Как Google использует данные о физических перемещениях пользователей для определения качества и характеристик локального бизнеса

Описание

Какую задачу решает

Патент решает проблему определения характеристик и качества физических локаций (например, ресторанов, магазинов). Традиционные методы полагаются на анализ онлайн-документов (веб-страниц, отзывов), что может быть неполным или подверженным манипуляциям. Изобретение предлагает использовать данные о реальных физических перемещениях пользователей (visit data) для более точного понимания природы и качества локального бизнеса, независимо от онлайн-сигналов.

Что запатентовано

Запатентована система для анализа данных о посещениях (visit data) с целью определения взаимосвязей между локациями и вывода их характеристик. Система вычисляет Connectedness Measure (Меру связности) между двумя локациями на основе количества физических визитов между ними, пройденного расстояния и времени, проведенного в каждой точке (Residence Time). Если локации сильно связаны, система может переносить характеристики с одной на другую. Также описан метод определения Quality Measure (меры качества) локации на основе того, насколько далеко пользователи готовы ехать, чтобы ее посетить.

Как это работает

Система работает в нескольких направлениях:

• Сбор данных: Собираются анонимизированные данные о перемещениях пользователей (visit data), например, через GPS мобильных устройств или навигационные запросы.
• Расчет связности: Вычисляется Connectedness Measure между локациями (например, Ресторан А и Театр Б). Учитывается количество перемещений, расстояние (большее расстояние может указывать на более сильную связь) и время пребывания (Residence Time) для отсеивания коротких остановок.
• Вывод характеристик: Если связь сильная, характеристики известной локации (Театр Б — «формальный») используются для вывода характеристик неизвестной (Ресторан А — «формальный» или «подходит для ужина перед театром»).
• Оценка качества: Качество локации оценивается по тому, как далеко люди готовы ехать до нее и из скольких разных районов они приезжают.
• Ранжирование: Рассчитанные меры связанности и качества используются как сигналы для ранжирования локаций в поиске.

Актуальность для SEO

Высокая. С повсеместным распространением мобильных устройств и сбором геолокационных данных, анализ офлайн-поведения пользователей (O2O сигналы) стал ключевым компонентом локального поиска Google. Этот патент описывает фундаментальные механизмы использования данных о реальном посещении (foot traffic) в качестве сигналов ранжирования и категоризации, что критически важно для Google Maps и Local Search.

Важность для SEO

Патент имеет критическое значение (85/100) для стратегий локального SEO (Local SEO). Он демонстрирует, что Google использует реальное офлайн-поведение пользователей как прямой сигнал качества и релевантности. Бизнесы, которые становятся «пунктами назначения» (люди едут к ним издалека), получают преимущество в ранжировании. Также патент объясняет, как Google может категоризировать бизнес не по его собственному описанию, а по тому, какие другие места посещают его клиенты.

Детальный разбор

Термины и определения

Connectedness Measure (Мера связанности)

Метрика, указывающая на степень корреляции между двумя физическими локациями. Рассчитывается на основе количества физических визитов между ними, географического расстояния и времени, проведенного в локациях.

Distance Value (Значение расстояния)

Показатель географического расстояния между двумя локациями или расстояние, пройденное пользователем до локации. Может быть основано на прямом расстоянии, времени в пути или реальном маршруте.

Location Characteristic (Характеристика локации)

Атрибут, связанный с локацией. Примеры: тип локации (ресторан, магазин), уровень формальности, ценовая категория, мера качества (Quality Measure) или популярность среди определенной группы пользователей.

Quality Measure (Мера качества)

Оценка качества локации. Может быть выведена на основе Connectedness Measure с другими высококачественными локациями или рассчитана на основе расстояния, которое пользователи готовы преодолеть для посещения.

Time Value / Residence Time (Значение времени / Время пребывания)

Показатель времени, проведенного пользователем в локации во время визита. Используется для валидации значимости визита.

User Attributes / User Group (Атрибуты пользователя / Группа пользователей)

Характеристики пользователей, совершающих визиты (например, демография, интересы, «гурманы»). Используются для сегментации visit data и определения специфических характеристик локации.

Visit Data (Данные о посещениях)

Данные, указывающие на физическое перемещение пользователей между локациями. Включают информацию об источнике, назначении, времени и, возможно, атрибутах пользователя.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения связи между локациями и ее использования для ранжирования.

1. Система идентифицирует первую и вторую локации.
2. Идентифицируются данные о физических визитах (visit data) между ними.
3. Определяется время, проведенное в первой локации (first time value), и время, проведенное во второй локации (second time value).
4. Вычисляется Connectedness Measure. Она основана на КОЛИЧЕСТВЕ физических визитов, а также на first time value и second time value.
5. Если Connectedness Measure удовлетворяет порогу (connectedness threshold), индикация корреляции сохраняется в базе данных.
6. Ключевой элемент: Первая или вторая локация ранжируется (ranking) по крайней мере частично на основе этой Connectedness Measure.

