Как Google использует агрегированные поведенческие данные (поиски, маршруты, GPS) для автоматического создания описаний и характеристик локального бизнеса

Описание

Какую задачу решает

Патент решает проблему объективной, динамической и масштабируемой характеризации физических локаций (например, бизнеса). Традиционные методы, основанные на анализе веб-страниц, отзывах или информации от владельцев, могут быть субъективными или устаревшими. Изобретение предлагает метод генерации насыщенных описаний (Aspects и Textual Summaries) путем использования агрегированных данных о реальном поведении пользователей (Computing Interactions).

Что запатентовано

Запатентована система (Aspect Determination System), которая анализирует агрегированные «вычислительные взаимодействия» (поиски, запросы маршрутов, данные GPS, чекины и т.д.), связанные с физическими локациями. Система сравнивает метрики взаимодействия (Interaction Measures) для одной локации с пороговыми значениями, с той же локацией в разное время (тренды) или с «группами сравнения» (Peer Groups – аналогичными локациями). Результатом являются определенные «аспекты» (например, «быстрый перекус», «растет популярность») и автоматически сгенерированные текстовые сводки.

Как это работает

Система работает в несколько этапов:

• Сбор данных: Агрегация Computing Interactions в Interactions Database.
• Группировка: Grouping Engine определяет группы взаимодействий для конкретной локации и, при необходимости, для Peer Group или разных временных периодов. Критерии могут определяться контекстом пользователя (Contextual Data).
• Вычисление метрик: Interaction Measure Engine рассчитывает метрики (например, количество посещений, средняя продолжительность визита).
• Сравнение и Определение Аспектов: Aspect Engine сравнивает метрики. Например, если недавняя активность значительно выше исторической, присваивается аспект «trending up».
• Генерация Сводок: Textual Summary Generation Engine автоматически создает текстовые описания на основе аспектов и сравнений.
• Применение: Information System (поисковая система, карты) использует эти сводки и аспекты для информирования пользователей и ранжирования результатов.

Актуальность для SEO

Высокая. Использование поведенческих данных из реального мира (Real-World User Signals) для ранжирования и характеризации сущностей, особенно в локальном поиске и Google Maps, является ключевым направлением развития Google. Этот патент описывает механизмы, напрямую применимые для генерации описательных сниппетов и рекомендаций, наблюдаемых в текущей локальной выдаче.

Важность для SEO

Критическое влияние на Local SEO (8.5/10). Патент демонстрирует, что Google активно использует сигналы реального взаимодействия (пешеходный трафик, поисковый интерес, запросы маршрутов) для характеризации и потенциального ранжирования местного бизнеса. Это подтверждает необходимость смещения фокуса SEO-стратегий с традиционной оптимизации на генерацию подлинного интереса пользователей и физических посещений (Online-to-Offline).

Детальный разбор

Термины и определения

Aspect (Аспект)

Определенная характеристика физического местоположения, выведенная алгоритмически путем анализа взаимодействий. Примеры: quick bites (быстрый перекус), trending up (в тренде), popular with locals (популярно у местных).

Aspect Determination System (Система определения аспектов)

Общая система, отвечающая за анализ взаимодействий и генерацию аспектов и сводок. Включает Grouping Engine, Interaction Measure Engine, Aspect Engine и Textual Summary Generation Engine.

Computing Interactions (Вычислительные взаимодействия)

Агрегированные действия пользователей, связанные с локацией. Включают запросы маршрутов (directional queries), поисковые запросы, данные о местоположении (GPS/Wi-Fi), записи календаря, фотографии с геометками, чекины, отзывы, данные из email (чеки, бронирования).

Computing Interaction Measure (Метрика вычислительного взаимодействия)

Рассчитанный показатель, основанный на группе взаимодействий. Может представлять количество, продолжительность (Visit Duration), средние значения, медианы или распределения.

Contextual Data (Контекстные данные)

Информация, используемая для определения критериев анализа, такая как местоположение пользователя, поисковый запрос, предпочтения пользователя или даже размер/плотность населения географической области.

Peer Group (Группа сравнения / Группа аналогов)

Набор дополнительных физических локаций, похожих на целевую локацию по определенным критериям (география, категория, ценовой диапазон). Используется как эталон для сравнения.

POI Database (База данных точек интереса)

База данных (например, локальный Knowledge Graph), хранящая сущности, представляющие физические локации (Points of Interest) и их свойства, включая определенные Aspects.

Textual Summary (Текстовая сводка)

Автоматически сгенерированный описательный текст о локации. Может быть сравнительным («наиболее часто ищут…») или абсолютным («здесь становится оживленнее»).

Ключевые утверждения (Анализ Claims)

Анализ основан на Claims из предоставленной публикации заявки (US 2025/0068661 A1).

