоположения (Location-based behaviors): Анализируются данные о присутствии пользователей в локации. Вычисляется соотношение вернувшихся пользователей к разовым посетителям. Высокая лояльность генерирует положительный Scoring Signal.
• Поведение на основе выбора (Choice-based behaviors): Анализируется выбор пользователем данной сущности при наличии альтернатив в той же географической зоне. Если пользователь предпочитает данную сущность альтернативам (особенно если она менее доступна), это генерирует положительный Scoring Signal.

Полученные Scoring Signals используются для модификации (увеличения или уменьшения) Entity Score, который затем используется для ранжирования сущности в результатах поиска.

Актуальность для SEO

Высокая. Использование реальных поведенческих данных и офлайн-сигналов для ранжирования локальных сущностей является ключевым направлением развития локального поиска. Этот патент описывает конкретные механизмы интеграции данных из источников, таких как Google Maps и потенциально Google Pay, для оценки качества бизнеса, что делает его крайне актуальным для понимания факторов Local SEO.

Важность для SEO

Патент имеет критическое значение для локального SEO (Local SEO). Он демонстрирует, что Google может оценивать качество бизнеса, используя данные, которые практически невозможно подделать (реальные чаевые, паттерны посещений). Это подчеркивает, что для высокого ранжирования локальных сущностей критически важен реальный положительный клиентский опыт в офлайне, а не только онлайн-оптимизация или сбор отзывов.

Детальный разбор

Термины и определения

Entity (Сущность)

Объект, который оценивается системой. Может быть частным или публичным. Примеры: бизнес (ресторан, магазин), публичное учреждение (библиотека, парк).

Entity Score (Оценка сущности)

Числовое значение, связанное с сущностью, которое модифицируется на основе Scoring Signals. Используется для ранжирования.

Scoring Signal (Сигнал оценки)

Значение (положительное или отрицательное), полученное в результате анализа поведения пользователей. Используется для модификации Entity Score.

Payment behaviors (Платежное поведение)

Действия пользователя, связанные с платежными транзакциями с сущностью, включая наличие, размер и частоту чаевых.

Average Tip Amount (Средний размер чаевых)

Агрегированный показатель, вычисленный на основе чаевых из множества платежных транзакций пользователей с сущностью.

Baseline Tip Amount/Frequency (Базовый размер/частота чаевых)

Эталонный показатель, основанный на исторических данных. Используется для сравнения. Может основываться на средних показателях для сущностей в той же категории или географической области.

Location-based behaviors (Поведение на основе местоположения)

Действия пользователя, связанные с его физическим присутствием в локации сущности (User Presences), например, повторные посещения.

Ratio of returning users to one-time users (Соотношение вернувшихся пользователей к разовым)

Метрика лояльности, показывающая, как часто пользователи возвращаются в заведение.

Choice-based behaviors (Поведение на основе выбора)

Действия пользователя, указывающие на предпочтение одной сущности перед другими альтернативами в определенной географической области.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения оценки сущности, сфокусированный на платежном поведении (чаевых).

1. Система идентифицирует множество платежных транзакций пользователей с сущностью.
2. Вычисляется average tip amount на основе этих транзакций.
3. Этот средний размер сравнивается с baseline tip amount, определенным на основе исторических платежных транзакций.
4. На основе сравнения определяется Scoring Signal.
5. Система модифицирует Entity Score, используя этот Scoring Signal.
6. Модифицированная оценка и идентификатор сущности сохраняются.

Claim 2 (Зависимый от 1): Дополняет метод учетом частоты чаевых (tip frequency) в сравнении с базовой частотой (baseline tip frequency) для определения Scoring Signal.

Claim 4, 5 и 6 (Зависимые от 1): Вводят в анализ данные о местоположении.

1. Система идентифицирует множество присутствий пользователей (users presences) в локации сущности (Claim 4).
2. Определяется соотношение (ratio) количества повторных посещений к количеству разовых посещений (Claim 5).
3. Это соотношение сравнивается с базовым соотношением (baseline ratio) для дальнейшего определения Scoring Signal (Claim 6).

Claim 7 и 8 (Зависимые): Детализируют механизм модификации оценки.

