Как Google анонимно связывает устройства пользователя для агрегации поведенческих данных и расчета Quality Score

Описание

Какую задачу решает

Патент решает проблему фрагментации данных о поведении пользователя при использовании нескольких устройств (смартфоны, ПК, планшеты) или платформ (браузеры, приложения). Традиционные идентификаторы (например, cookies) изолированы в рамках одного источника запроса (requesting source). Это мешает системе точно оценить интересы пользователя и эффективность контента, приводя к неоптимальному подбору рекламы (например, игнорированию интересов, проявленных на другом устройстве). Система улучшает точность таргетинга и атрибуции.

Что запатентовано

Запатентована система и метод для анонимного связывания нескольких идентификаторов (Anonymous Identifiers), принадлежащих одному пользователю на разных устройствах. Для связывания используются криптографические протоколы (например, Diffie-Hellman key exchange protocol), активируемые при входе пользователя в сервис. Система агрегирует поведенческие данные (impression, click and interaction data) со всех связанных устройств и использует эту объединенную информацию для расчета Quality Score при выборе контента.

Как это работает

Механизм работает в два основных этапа:

1. Анонимное связывание: Когда пользователь входит в учетную запись на разных устройствах (А и Б), система инициирует криптографический обмен. Устройства генерируют пары приватных/публичных ключей и обмениваются публичными ключами через центральный сервис (User Login Service). Затем каждое устройство вычисляет общий Secret Key. Этот ключ связывает анонимные идентификаторы (cookies) устройств А и Б в отдельной базе (Linked Anonymous Identifiers), не содержащей PII (персональных данных).
2. Расчет Quality Score: При запросе контента с Устройства А система идентифицирует связанный идентификатор Устройства Б. Данные о взаимодействии с обоих устройств агрегируются. Quality Score для кандидатов рассчитывается на основе этой агрегированной кросс-девайсной истории.

Актуальность для SEO

Высокая. Кросс-девайсное поведение является стандартом. Способность Google персонализировать результаты поиска и рекламу напрямую зависит от понимания полного профиля пользователя, независимо от используемого устройства. Описанные методы являются фундаментальными для построения кросс-девайсной идентификации.

Важность для SEO

Высокое стратегическое влияние (70/100). Хотя патент в первую очередь описывает инфраструктуру для улучшения Quality Score рекламы, он критически важен для понимания того, как Google строит профили пользователей. Агрегированные данные о поведении и интересах, собранные со всех устройств, являются основой для слоев персонализации в органическом поиске (Reranking). Патент подтверждает важность оптимизации под весь путь пользователя (User Journey), а не под отдельные сессии.

Детальный разбор

Термины и определения

Anonymous Identifier (Анонимный идентификатор)

Идентификатор (например, cookie, device ID), связанный с конкретным источником запроса (устройством/браузером). Не содержит PII.

Conversion (Конверсия)

Определенное действие пользователя. Патент приводит широкий список примеров: покупка, заполнение формы, просмотр видео, время на сайте, глубина навигации, физический вход в магазин, оплата мобильным кошельком, звонок и т.д. (Claim 8).

Diffie-Hellman key exchange protocol (Протокол обмена ключами Диффи-Хеллмана)

Криптографический протокол, позволяющий двум сторонам (устройствам) получить общий секретный ключ. Используется для анонимного связывания идентификаторов.

Impression, Click and Interaction Data (Данные о показах, кликах и взаимодействиях)

Агрегированные поведенческие данные пользователя.

Linked Anonymous Identifiers (Связанные анонимные идентификаторы)

База данных, хранящая связи между разными Anonymous Identifiers одного пользователя. Связь устанавливается через общий Secret Key.

Private Key (Приватный ключ)

Часть пары ключей, хранящаяся локально на устройстве пользователя. Используется для вычисления Secret Key.

Public Key (Публичный ключ)

Часть пары ключей, публикуемая в центральной директории (User Login Information). Используется другими устройствами пользователя для вычисления общего Secret Key.

Quality Score (Оценка качества)

Метрика для кандидата контента (рекламы). Рассчитывается на основе агрегированных данных о взаимодействии со всех связанных идентификаторов пользователя.

