Как Google Ads рассчитывает ставки на основе прогнозируемой вовлеченности пользователя (время на сайте и глубина просмотра)

Описание

Какую задачу решает

Патент решает проблему для рекламодателей, ориентированных на брендинг или информирование (например, автопроизводители), чья цель — вовлечение пользователя, а не немедленные онлайн-продажи. Традиционные модели ставок (CPC или стандартный CPA за продажу/лид) не позволяли им эффективно закупать трафик, который с высокой вероятностью проведет время на сайте. Изобретение предоставляет механизм для назначения ставок конкретно за достижение минимального уровня взаимодействия (minimum traffic interaction).

Что запатентовано

Запатентована система для прогнозирования вероятности «Трафиковой Конверсии» (Traffic Conversion) — определенного уровня вовлеченности пользователя на сайте. Суть изобретения заключается в методе конвертации ставки за эту Трафиковую Конверсию (CPA) в эквивалентную ставку цены за клик (CPC) путем умножения ставки на прогнозируемую вероятность конверсии. Это позволяет целям по вовлеченности конкурировать в стандартных CPC-аукционах.

Как это работает

Система функционирует в рамках рекламной платформы:

• Определение цели: Рекламодатель определяет Traffic Conversion (например, минимум 3 минуты на сайте) и назначает ставку (Traffic Conversion Bid).
• Обучение модели: Система анализирует исторические данные (Traffic Pattern Data) для обучения предиктивной модели (например, логистической регрессии).
• Прогнозирование: При запросе на показ рекламы модель прогнозирует вероятность (Conversion Probability) того, что данный пользователь достигнет заданной цели вовлеченности.
• Расчет ставки: Система рассчитывает эквивалентную CPC-ставку (Bid Data), умножая вероятность конверсии на ставку за конверсию.
• Аукцион: Рассчитанная ставка используется в рекламном аукционе для определения ранга объявления.

Актуальность для SEO

Высокая (для контекстной рекламы/Google Ads). Концепция прогнозирования вероятности конверсии и автоматической корректировки ставок (Smart Bidding) является фундаментальной для современных рекламных систем. Хотя конкретные ML-модели могли эволюционировать с момента подачи патента, описанные механизмы прогнозирования и конвертации ставок CPA в CPC высоко актуальны.

Важность для SEO

Влияние на органическое SEO минимально (1/10). Этот патент описывает исключительно механизмы внутри экосистемы платной рекламы (Google Ads). Он не дает никакого понимания алгоритмов органического ранжирования. Для SEO он интересен только как подтверждение того, что Google обладает сложными технологиями для отслеживания, моделирования и прогнозирования метрик вовлеченности (время на сайте, глубина просмотра), но исключительно в контексте рекламных аукционов.

Детальный разбор

Термины и определения

Traffic Conversion (Трафиковая Конверсия)

Определяемая рекламодателем цель, основанная на достижении минимального взаимодействия (minimum traffic interaction) пользователя с веб-ресурсом (web property).

Minimum Traffic Interaction (Минимальное взаимодействие)

Пороговое значение, определяющее Traffic Conversion. Основано на минимальной продолжительности сессии (duration) или минимальном количестве просмотренных страниц (quantity of pages navigated).

Associated User Sessions (Связанные пользовательские сессии)

Несколько сессий, связанных одним идентификатором (User ID, cookie, IP). Traffic Conversion может учитывать агрегированное взаимодействие в течение нескольких таких сессий за определенный период времени.

Traffic Conversion Bid Data (Данные ставки за Трафиковую Конверсию)

Сумма (bid amount), которую рекламодатель готов заплатить за достижение Traffic Conversion (CPA).

Conversion Probability Data (Данные о вероятности конверсии)

Прогнозная вероятность того, что Traffic Conversion произойдет после клика по объявлению.

Bid Data (Данные ставки — рассчитанные)

Эквивалентная ставка CPC, рассчитанная системой путем умножения Traffic Conversion Bid Data на Conversion Probability Data. Используется в аукционе.

Traffic Pattern Data (Данные о паттернах трафика)

Исторические данные о прошлых пользовательских сессиях на веб-ресурсе, используемые для обучения предиктивной модели.

Session Features (Признаки сессии)

Характеристики сессии, используемые предиктивной моделью (гео-локация, время, устройство, демография, источник рекламы и т.д.).

Traffic Conversion Learning Module (Модуль обучения трафиковым конверсиям)

Компонент, который генерирует предиктивную модель (например, используя логистическую регрессию) для оценки вероятности конверсии.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод конвертации ставки за вовлеченность в ставку за клик для участия в аукционе.