• Если average tip amount (Claim 7) или tip frequency (Claim 8) выше базового уровня, Entity Score увеличивается. Если ниже — уменьшается.

Claim 9 (Зависимый от 1): Связывает механизм с поисковым ранжированием.

Система использует вычисленный Entity Score для ранжирования данной сущности среди других сущностей и передает ранжированный список на клиентское устройство в ответ на поисковый запрос.

Где и как применяется

Изобретение затрагивает этапы сбора данных, индексирования (оценки сущностей) и ранжирования, особенно в контексте локального поиска.

CRAWLING (Data Acquisition) – Сбор данных
Система собирает данные из источников, которые не являются традиционным веб-контентом. Взаимодействует с:

• Payment service (например, Google Pay): Получение данных о транзакциях и чаевых. Упоминаются NFC-based сервисы.
• Location-based service (например, Google Maps Location History): Получение данных о присутствии пользователей (чекины или автоматическое определение по GPS/Wi-Fi).
• Geographic map service: Получение данных о расположении сущностей и наличии альтернатив.

INDEXING (Feature Extraction) – Индексирование и извлечение признаков
На этом этапе происходит обработка собранных данных и вычисление Entity Score. Это не индексирование веб-страниц, а оценка сущностей.

• Анализ поведения: Данные о взаимодействиях обрабатываются для вычисления метрик (average tip amount, ratio of returning users).
• Вычисление сигналов: Метрики сравниваются с базовыми значениями для генерации Scoring Signals.
• Обновление оценки: Entity Score модифицируется и сохраняется в Entity Database (вероятно, часть Knowledge Graph).

RANKING – Ранжирование
Как указано в Claim 9, вычисленный Entity Score используется как один из факторов для ранжирования сущностей в ответ на поисковый запрос (например, в Local Pack или на Картах).

Входные данные:

• Данные о платежных транзакциях (суммы, чаевые).
• Данные о местоположении пользователей (GPS, чекины).
• Данные о сущностях (категория, расположение).
• Исторические данные для расчета базовых показателей.

Выходные данные:

• Обновленный Entity Score для сущности.
• Ранжированный список сущностей в ответ на запрос.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние оказывается на локальные бизнесы (Entities), особенно в сферах, где распространены чаевые (рестораны, бары, услуги) и где важна лояльность клиентов (ритейл, публичные заведения).
• Специфические запросы: Влияет на локальные запросы (например, «ресторан рядом со мной»), где система должна оценить и ранжировать физические заведения.

Когда применяется

• Условия применения: Алгоритм применяется при наличии достаточного объема данных о взаимодействиях пользователей (платежах и посещениях) с конкретной сущностью.
• Триггеры активации (для Choice-based behaviors): Анализ выбора активируется только в том случае, если в географической области существуют похожие альтернативные сущности. Если альтернатив нет, данные о поведении игнорируются для этого типа анализа.
• Временные рамки: Сбор данных происходит непрерывно. Анализ посещений требует данных за определенный период (упоминаются дни, недели, месяцы, годы) для выявления паттернов лояльности.

Пошаговый алгоритм

Патент описывает три отдельных процесса для анализа разных типов поведения.

Процесс А: Анализ платежного поведения (Tipping)

1. Сбор данных: Получение агрегированных платежных транзакций для выбранной сущности из платежного сервиса.
2. Извлечение признаков: Определение размера и частоты чаевых из полученных транзакций. Вычисление average tip amount и tip frequency.
3. Сравнение с эталоном: Оценка вычисленных показателей путем сравнения с baseline tip amount и baseline tip frequency (например, для той же категории бизнеса в той же локации).
4. Генерация сигнала: Определение Scoring Signal. Если показатели выше порогового значения относительно базовых — сигнал положительный; если ниже — отрицательный. Значение сигнала может быть пропорционально разнице.
5. Модификация оценки: Изменение Entity Score выбранной сущности на основе Scoring Signal.

Процесс Б: Анализ поведения на основе местоположения (Loyalty)

1. Сбор данных: Получение данных о присутствии пользователей в локации выбранной сущности за определенный период времени из сервиса местоположения.
2. Вычисление метрики: Определение соотношения (ratio) вернувшихся пользователей (повторные посещения) к разовым пользователям (одно посещение).
3. Генерация сигнала: Определение Scoring Signal на основе соотношения. Если соотношение выше порога (например, больше 1 или выше baseline ratio) — сигнал положительный; если ниже — отрицательный.
4. Модификация оценки: Изменение Entity Score выбранной сущности на основе Scoring Signal.