Requesting Source (Источник запроса)

Источник, используемый пользователем для доступа к контенту (мобильное устройство, ПК, конкретный браузер, приложение).

Secret Key (Секретный ключ)

Общий ключ, вычисленный независимо на разных устройствах пользователя. Служит для связывания Anonymous Identifiers без использования PII.

Seed (Начальное значение)

Начальные числа (например, генератор и простое число), используемые в протоколе Диффи-Хеллмана для генерации ключей.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод выбора контента с использованием кросс-девайсных данных.

1. Система анонимно связывает множество идентификаторов пользователя с разных источников запроса (requesting sources). Связывание использует идентификатор (например, Secret Key), не содержащий PII.
2. Система сохраняет данные о взаимодействиях (impression, click and interaction data) в привязке к этим идентификаторам.
3. Система получает запрос на контент с одного источника (включая его идентификатор).
4. Определяются кандидаты контента.
5. Для каждого кандидата определяется Quality Score. Расчет основан на данных о взаимодействии как для текущего идентификатора, ТАК И для связанных с ним идентификаторов (с других устройств).
6. Контент выбирается на основе этих Quality Scores и предоставляется пользователю.

Claim 3 и 4 (Зависимые): Уточняют применение в аукционе.

Выбор контента может происходить в рамках аукциона, где используются Quality Scores (Claim 3) и ставки (bids) (Claim 4).

Claim 11 (Зависимый): Описывает кросс-девайсную атрибуцию и моделирование.

Система идентифицирует, когда показ произошел на одном источнике, а конверсия — на другом связанном источнике. Эта информация используется для выбора контента для других пользователей с похожими паттернами (Look-alike modeling).

Claim 13 и 14 (Зависимые): Уточняют метод связывания.

Анонимное связывание осуществляется с использованием протокола Диффи-Хеллмана (Claim 13) или секретного ключа, производного от уникального для пользователя seed (Claim 14).

Claim 15 и 16 (Зависимые): Описывают взаимодействие с рекламными биржами (Ad Exchange).

Информация о связанных идентификаторах может передаваться на рекламную биржу (Claim 15). Это может включать передачу Unified Cookie — агрегированной информации об интересах пользователя, собранной со всех устройств (Claim 16).

Где и как применяется

Изобретение затрагивает инфраструктуру управления идентификацией и системы выбора контента (рекламы и персонализации).

INFRASTRUCTURE (Управление идентификацией пользователей)
User Login Service используется для инициации процесса связывания, когда пользователь входит в систему с разных устройств. Он управляет Seeds и Public Keys для криптографического обмена (Diffie-Hellman). Результатом является создание базы Linked Anonymous Identifiers.

INDEXING (Сбор данных о поведении)
Система собирает и сохраняет Impression, Click and Interaction Data в ассоциации с конкретными Anonymous Identifiers (до агрегации).

RANKING (Системы выбора контента/Рекламы)
Основное применение. При получении запроса на контент (например, рекламу) система агрегирует данные о взаимодействиях со всех связанных устройств и вычисляет Quality Score. Этот скоринг используется в аукционе.

RERANKING (Персонализация)
Агрегированный профиль пользователя (понимание интересов на основе кросс-девайсного поведения) является ключевым входным сигналом для систем персонализации, в том числе в органической выдаче.

На что влияет

• Типы контента: В первую очередь влияет на рекламу (Ads) и любой персонализированный контент, выбор которого основан на истории взаимодействия пользователя.
• Типы устройств: Влияет на все типы Requesting Sources: мобильные, ПК, планшеты, а также различные браузеры и приложения на одном устройстве.
• Ниши: Особенно сильно влияет на ниши с длинным циклом принятия решения (недвижимость, авто, путешествия), где кросс-девайсное поведение наиболее выражено.

Когда применяется

• Триггеры активации (Связывание): Активируется, когда пользователь входит в одну и ту же учетную запись на нескольких разных устройствах и дал согласие на это (проверка User Consents and Privacy Preferences).
• Условия применения (Выбор контента): Применяется при любом запросе контента, если для пользователя существуют связанные анонимные идентификаторы.