1. Система определяет Traffic Conversion для веб-ресурса. Это определяется как минимальное взаимодействие (агрегированная длительность ИЛИ агрегированное количество страниц) нескольких связанных сессий (multiple associated user sessions) для одного идентификатора пользователя в течение заданного периода времени.
2. Система идентифицирует сумму ставки (traffic conversion bid amount), которую спонсор готов заплатить.
3. Система получает запрос на контент (рекламное объявление).
4. Система определяет вероятность (conversion probability) того, что конверсия произойдет после выбора контента.
5. Система определяет данные ставки (bid data) путем:
   • Вычисления произведения суммы ставки за конверсию и вероятности конверсии.
   • Конвертации ставки за конверсию в ставку за клик (click-based bid amount) для использования в аукционе, основанном на кликах (click-based content item selection process).

Ядро изобретения — механизм интеграции ставок за пост-клик вовлеченность в стандартный кликовый аукцион через предиктивное моделирование.

Claim 3 и 4 (Зависимые): Описывают модель монетизации по типу CPA.

Если клик произошел И была достигнута Traffic Conversion, с рекламодателя списывается полная сумма ставки за конверсию. Если клик был, но конверсия не достигнута, списание не производится (событие логируется).

Claim 6 (Зависимый от 1): Описывает модель монетизации по типу CPC.

Если клик произошел, с рекламодателя списывается сумма, определенная в рассчитанных Bid Data (эквивалентная CPC-ставка), независимо от того, была ли достигнута фактическая Traffic Conversion.

Claim 7, 8, 9 (Зависимые): Детализируют процесс прогнозирования.

Вероятность определяется путем анализа исторических Traffic Pattern Data. Для этого используется модель машинного обучения, конкретно упоминается модель логистической регрессии (logistic regression model).

Где и как применяется

ВАЖНО: Этот патент не применяется в архитектуре органического поиска Google (Crawling, Indexing, Ranking и т.д.). Он относится исключительно к Системе управления рекламой (Advertisement Management System / Google Ads).

Компоненты и взаимодействие:

• Офлайн-процесс (Обучение): Traffic Conversion Learning Module анализирует Traffic Pattern Data для создания предиктивных моделей.
• Онлайн-процесс (Аукцион):
  • Ad Request Module получает запрос на рекламу и Session Features.
  • Предиктивная модель рассчитывает Conversion Probability Data.
  • Bid Determining Module использует эту вероятность и ставку рекламодателя (Traffic Conversion Bid Data) для расчета итоговой Bid Data (эквивалент CPC).
  • Аукцион использует Bid Data для ранжирования рекламы.

Входные данные:

• Запрос на рекламу и связанные с ним Session Features (гео, время, устройство и т.д.).
• Traffic Conversion Bid Data (ставка рекламодателя).
• Предиктивная модель (обученная на исторических Traffic Pattern Data).

Выходные данные:

• Bid Data (рассчитанная эквивалентная CPC-ставка для аукциона).
• Content Item Rank Data (ранг объявления в аукционе).

На что влияет

• Конкретные типы контента и ниши: Влияет на ранжирование и ценообразование платной рекламы. Наиболее актуально для рекламодателей, ориентированных на брендинг и вовлечение (например, автопроизводители, FMCG), где немедленная онлайн-покупка не является целью.
• Специфические запросы: Влияет на любые запросы, по которым рекламодатели используют стратегию ставок на основе Traffic Conversion.

Когда применяется

• Условия работы алгоритма: Применяется в момент проведения рекламного аукциона.
• Триггеры активации: Активируется, если участвующий в аукционе рекламодатель выбрал стратегию ставок, основанную на Traffic Conversions (вовлеченности), вместо стандартных CPC или CPA (за продажу).

Пошаговый алгоритм

Процесс А: Офлайн-генерация предиктивной модели

1. Изучение данных о трафике: Система изучает исторические Traffic Pattern Data для веб-ресурса.
2. Идентификация взаимодействий: Определяются метрики взаимодействия (продолжительность, количество страниц) в прошлых пользовательских сессиях.
3. Идентификация признаков сессии: Извлекаются Session Features (гео, время, устройство, источник и т.д.) для каждой прошлой сессии.
4. Генерация модели: На основе корреляций между признаками и взаимодействиями генерируется предиктивная модель (например, с помощью логистической регрессии) для прогнозирования вероятности конверсии.