Процесс В: Анализ поведения на основе выбора (Preference)

1. Сбор данных: Получение данных о присутствии пользователей в локации выбранной сущности.
2. Проверка контекста: Определение с помощью географического картографического сервиса, существуют ли похожие альтернативные сущности в данной географической области.
3. Фильтрация: Если альтернатив нет, данные о поведении игнорируются, процесс останавливается.
4. Оценка предпочтений: Если альтернативы есть, оценка присутствия пользователей в сравнении с альтернативами. Множественные посещения выбранной сущности, несмотря на наличие альтернатив, указывают на предпочтение.
5. Генерация сигнала: Определение положительного Scoring Signal. Значение может зависеть от количества посещений, количества альтернатив и расстояний. (В патенте также упоминается возможность генерации отрицательного сигнала для альтернативных сущностей, если выбранная сущность менее доступна).
6. Модификация оценки: Изменение Entity Score выбранной сущности на основе Scoring Signal.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании нетрадиционных для SEO данных, связанных с реальным поведением пользователей в офлайне.

• Поведенческие факторы (Офлайн/Имплицитные):
  • Платежные данные: Суммы транзакций, суммы чаевых (tip amounts), частота чаевых (tip frequency). Получаются из Payment service.
  • Данные о местоположении: Присутствие пользователя в локации (user presences). Получаются из Location-based service путем ручных чекинов или автоматически (GPS, Wi-Fi).
• Географические факторы:
  • Расположение сущности.
  • Расположение альтернативных сущностей в географической зоне.
  • Расстояние между пользователем и сущностями.
• Пользовательские факторы:
  • Исторические данные о поведении пользователя (для определения базовых показателей чаевых конкретного пользователя или для идентификации вернувшихся посетителей).
  • Упоминается возможность сегментации сигналов по агрегированным демографическим данным групп пользователей для взвешивания сигналов.

Какие метрики используются и как они считаются

• Average Tip Amount: Агрегированный показатель чаевых для сущности.
• Tip Frequency: Частота, с которой пользователи оставляют чаевые сущности.
• Baseline Tip Amount/Frequency: Эталонные показатели чаевых, основанные на исторических данных для категории, локации или конкретного пользователя.
• Ratio of returning users to one-time users: Соотношение количества повторных посещений к количеству разовых посещений за период времени.
• Baseline Ratio: Эталонное соотношение лояльности (упомянуто в Claim 6).
• Scoring Signal: Вычисляется путем сравнения метрик поведения с базовыми показателями или путем оценки выбора при наличии альтернатив. Значение сигнала часто пропорционально разнице между метрикой и базовым показателем.

Выводы

1. Имплицитные сигналы как замена явным отзывам: Патент описывает механизм снижения зависимости от явных отзывов, которые подвержены спаму и предвзятости. Google стремится оценивать сущности на основе реальных, трудно подделываемых действий пользователей в офлайне.
2. Интеграция офлайн-данных в ранжирование: Система напрямую связывает офлайн-взаимодействия (платежи, физические посещения) с онлайн-ранжированием (Claim 9). Данные из платежных систем и сервисов геолокации становятся факторами ранжирования для локальных сущностей.
3. Качество обслуживания как фактор ранжирования (Tipping): Размер и частота чаевых используются как прямой индикатор удовлетворенности клиентов качеством обслуживания. Высокие чаевые относительно базовых показателей улучшают Entity Score.
4. Лояльность клиентов как фактор ранжирования (Loyalty): Соотношение вернувшихся и разовых клиентов является сильным сигналом качества и популярности сущности. Высокая лояльность улучшает Entity Score.
5. Конкурентное преимущество как фактор ранжирования (Preference): Способность сущности привлекать клиентов, несмотря на наличие близких альтернатив (особенно если сущность менее удобно расположена), свидетельствует о ее высокой ценности и улучшает Entity Score.
6. Важность контекста (Базовые показатели): Оценка поведения происходит не в вакууме, а в сравнении с базовыми показателями (baseline) для категории, локации или истории пользователя. Это обеспечивает контекстуальность оценки.