Claim 1 (Независимый пункт): Описывает сквозной процесс использования данных устройства для генерации и отображения описаний в ответ на поиск.

1. Получение contextual data (в данном контексте это агрегированные взаимодействия), относящихся к физическому местоположению определенного типа (бизнес, достопримечательность и т.д.) с клиентских устройств.
2. Автоматическая генерация textual description (текстового описания) этого местоположения на основе этих данных. Описание характеризует местоположение ИЛИ сравнивает его с другими того же типа.
3. Получение search query (поискового запроса), связанного с этим местоположением.
4. В ответ на запрос – отображение сгенерированного textual description в интерфейсе.

Ядром изобретения является использование агрегированных данных с устройств о поведении в физическом месте для автоматического написания описательного сниппета и его последующее отображение в поиске.

Claim 4 (Зависимый от 1 и 3): Детализирует процесс, когда данные являются directional queries (запросы маршрутов). Фокус на сравнении с Peer Group.

1. Идентификация первой группы запросов маршрутов для данной локации.
2. Идентификация второй группы запросов маршрутов для дополнительных локаций (Peer Group), удовлетворяющих критериям.
3. Определение первого счетчика (для локации) и второго счетчика (для Peer Group).
4. Генерация textual description на основе сравнения счетчиков. Описание передает это соотношение.

Если локация получает значительно больше запросов на построение маршрута, чем аналогичные места поблизости, система генерирует описание вроде «Наиболее часто запрашиваемые маршруты в этом районе».

Claim 5 (Зависимый от 1 и 3): Детализирует процесс, когда данные являются client device interactions (например, посещения). Фокус на временном сравнении (Тренды).

1. Определение первой группы взаимодействий в течение первого (более старого) временного периода.
2. Определение второй группы взаимодействий в течение второго (более нового) временного периода.
3. Генерация textual description на основе сравнения количества взаимодействий в двух группах. Описание передает это соотношение.

Если в последнее время локация имеет значительно больше посещений по сравнению с прошлым, система генерирует описание вроде «Набирает популярность» или «Становится оживленнее».

Где и как применяется

Изобретение связывает сбор поведенческих данных с их анализом и финальным представлением результатов, преимущественно в контексте локального поиска и карт.

CRAWLING & Data Acquisition (Сбор данных)
Система непрерывно собирает Computing Interactions из различных источников (клиентские устройства, логи поиска, GPS/Навигационные системы, почтовые системы) и сохраняет их в Interactions Database.

INDEXING & Feature Extraction (Индексирование и извлечение признаков — Офлайн-анализ)
Основная аналитическая работа происходит на этом этапе:

• Aspect Determination System обрабатывает сырые данные.
• Grouping Engine связывает взаимодействия с POI (используя POI Database) и создает группы на основе времени, местоположения, атрибутов пользователя или критериев Peer Group. Происходит фильтрация выбросов.
• Interaction Measure Engine вычисляет метрики (количество, продолжительность).
• Aspect Engine сравнивает метрики и присваивает Aspects (например, «В тренде») точке интереса в POI Database.
• Textual Summary Generation Engine генерирует текстовые сниппеты, которые индексируются.

RANKING / RERANKING (Ранжирование / Переранжирование — Применение в реальном времени)

• Information System (поисковая система, карты, система рекомендаций) использует предварительно рассчитанные Aspects во время поиска.
• Aspects используются как сигналы ранжирования. Например, продвижение локаций с аспектом «trending up» или фильтрация по запросам, соответствующим аспектам (запрос «модные места для обеда»).

METASEARCH (Генерация SERP)
Textual Summaries извлекаются и отображаются вместе с результатами поиска (например, в Local Pack, Панели Знаний или на Картах), как показано на FIG. 4 патента.

На что влияет

• Конкретные типы контента и ниши: В первую очередь влияет на Локальный Поиск (Local SEO) и сущности с физическим присутствием: рестораны, магазины, отели, достопримечательности, парки.
• Специфические запросы: Сильно влияет на запросы, подразумевающие качество, популярность или атмосферу (например, «лучший ресторан рядом», «модные кафе», «быстрый обед»). Также влияет на общие локальные запросы, определяя описание в сниппете.

Когда применяется

• Анализ: Анализ взаимодействий и генерация аспектов/сводок происходит периодически в офлайн-режиме (пакетная обработка).
• Применение: Результаты применяются в реальном времени при обработке локального запроса или просмотре карт.
• Условия и Пороги: Требуется достаточный объем данных. В патенте упоминается, что группа формируется только если количество взаимодействий или уникальных пользователей удовлетворяет пороговому значению (например, >100 взаимодействий, >X пользователей).