Процесс Б: Онлайн-обработка запроса рекламы и Аукцион

1. Определение цели и ставки: Идентифицируется цель Traffic Conversion и соответствующая ставка (Traffic Conversion Bid Data) для релевантного объявления.
2. Получение запроса: Система получает запрос на показ объявления с текущими Session Features.
3. Определение вероятности конверсии: Используя предиктивную модель и текущие Session Features, система определяет Conversion Probability Data.
4. Расчет ставки: Рассчитываются Bid Data (эквивалентная CPC-ставка) путем умножения вероятности конверсии на ставку за конверсию.
5. Ранжирование: Рассчитанные Bid Data используются в аукционе для определения ранга объявления (Content item rank data).

Какие данные и как использует

Данные на входе

Патент фокусируется на данных, необходимых для прогнозирования вовлеченности в рамках рекламной системы.

• Поведенческие факторы (Ключевые, в составе Traffic Pattern Data): Продолжительность прошлых сессий, количество просмотренных страниц. Также упоминаются взаимодействия с виртуальными страницами (AJAX) и вовлеченность на странице (например, движения мыши).
• Пользовательские факторы (Session Features): Гео-локационная информация (например, страна по IP), демографическая информация (анонимизированная), операционная система устройства.
• Временные факторы (Session Features): Время суток и день недели.
• Контекстные факторы (Session Features): Место показа рекламы (конкретный сайт, поисковая система, рекламный слот), домен/URL.
• Характеристики веб-ресурса: Категория сайта рекламодателя, язык контента.

Какие метрики используются и как они считаются

• Minimum Traffic Interaction: Пороговое значение вовлеченности (время или количество страниц), заданное рекламодателем. Может рассчитываться как агрегация по нескольким связанным сессиям (Associated User Sessions).
• Conversion Probability: Вероятность достижения порога. Рассчитывается предиктивной моделью.
• Bid Data (Эквивалентная CPC-ставка): Формула расчета: Conversion Probability * Traffic Conversion Bid.
• Алгоритмы машинного обучения: Для построения предиктивной модели явно упоминается использование логистической регрессии (logistic regression model).

Выводы

1. Патент относится исключительно к Google Ads, а не к органическому поиску: Все описанные механизмы (прогнозирование, расчет ставок, аукционы) относятся к системе управления платной рекламой. Делать выводы о работе органического ранжирования на основе этого патента некорректно.
2. Google обладает технологиями для детального прогнозирования вовлеченности: Патент демонстрирует наличие сложных механизмов для отслеживания пост-клик поведения (время на сайте, глубина просмотра) и его прогнозирования на основе исторических данных и сигналов реального времени (Session Features).
3. Вовлеченность как измеримая цель рекламы: Система позволяет целям по вовлеченности (брендинг) напрямую конкурировать с целями по кликам или продажам в рамках единого аукциона.
4. Механизм конвертации CPA в CPC: Ключевое изобретение — метод интеграции ставок за конверсию (вовлеченность) в стандартный аукцион за клики путем умножения ставки на прогнозируемую вероятность конверсии.
5. Отслеживание кросс-сессий: Система способна агрегировать поведение пользователя в течение нескольких связанных сессий (Associated User Sessions) за определенный период времени для определения факта конверсии.

Практика

Практическое применение в SEO

Патент является инфраструктурным для рекламной системы (Google Ads) и не дает практических выводов или рекомендаций для SEO.

Best practices (это мы делаем)

Патент не предоставляет прямых рекомендаций для SEO. Он лишь косвенно подтверждает ценность вовлеченного трафика для бизнеса (поскольку рекламодатели готовы за него платить). SEO-специалистам следует продолжать фокусироваться на улучшении пользовательского опыта (UX) и повышении метрик вовлеченности (время на сайте, глубина просмотра), так как это положительно влияет на конверсию и удержание аудитории, даже если прямая связь с органическим ранжированием данным патентом не устанавливается.

Worst practices (это делать не надо)

Главная ошибка, которую могут совершить SEO-специалисты, — это интерпретировать этот патент как доказательство того, что метрики вовлеченности (время на сайте, глубина просмотра) используются Google для органического ранжирования. Патент не содержит такой информации и не направлен против каких-либо SEO-тактик.

Стратегическое значение

Стратегическое значение для SEO минимально. Патент не меняет понимание приоритетов органического ранжирования. Он служит лишь доказательством того, что Google активно отслеживает, моделирует и ценит метрики вовлеченности пользователей для целей рекламы. Для специалистов по контекстной рекламе (PPC) этот патент имеет высокое значение, так как описывает фундаментальные принципы работы автоматических стратегий ставок.

Практические примеры

Практических примеров для органического SEO нет, так как патент относится исключительно к управлению рекламными ставками в Google Ads.

Вопросы и ответы