Как Google использует историю местоположений для определения популярных туристических мест и персонализации Google Maps

Описание

Какую задачу решает

Патент описывает решения для двух ключевых задач в области локального поиска и картографических сервисов:

1. Определение популярных достопримечательностей: Сложность автоматического выявления мест, популярных среди путешественников, и необходимость отделить их от мест, посещаемых местными жителями (например, офисов). Патент предлагает метод оценки популярности на основе реального физического трафика (foot traffic).
2. Контекстная персонализация Карт: Неудобство повторного ввода запросов, которые пользователь уже искал ранее (например, при планировании поездки). Патент улучшает UX, автоматически предлагая релевантную историю поиска на основе текущего местоположения пользователя.

Что запатентовано

Запатентована система, использующая данные истории местоположений (Location History Data) и историю поиска в картах (Maps History). Она включает два основных механизма. Первый механизм агрегирует данные о перемещениях пользователей, фильтруя их по расстоянию от Home Location (дома), чтобы выявить популярные достопримечательности среди путешественников. Второй механизм использует индивидуальную Maps History пользователя для проактивного предложения релевантных прошлых запросов и кликов, когда пользователь находится поблизости от этих мест.

Как это работает

Система функционирует в двух режимах:

Режим 1: Определение достопримечательностей (Агрегированные данные, Заявлено в Claims 1-19)

• Сбор Location History Data и применение кластеризации (Clustering) для определения посещенных мест.
• Фильтрация данных: учитываются только пользователи, находящиеся далеко от Home Location (например, >200 миль), чтобы исключить местных жителей.
• Агрегация данных путешественников и повторная кластеризация для выявления Popular Locations.
• Использование локального поиска (Local Search Technology) для ассоциации этих локаций с конкретными объектами (достопримечательностями).

Режим 2: Персонализация Карт (Индивидуальные данные, Описано в патенте)

• Система получает текущее местоположение пользователя.
• Извлекается и геокодируется Maps History пользователя (запросы, маршруты, клики).
• Фильтрация: отбираются элементы истории, находящиеся рядом с текущим местоположением.
• Приоритет отдается конкретным кликам (Click Entries) над общими запросами.
• Система предлагает список релевантных прошлых поисков или отправляет уведомления.

Актуальность для SEO

Высокая. Оба механизма активно используются в продуктах Google. Определение популярности на основе реального посещения (Prominence в Local SEO) критически важно для ранжирования локальных объектов. Проактивная персонализация (уведомления Google Maps, Google Assistant) является ключевым элементом улучшения пользовательского опыта в мобильных сервисах.

Важность для SEO

Патент имеет высокое значение для Local SEO (8.5/10). Он подтверждает, что реальный пешеходный трафик (особенно от туристов) является сильным сигналом для определения значимости и популярности объекта, влияя на его ранжирование. Кроме того, механизм персонализации подчеркивает важность первого взаимодействия пользователя с Google Business Profile (GBP) на этапе исследования, так как это взаимодействие может быть повторно предложено пользователю в момент принятия решения о посещении.

Детальный разбор

Термины и определения

Attraction (Достопримечательность)

Место, представляющее интерес для путешественников (например, музеи, парки, театры).

Centroid (Центроид)

Географический центр кластера данных о местоположении. Используется для представления одного посещенного места на основе множества близких точек.

CID (Cluster Identifier)

Уникальный идентификатор объекта (места) в базе данных картографического приложения. Используется для хранения записей о кликах (Click Entries).

Click Entries (Записи о кликах)

Элементы в Maps History, указывающие на конкретные места, которые пользователь выбрал (кликнул) после выполнения поиска.

Clustering Algorithm (Алгоритм кластеризации)

Процесс группировки точек данных, близких в пространстве и времени. Применяется дважды: для определения индивидуальных посещений и для определения популярных мест из агрегированных данных.

Geocoding (Геокодирование)

Процесс преобразования адреса или названия места в географические координаты.

Home Location (Домашнее местоположение)

Местоположение, определенное как дом пользователя. Используется для фильтрации путешественников от местных жителей.

Location History Data (Данные истории местоположений)

Историческая запись о местоположении мобильного устройства (широта, долгота, время, точность).

Maps History (История Карт)

Запись поисковых запросов пользователя в картах, включая запросы маршрутов и Click Entries.