Пошаговый алгоритм

Фаза 1: Сбор данных (Непрерывный процесс)

1. Сбор Computing Interactions (поиски, маршруты, данные GPS и т.д.) с множества пользовательских устройств и систем.
2. Хранение данных в Interactions Database с привязкой к конкретным физическим локациям (POI).

Фаза 2: Анализ и генерация (Офлайн/Пакетная обработка)

1. Выбор: Идентификация целевой физической локации для анализа.
2. Определение критериев: Определение набора для сравнения. Это может быть:
   • (A) Peer Group (на основе категории/местоположения/цены). Географическая зона может корректироваться в зависимости от плотности населения.
   • (B) Прошлый временной период (для анализа трендов).
   • (C) Статический порог (например, для определения продолжительности визита).
3. Группировка: Grouping Engine идентифицирует первую группу взаимодействий (для целевой локации) и вторую группу (если применимо). Применяется фильтрация выбросов (например, визитов сотрудников).
4. Расчет метрик: Interaction Measure Engine рассчитывает релевантные метрики для групп (например, средняя продолжительность визита, количество запросов маршрутов).
5. Сравнение: Aspect Engine сравнивает первую метрику со второй метрикой (или с порогом).
6. Присвоение аспекта: На основе сравнения и предопределенных порогов (например, рост >20%, время визита <45 мин), присвоение Aspect (например, «Trending Up», «Quick Bites») локации в POI Database.
7. Генерация сводки: Textual Summary Generation Engine автоматически генерирует Textual Summary на основе аспекта или сравнения, используя шаблоны (упомянутые в Таблицах 1 и 2 патента).

Фаза 3: Применение (Реальное время)

1. Получение запроса пользователя или контекста (например, открытие Карт).
2. Information System идентифицирует релевантные POI.
3. Извлечение предварительно рассчитанных Aspects и Textual Summaries.
4. Использование Aspects для фильтрации и/или ранжирования результатов.
5. Отображение результатов вместе с сгенерированными Textual Summaries.

Какие данные и как использует

Данные на входе

Патент полностью сосредоточен на использовании поведенческих и пользовательских данных, агрегированных с клиентских устройств.

• Поведенческие факторы (Computing Interactions):
  • Запросы маршрутов (directional queries): автомобильные, пешеходные, общественный транспорт.
  • Поисковые запросы, связанные с локацией.
  • Чекины (check-ins) и отзывы.
  • История браузера и отметки локации на карте (starring/flagging).
  • Данные из приложений: записи в календаре, электронные письма (бронирования, чеки), данные виртуального кошелька (покупки).
• Географические и Временные факторы:
  • Данные о местоположении с мобильных устройств (GPS, Wi-Fi) для определения факта и продолжительности визита (Visit Duration).
  • Временные метки взаимодействий.
  • Геометки (geotags) в фотографиях.
  • Размер и население географических областей (для определения границ Peer Group).
• Пользовательские факторы (Contextual Data):
  • Текущее местоположение пользователя, его предпочтения, бюджет.
  • Атрибуты пользователя (например, данные о доме (home), используемые для определения «местный житель» или «турист»).

Какие метрики используются и как они считаются

• Computing Interaction Measure (Показатель взаимодействия): Основная метрика. Рассчитывается как:
  • Количество: Сырой подсчет, среднее/медианное значение за период, распределение по времени (например, по часам дня).
  • Продолжительность (Visit Duration): Средняя/медианная продолжительность визита (по данным GPS).
  • Лояльность (Loyalty): Количество повторных взаимодействий пользователей.
• Пороговые значения (Thresholds): Используются для определения аспектов на основе сравнения. Примеры из патента (Tables 1 и 2):
  • Топ 1%, Топ 10% (для популярности по сравнению с Peer Group).
  • <45 минут средней продолжительности (для «Quick bites»).
  • 60% туристов (для «Popular with tourists»).
• Методы анализа и фильтрации:
  • Сравнительный и Временной анализ.
  • Фильтрация выбросов (outliers): Упоминается удаление аномальных данных, например, визитов сотрудников (слишком долгие визиты, визиты вне рабочих часов). Используются методы вроде truncated means или Winsorized means.
  • Взвешивание данных: Использование confidence level или confidence measure (уровня уверенности) в источнике данных.