Практика

Best practices (это мы делаем)

Рекомендации направлены на улучшение реального клиентского опыта, так как он генерирует сигналы, описанные в патенте.

• Фокус на реальном качестве обслуживания и продукте: Это становится прямой SEO-задачей для локального бизнеса. Высокое качество сервиса ведет к лучшим чаевым (влияет на Payment behaviors) и более высокой возвращаемости клиентов (влияет на Location-based behaviors).
• Стимулирование лояльности и повторных визитов: Внедрение программ лояльности и стратегий удержания клиентов напрямую коррелирует с метрикой ratio of returning users.
• Создание уникального предложения (USP): Бизнес должен выделяться среди локальных конкурентов, чтобы пользователи делали выбор в его пользу (Choice-based behaviors), даже если существуют более удобные альтернативы.
• Поощрение использования отслеживаемых платежных систем: Если Google использует данные из собственных платежных сервисов (например, Google Pay, NFC-платежи с Android), бизнесу выгодно принимать такие платежи, чтобы данные о транзакциях и чаевых могли быть учтены системой.
• Обеспечение точности геолокационных данных: Убедитесь, что физическое расположение бизнеса точно определено на картах, чтобы система могла корректно идентифицировать присутствие пользователей и сравнивать с альтернативами.

Worst practices (это делать не надо)

• Манипуляции с отзывами при игнорировании качества сервиса: Патент направлен на снижение эффективности этой тактики. Если явные отзывы положительные, но имплицитные сигналы (низкие чаевые, отсутствие лояльности) отрицательные, Entity Score может быть низким.
• Игнорирование клиентского опыта в офлайне: Плохое обслуживание и высокая текучесть клиентов будут генерировать отрицательные Scoring Signals и понижать рейтинг в локальном поиске.
• Создание барьеров для отслеживания посещений: Попытки помешать пользователям использовать сервисы геолокации или чекины могут привести к недостатку данных для анализа и потере потенциальных положительных сигналов ранжирования.

Стратегическое значение

Патент подтверждает стратегию Google по интеграции данных о реальном мире (Offline Data) в алгоритмы онлайн-ранжирования. Для Local SEO это означает, что видимость в поиске напрямую зависит от качества бизнес-операций и удовлетворенности клиентов. Долгосрочная стратегия должна включать улучшение бизнес-процессов, качества обслуживания и удержания клиентов как неотъемлемые элементы SEO.

Практические примеры

Сценарий 1: Повышение рейтинга ресторана за счет качества обслуживания (Tipping)

1. Ситуация: Два ресторана итальянской кухни расположены на одной улице. Ресторан А улучшает качество обслуживания.
2. Сбор данных: Система фиксирует, что средний размер чаевых (average tip amount) в Ресторане А через мобильные платежные системы стал выше, чем в среднем по городу (baseline tip amount).
3. Результат: Система генерирует положительный Scoring Signal для Ресторана А, увеличивает его Entity Score, что приводит к более высокому ранжированию в локальной выдаче по запросу «итальянский ресторан рядом».

Сценарий 2: Оценка лояльности кофейни (Loyalty)

1. Ситуация: Кофейня в бизнес-центре.
2. Сбор данных: Система анализирует данные геолокации пользователей за 3 месяца. Определяется, что 60% посетителей возвращаются минимум раз в неделю (returning users), а 40% были только один раз (one-time users).
3. Анализ: Соотношение returning users к one-time users высокое (1.5).
4. Результат: Система генерирует положительный Scoring Signal, указывающий на высокую лояльность, что улучшает позиции кофейни в локальном поиске.

Сценарий 3: Влияние выбора (Preference)

1. Контекст: Пользователь ищет магазин электроники. Есть два магазина: А (ближе к пользователю) и Б (дальше).
2. Данные: Анализ исторических данных показывает, что пользователи в этом районе часто игнорируют магазин А и едут в магазин Б.
3. Анализ: Система фиксирует Choice-based behavior в пользу Б. Генерируется положительный сигнал для Б и потенциально отрицательный для А.
4. Результат: Магазин Б может ранжироваться выше магазина А, даже если он находится дальше.

Вопросы и ответы