Popular Locations (Популярные местоположения)

Места, часто посещаемые значительным количеством пользователей, находящихся далеко от своего Home Location.

Ключевые утверждения (Анализ Claims)

Патент детально описывает два механизма. Важно отметить, что Формула изобретения (Claims 1-19) фокусируется исключительно на Механизме 2 (Определение достопримечательностей). Механизм 1 (Персонализация) подробно описан в тексте патента (FIG. 1-5).

Механизм 1: Персонализация Карт на основе истории поиска (Анализ Описания)

Техническая интерпретация метода:

1. Система получает текущее местоположение мобильного устройства.
2. Извлекается Maps History пользователя.
3. Каждый элемент истории (запрос или клик) геокодируется.
4. Элементы фильтруются по расстоянию от текущего местоположения пользователя.
5. Обработка приоритетов: Если пользователь ранее кликал на конкретный результат (Click Entry), этот объект получает приоритет. Исходный общий запрос заменяется конкретными кликами.
6. Список релевантных элементов дедуплицируется и сортируется (по близости, частоте, новизне).
7. Информация отправляется на мобильное устройство (список предложений или уведомление).

Механизм 2: Определение достопримечательностей (Анализ Claims 1-19)

Claim 1 (Независимый пункт): Описывает процесс определения достопримечательностей на основе агрегированных данных.

1. Получение Location History Information от множества мобильных устройств.
2. Для каждого посещения вычисляется расстояние до Home Location пользователя.
3. Определяется, превышает ли расстояние пороговое значение (фильтр «путешественника»).
4. Агрегируются данные о посещениях, которые произошли в течение определенного периода времени (specified time period) И превысили пороговое расстояние от дома.
5. На основе агрегированных данных определяются Popular Locations.
6. Эти Popular Locations ассоциируются с достопримечательностями (attractions) поблизости.
7. Информация предоставляется пользователю.

Claim 3 (Зависимый от 1): Уточняет, что пороговое расстояние может составлять 200 миль.

Claim 15 (Независимый пункт): Описывает персонализированное определение достопримечательностей.

Процесс аналогичен Claim 1, но перед агрегацией данные фильтруются на основе характеристик пользователей (демография, интересы). Это позволяет определять популярность мест внутри конкретных сегментов аудитории.

Где и как применяется

Изобретение применяется на разных этапах поисковой архитектуры, преимущественно в контексте локального поиска и Google Maps.

CRAWLING – Сбор данных

• Система непрерывно собирает Location History Data с мобильных устройств (с согласия пользователей) и логирует Maps History. Это сбор данных из физического мира и поведения пользователей.

INDEXING – Индексирование и извлечение признаков

• Механизм 2 (Определение достопримечательностей) работает преимущественно офлайн. Агрегированные данные обрабатываются для вычисления признака популярности (Prominence) для локальных объектов. Процесс включает двойную кластеризацию, фильтрацию по Home Location и ассоциацию с сущностями. Эта информация обогащает индекс локального поиска.

RANKING / RERANKING (Ранжирование и Персонализация)

• Механизм 1 (Персонализация Карт) работает в реальном времени (RERANKING/Персонализация). Изменение местоположения пользователя служит триггером для извлечения и переранжирования элементов из Maps History.
• Механизм 2 влияет на стандартное ранжирование (RANKING) в локальном поиске, повышая видимость объектов, идентифицированных как Popular Locations.

На что влияет

• Конкретные ниши: Наибольшее влияние на Local SEO в нишах туризма, гостеприимства (HoReCa), развлечений и ритейла.
• Типы контента: Видимость и ранжирование Google Business Profiles (GBP) и объектов на Картах (Local Pack, Google Maps).
• Специфические запросы: Информационные запросы о местах (например, «что посмотреть в [Город]») и персонализированные предложения в Картах.

Когда применяется

• Механизм 1 (Персонализация): Активируется при значительном изменении местоположения пользователя и наличии релевантных элементов в Maps History поблизости.
• Механизм 2 (Определение достопримечательностей): Обработка данных выполняется периодически (офлайн). Условие для учета данных пользователя — нахождение на значительном расстоянии от Home Location (например, >200 миль). Также применяются пороги для определения значимости кластера (Popular Location) и фильтрация по времени (сезонность).