Выводы

1. Реальное поведение пользователей — ключевой сигнал для Local SEO: Google активно использует агрегированные данные о том, как люди взаимодействуют с физическими локациями (посещают, ищут, строят маршруты), как основной источник истины об их популярности и характеристиках. Это важнее, чем анализ онлайн-контента или отзывов.
2. Сравнение с прямыми конкурентами (Peer Grouping): Оценка бизнеса не абсолютна, а относительна. Система сравнивает его с конкретной Peer Group (аналогичные бизнесы поблизости, той же категории/цены). Успешность измеряется в контексте окружения.
3. Динамические аспекты и тренды: Google алгоритмически вычисляет динамические характеристики, такие как рост популярности (trending up), популярность в определенное время или у определенных сегментов (местные/туристы), анализируя изменения во взаимодействиях.
4. Автоматическая генерация сниппетов: Textual Summaries генерируются автоматически на основе данных о поведении и напрямую влияют на представление бизнеса в SERP и на Картах, что влияет на CTR.
5. Влияние на ранжирование: Эти аспекты используются не только для описания, но и для повышения позиций в поиске и системах рекомендаций, особенно по запросам, связанным с качеством, популярностью и атмосферой.

Практика

Best practices (это мы делаем)

• Стимулирование реальных взаимодействий (Online-to-Offline): Ключевая стратегия для Local SEO. Необходимо поощрять пользователей искать ваш бренд, строить маршруты (Directional Queries) и физически посещать локацию. Это прямые сигналы (Computing Interactions), которые использует система.
• Точное позиционирование и категоризация (GBP): Убедитесь, что бизнес правильно категоризирован и указан верный ценовой диапазон в Google Business Profile. Это гарантирует, что система будет сравнивать его с корректной Peer Group.
• Оптимизация под целевые «Аспекты» через сервис: Понимать, какие характеристики (Aspects) важны для ниши, и обеспечивать их на практике. Если цель – аспект «quick bites», необходимо обеспечить быстрое обслуживание, что отразится в данных о продолжительности визитов (Visit Duration).
• Локальный маркетинг и PR: Проведение мероприятий и локальных кампаний (включая Local Ads) для создания всплесков посещаемости может помочь в получении аспекта Trending Up, что даст преимущество в ранжировании.
• Работа над лояльностью и удержанием: Система измеряет повторные визиты. Построение базы лояльных клиентов может привести к генерации сводок типа «Loyal customers» и улучшению показателей по сравнению с Peer Group.

Worst practices (это делать не надо)

• Игнорирование офлайн-опыта: Фокус только на онлайн-оптимизации без заботы о реальном сервисе неэффективен. Если реальное поведение пользователей (например, отсутствие повторных посещений) не соответствует позиционированию, система будет полагаться на поведение.
• Накрутка поведенческих факторов: Попытки симулировать визиты или запросы маршрутов рискованны. Система использует разнообразные сигналы и методы фильтрации выбросов (outliers, truncated means) и меры уверенности (confidence measures) для выявления аномалий и обеспечения чистоты данных.
• Неправильный выбор категории бизнеса: Выбор неточной категории приведет к сравнению с нерелевантной Peer Group, что исказит определение аспектов и генерацию сводок.

Стратегическое значение

Патент подтверждает стратегический приоритет Google в использовании данных о реальном мире (O2O data) для оценки локального бизнеса. Успех в Local SEO требует, чтобы бизнес был действительно популярен в физическом мире. SEO-стратегия должна интегрироваться с оффлайн-маркетингом для максимизации сигналов взаимодействия (computing interactions), которые Google может измерить и использовать для ранжирования и характеризации бизнеса.

Практические примеры

Сценарий 1: Получение сравнительного преимущества для ресторана

1. Цель: Получить Textual Summary вида «Один из самых популярных итальянских ресторанов в районе X».
2. Действия: Запустить таргетированную локальную рекламную кампанию для привлечения посетителей из района X. Активно мотивировать клиентов искать ресторан и строить маршруты к нему.
3. Механизм работы: Grouping Engine формирует Peer Group «Итальянские рестораны в районе X». Interaction Measure Engine фиксирует рост запросов маршрутов и поисков для целевого ресторана. Aspect Engine определяет, что показатели ресторана вошли в Топ-10% по сравнению с Peer Group.
4. Результат: Система генерирует желаемое текстовое резюме и отображает его в локальной выдаче, повышая CTR и потенциально улучшая ранжирование.

Сценарий 2: Оптимизация кафе под аспект «Quick Bites»

1. Цель: Позиционировать кафе как место для быстрого перекуса и ранжироваться по соответствующим запросам.
2. Действия: Оптимизировать обслуживание для ускорения выполнения заказов. Ввести меню быстрых ланчей.
3. Механизм работы: Система анализирует данные GPS посетителей и определяет среднюю продолжительность визита (Visit Duration). Aspect Engine сравнивает ее с порогом (например, 45 минут, как указано в Таблице 2 патента).
4. Результат: Если среднее время визита ниже порога, система присваивает аспект Quick Bites и может выше ранжировать кафе по запросам типа «быстро перекусить рядом».

Вопросы и ответы