Пошаговый алгоритм

Процесс А: Анонимное связывание идентификаторов (на основе Diffie-Hellman)

1. Логин на Устройстве 1: Пользователь входит в сервис. Устройство 1 считывает уникальный Seed пользователя.
2. Генерация ключей (Устройство 1): Генерируется пара Приватный/Публичный ключ. Приватный ключ сохраняется локально. Публичный ключ публикуется в директории User Login Information.
3. Логин на Устройстве 2: Пользователь входит в тот же сервис на Устройстве 2.
4. Генерация ключей (Устройство 2): Устройство 2 генерирует свою пару ключей и публикует свой Публичный ключ.
5. Вычисление Secret Key (Устройство 2): Устройство 2 считывает Публичный ключ Устройства 1. Используя свой Приватный ключ и Публичный ключ Устройства 1, оно вычисляет общий Secret Key.
6. Ассоциация (Устройство 2): Анонимный идентификатор Устройства 2 ассоциируется с Secret Key (в хешированном виде) и сохраняется в базе Linked Anonymous Identifiers.
7. Вычисление и Ассоциация (Устройство 1): Устройство 1 аналогичным образом вычисляет тот же общий Secret Key (используя свой Приватный ключ и Публичный ключ Устройства 2) и ассоциирует свой идентификатор с этим ключом.

Процесс Б: Выбор контента на основе кросс-девайсных данных

1. Получение запроса: Система получает запрос на контент от Устройства 1, включающий его Анонимный идентификатор (ID1).
2. Поиск связей: Система ищет в базе Linked Anonymous Identifiers другие идентификаторы (ID2), связанные с тем же Secret Key.
3. Агрегация данных: Система извлекает и агрегирует Impression, Click and Interaction Data для ID1 и ID2.
4. Определение кандидатов: Идентифицируются кандидаты контента.
5. Расчет Quality Score: Для каждого кандидата вычисляется Quality Score, основанный на агрегированных данных о взаимодействии.
6. Выбор контента: Происходит выбор контента (например, через аукцион), основанный на Quality Scores и ставках.
7. Предоставление контента: Выбранный контент предоставляется Устройству 1.

Какие данные и как использует

Данные на входе

• Поведенческие факторы (User Interactions): Ключевые данные для Quality Score.
  • Impression data (Показы).
  • Click data (Клики).
  • Interaction/Conversion data (Взаимодействия/Конверсии). Включает широкий спектр онлайн и офлайн действий (покупки, формы, звонки, посещения магазинов и т.д.).
• Пользовательские и Технические факторы (Идентификация и Контекст):
  • Anonymous Identifiers (Cookies, Device IDs).
  • Requesting Source характеристики (Тип устройства: мобильное/немобильное, браузер, приложение).
  • User Login ID (Используется только для доступа к Seed и Public Keys во время связывания).
• Криптографические данные:
  • Public Keys, Private Keys, Initial Seed Numbers.

Какие метрики используются и как они считаются

• Secret Key (Секретный ключ): Вычисляется на устройствах пользователя по протоколу Диффи-Хеллмана. Пример формулы: Secret Key = (Other_Device_Public_Key ^ My_Device_Private_Key) mod P.
• Quality Score (Оценка качества): Центральная метрика. Рассчитывается на основе агрегированных поведенческих данных со всех связанных устройств пользователя.
• Likelihood of Interaction (Вероятность взаимодействия): Система может определять вероятность взаимодействия (например, pCTR), основываясь на Quality Score (Claim 5).
• Unified Cookie (Унифицированный Cookie): Агрегированный профиль интересов пользователя, собранный со всех устройств. Может передаваться на рекламные биржи (Claim 16).

Выводы

1. Переход от Device-Centric к User-Centric: Патент демонстрирует инфраструктуру Google для понимания пользователя как единой сущности, независимо от используемых устройств. Это позволяет преодолеть фрагментацию данных, основанную на cookies.
2. Зависимость от аутентификации: Описанный механизм точного связывания требует входа пользователя в общую службу (например, Аккаунт Google) на разных устройствах.
3. Анонимность через криптографию: Для связывания используются сложные криптографические методы (Диффи-Хеллман). Связь устанавливается через общий Secret Key, что позволяет избежать хранения PII в самой системе связывания (Linked Anonymous Identifiers).
4. Агрегация поведенческих сигналов: Quality Score определяется совокупностью всех взаимодействий пользователя. Поведение на одном устройстве напрямую влияет на контент, показываемый на другом.
5. Кросс-девайсная атрибуция: Система способна атрибутировать конверсию на одном устройстве к показу контента на другом (Claim 11).
6. Стратегическое значение для SEO и Персонализации: Хотя патент фокусируется на рекламе, создаваемые кросс-девайсные профили интересов являются фундаментом для персонализации органической выдачи (Reranking). Это подчеркивает важность оптимизации всего пути пользователя.