Пошаговый алгоритм

Алгоритм А: Персонализированные предложения Карт (Механизм 1)

1. Получение данных и Триггер: Система получает текущее местоположение пользователя и определяет, что оно значительно изменилось.
2. Извлечение истории: Извлекается Maps History пользователя.
3. Геокодирование запросов: Каждый запрос в истории преобразуется в координаты.
4. Фильтрация по расстоянию: Запросы, находящиеся далеко от текущего местоположения (превышают порог), отбрасываются.
5. Обработка кликов: Если у запроса есть Click Entries, исходный запрос заменяется этими конкретными кликами (приоритезация).
6. Геокодирование кликов: Click Entries (используя CID) преобразуются в координаты.
7. Дедупликация: Удаляются повторяющиеся запросы и клики.
8. Сортировка: Список сортируется по близости, частоте и новизне запросов.
9. Вывод: Список предоставляется пользователю или генерируются уведомления.

Алгоритм Б: Определение популярных достопримечательностей (Механизм 2)

1. Сбор данных: Сбор Location History Data от множества пользователей.
2. Кластеризация (Уровень 1): Обработка данных каждого пользователя для определения посещенных мест (Centroids).
3. Фильтрация путешественников: Определение расстояния до Home Location. Если расстояние меньше порогового (например, 200 миль), посещение игнорируется.
4. Агрегация: Данные от пользователей, прошедших фильтр, объединяются. (Опционально: Фильтрация по времени или характеристикам пользователя — Claim 15).
5. Кластеризация (Уровень 2): Агрегированные данные кластеризуются для определения Popular Locations (мест, посещенных многими путешественниками).
6. Ассоциация (Локальный поиск): Для координат каждого Popular Location выполняется локальный поиск для идентификации конкретного объекта (достопримечательности).
7. Ранжирование и Сохранение: Достопримечательности ранжируются по частоте посещений, данные сохраняются в индексе.

Какие данные и как использует

Данные на входе

• Географические факторы: Критически важные данные. Location History Data (широта, долгота, радиус точности). Текущее местоположение пользователя. Home Location пользователя. Источники: GPS, Wi-Fi, сотовые вышки.
• Временные факторы: Временные метки в Location History Data (для определения продолжительности визита и сезонности — Claim 1). Новизна запросов в Maps History (для сортировки предложений).
• Поведенческие факторы: История поисковых запросов (Maps History). Клики пользователя на результаты поиска (Click Entries/CID), указывающие на явный интерес. Данные о реальном посещении мест.
• Пользовательские факторы: Характеристики пользователя (демография, интересы), используемые для персонализации списка популярных достопримечательностей (Claim 15).

Какие метрики используются и как они считаются

• Порог релевантности (Механизм 1): Расстояние между текущим местоположением и элементом Maps History.
• Порог «Вдали от дома» (Механизм 2): Расстояние между посещенным местом и Home Location (например, 200 миль, Claim 3).
• Метрики кластеризации: Близость точек в пространстве и времени. Используются для вычисления Centroid.
• Популярность (Механизм 2): Количество уникальных пользователей (путешественников), посетивших определенный кластер.
• Сортировка предложений (Механизм 1): Агрегированная метрика, учитывающая близость, частоту и новизну прошлых запросов.

Выводы

1. Реальный пешеходный трафик (Foot Traffic) как сигнал значимости: Патент подтверждает использование агрегированных Location History Data для измерения популярности физических объектов. Это ключевой компонент оценки значимости (Prominence) в Local SEO.
2. Дифференциация трафика (Местные vs. Туристы): Google активно разделяет активность местных жителей и путешественников, используя фильтр Home Location. Для определения туристических достопримечательностей приоритет отдается трафику «вдали от дома».
3. Двойная кластеризация для точности: Использование двухуровневой кластеризации (индивидуальной и агрегированной) позволяет минимизировать шум и неточности GPS, точно определяя реальные точки интереса (Centroids).
4. Проактивная персонализация Карт: Google активно использует Maps History для предугадывания потребностей пользователя на основе контекста (текущего местоположения), автоматически предлагая релевантные прошлые поиски.
5. Приоритет явного интереса (Клики): В персонализации предпочтение отдается конкретным объектам, на которые пользователь кликал (Click Entries), что подчеркивает важность взаимодействия с результатами поиска (Engagement).
6. Сегментация популярности: Система может рассчитывать популярность не только в целом, но и внутри определенных сегментов пользователей на основе их характеристик (Claim 15) и времени года (Claim 1).

Практика

Best practices (это мы делаем)

• Стимулирование реальных посещений (Prominence): Ключевая стратегия для Local SEO — увеличение реального пешеходного трафика. Для бизнесов в туристических нишах критически важно привлекать именно путешественников, так как их трафик используется для определения Popular Locations (Механизм 2).
• Оптимизация GBP для этапа исследования (Discovery): Убедитесь, что ваш Google Business Profile (GBP) оптимизирован для обнаружения на этапе планирования поездки. Если пользователь найдет вас и кликнет на профиль, Google с высокой вероятностью напомнит ему о вашем бизнесе, когда он окажется рядом (Механизм 1).
• Стимулирование взаимодействия (Engagement): Мотивируйте пользователей взаимодействовать с вашим GBP (построение маршрута, клик на сайт). Эти действия фиксируются как Click Entries и имеют приоритет при формировании будущих персонализированных предложений.
• Точность геолокации: Убедитесь, что физическое расположение бизнеса (Pin в GBP) указано максимально точно. Это критично для корректной ассоциации трафика с вашим объектом (Механизм 2). Ошибки приведут к потере сигнала ранжирования.
• Адаптация под целевую аудиторию и сезонность: Используйте знание своей аудитории и сезонности в маркетинге. Google может учитывать эти факторы (Claim 1 и 15) и чаще рекомендовать ваш объект релевантным пользователям в нужное время.

Worst practices (это делать не надо)

• Игнорирование офлайн-факторов: Полагаться только на онлайн-оптимизацию (отзывы, ссылки) для Local SEO недостаточно. Google валидирует популярность через реальные посещения.
• Попытки манипулировать Location History: Искусственная накрутка пешеходного трафика с помощью фейковых устройств сложна и рискованна. Система использует сложную кластеризацию, анализ паттернов поведения и определение Home Location для выявления аномалий.
• Оптимизация только под общие запросы без конверсии в клик: Недостаточно просто показываться в выдаче. Важно получать клики на профиль компании, так как Click Entries имеют приоритет в механизме персонализации над общими запросами.
• Игнорирование качества трафика (для туристических ниш): Привлечение большого количества местных жителей не обязательно поможет объекту быть классифицированным как туристическая «достопримечательность», так как этот трафик фильтруется (Механизм 2).

Стратегическое значение

Патент демонстрирует стратегию Google по интеграции данных из физического мира в алгоритмы ранжирования и персонализации. Для SEO-специалистов это означает необходимость комплексного подхода, охватывающего весь путь клиента: от онлайн-исследования до офлайн-посещения. Успех в Local SEO все больше зависит от реальной популярности бизнеса и его способности привлекать целевой трафик (особенно туристический), а не только от технической оптимизации.

Практические примеры

Сценарий 1: Персонализация для путешественника (Механизм 1)

1. Планирование: Пользователь ищет «Лучшие кофейни в Берлине» дома в Москве и кликает на «CoffeeHouse X» (создается Click Entry).
2. Путешествие: Пользователь прилетает в Берлин и гуляет по городу.
3. Активация: Система Google обнаруживает новое местоположение и видит, что пользователь находится рядом с координатами «CoffeeHouse X», которые есть в его Maps History.
4. Результат: Пользователь открывает Google Maps и видит «CoffeeHouse X» вверху списка предложений или получает проактивное уведомление с предложением маршрута.

Сценарий 2: Определение популярности музея (Механизм 2)

1. Активность: Тысячи туристов посещают Лувр в Париже.
2. Сбор и Фильтрация: Google собирает Location History Data. Система определяет, что эти пользователи находятся далеко от своего Home Location (>200 миль).
3. Кластеризация и Агрегация: Система агрегирует данные и определяет крупный кластер (Popular Location) по координатам Лувра.
4. Ассоциация: Локальный поиск идентифицирует сущность «Лувр».
5. Результат: Лувр получает максимальный сигнал популярности среди путешественников, что гарантирует его высокие позиции по запросам «что посмотреть в Париже» или «музеи Парижа».

Вопросы и ответы