Практика

Best practices (это мы делаем)

Хотя патент сфокусирован на рекламной инфраструктуре, он дает критически важное понимание того, как Google интерпретирует поведение пользователей, что влияет на SEO-стратегию:

• Оптимизация под полный путь пользователя (User Journey): Анализируйте и оптимизируйте весь путь пользователя к конверсии, учитывая переключение между устройствами. Обеспечивайте бесшовный переход (консистентный UX, сохранение прогресса).
• Анализ кросс-девайсных данных: Активно используйте отчеты по кросс-девайсному поведению в системах аналитики для понимания взаимодействия пользователей с сайтом. Это критично для правильной атрибуции и оценки эффективности SEO-канала.
• Фокус на вовлеченности и конверсиях на всех платформах: Поскольку данные о взаимодействиях (Interaction Data) агрегируются, важно стимулировать вовлеченность и микро-конверсии на всех типах устройств. Эти сигналы формируют общий профиль пользователя.
• Учет контекста Mobile и Desktop в связке: При разработке контент-стратегии учитывайте, что интересы, проявленные пользователем на десктопе, могут повлиять на персонализацию выдачи на мобильном устройстве, и наоборот.

Worst practices (это делать не надо)

• Изолированный анализ данных по устройствам: Оценивать эффективность SEO только в рамках одного типа устройств (только Mobile или только Desktop). Это приводит к неверной атрибуции и недопониманию аудитории.
• Игнорирование UX на «неконверсионных» устройствах: Пренебрежение мобильной версией, если большинство покупок совершается с ПК. Мобильный опыт влияет на общий профиль пользователя и может быть ключевым на верхних этапах воронки.
• Опора только на Last-Click атрибуцию: Этот патент подчеркивает неполноту модели Last-Click, так как Google видит весь путь пользователя. Использование этой модели приведет к недооценке вклада разных устройств в итоговую конверсию.
• Предположение об изоляции сессий: Думать, что каждая сессия рассматривается Google независимо. Патент доказывает, что Google связывает разрозненные сессии в единую картину поведения.

Стратегическое значение

Патент подтверждает стратегический приоритет Google на понимание пользователя (User-Centric подход). Для SEO это означает, что оценка качества сайта и персонализация выдачи все больше зависят от общих поведенческих паттернов пользователя и его удовлетворенности, измеряемой на всех точках взаимодействия. Долгосрочная стратегия должна фокусироваться на построении положительного и консистентного взаимодействия с пользователем на протяжении всего его пути.

Практические примеры

Сценарий: Оптимизация E-commerce сайта с учетом кросс-девайсного поведения

1. Анализ данных: SEO-специалист видит паттерн: пользователи часто изучают сложные товары (например, бытовую технику) с десктопа (сравнение характеристик), но совершают покупку позже со смартфона.
2. Понимание механизма (на основе патента): Специалист понимает, что Google видит это как единый процесс одного пользователя благодаря связыванию устройств. Интерес, проявленный на десктопе, учитывается при взаимодействии на смартфоне.
3. Действия по оптимизации:
   • Упростить процесс сравнения товаров и добавления в избранное/корзину на десктопе.
   • Обеспечить легкий доступ к сохраненным товарам (избранное/корзина) при входе со смартфона (если пользователь залогинен на сайте).
   • Максимально оптимизировать процесс чекаута на мобильных устройствах для скорости и удобства.
4. Ожидаемый результат: Улучшение общего показателя конверсии сайта и положительные поведенческие сигналы, так как пользователь эффективнее решает свою задачу в рамках экосистемы сайта.

Вопросы и ответы