Claim 2 и 3 (Зависимые): Детализируют расчет Connectedness Measure с учетом расстояния.

1. Определяется географическое расстояние (distance value) между локациями.
2. Connectedness Measure рассчитывается также на основе этого расстояния.
3. Мера связности становится БОЛЕЕ показательной для корреляции, если географическое расстояние БОЛЬШЕ. (Логика: если люди едут далеко между А и Б, связь значима).

Claim 4 (Зависимый): Детализирует использование времени пребывания.

Connectedness Measure становится МЕНЕЕ показательной для корреляции, если время, проведенное хотя бы в одной из локаций (time value), не удовлетворяет пороговому значению (т.е. визит был слишком коротким).

Claim 5 (Зависимый): Описывает вывод характеристик.

Система определяет характеристику второй локации и на ее основе определяет характеристику первой локации.

Claim 8 и 9 (Зависимые): Уточняют типы характеристик.

Характеристика первой локации может отличаться от характеристики второй локации. Пример: тип первой локации — «площадка» (venue), а тип второй — «ресторан» (restaurant).

Claim 11 (Зависимый): Уточняет, что характеристиками могут быть меры качества (quality measures).

Claim 12-15 (Зависимые): Роль атрибутов пользователей.

Visit data могут быть ассоциированы с группой пользователей (User Group). Характеристика локации может быть основана на атрибутах этой группы и частоте этих атрибутов.

Где и как применяется

Изобретение затрагивает сбор данных, их обработку и финальное ранжирование, особенно в контексте локального поиска.

CRAWLING – Сканирование и Сбор данных (Data Acquisition)
На этом этапе система собирает «сырые» данные о перемещениях пользователей (visit data) из различных источников: GPS мобильных устройств, Wi-Fi, данные сотовых вышек, навигационные запросы, история местоположений.

INDEXING – Индексирование и извлечение признаков
Основная обработка данных. Система анализирует visit data (вероятно, офлайн или в пакетном режиме) для вычисления статических сигналов:

1. Расчет связности: Вычисляются Connectedness Measures между парами локаций.
2. Вывод характеристик: Определяются и присваиваются Location Characteristics на основе связей и атрибутов пользователей.
3. Расчет качества: Вычисляются Quality Measures на основе анализа дальности поездок пользователей.

Эти данные сохраняются и ассоциируются с сущностями (Entities) локаций в базе данных (например, Knowledge Graph).

RANKING – Ранжирование
На этапе ранжирования вычисленные Connectedness Measure и Quality Measure используются как сигналы для определения релевантности и качества локации в ответ на запрос пользователя, особенно в локальном поиске (Local Pack, Google Maps).

Входные данные:

• Анонимизированные данные о перемещениях (Visit Data): источник, назначение, временные метки.
• База данных известных характеристик локаций.
• Атрибуты пользователей (User Attributes), если доступны.

Выходные данные:

• Connectedness Measure между парами локаций.
• Выведенные Location Characteristics (например, «формальный ресторан», «популярно у гурманов»).
• Quality Measure, основанная на дальности поездок.

На что влияет

• Конкретные типы контента: Наибольшее влияние на локальные страницы (Local SEO) – рестораны, розничные магазины, сервисы, развлекательные площадки (venues).
• Специфические запросы: Влияет на локальные запросы (например, «ресторан рядом со мной», «лучший бар в центре»), где необходимо оценить качество и контекст физического бизнеса.
• Конкретные ниши или тематики: Критично для высококонкурентных ниш (HoReCa, ритейл), где важно отличать качественные заведения от проходных.

Когда применяется

• Условия работы: Алгоритм применяется при наличии достаточного объема статистически значимых данных о посещениях (visit data) для конкретной локации или пары локаций.
• Триггеры активации и пороговые значения:
  • Порог времени пребывания (Time Value Threshold): Визит засчитывается, только если пользователь провел в локации достаточно времени (Claim 4).
  • Порог связности (Connectedness Threshold): Связь между локациями фиксируется, только если Connectedness Measure превышает установленный порог (Claim 1).

Пошаговый алгоритм

Процесс А: Расчет связности и вывод характеристик (FIG. 4, 6)

1. Идентификация локаций: Выбор первой (L1) и второй (L2) локаций для анализа.
2. Идентификация визитов: Извлечение visit data, указывающих на перемещения между L1 и L2.
3. Валидация визитов (Фильтрация): Анализ времени пребывания (Time Value) в L1 и L2. Отсеивание визитов, где время пребывания ниже порога.
4. Анализ расстояния: Определение географического расстояния (Distance Value) между локациями.
5. Вычисление связности: Расчет Connectedness Measure. Это функция от количества валидных визитов, времени пребывания и расстояния (причем большее расстояние может увеличивать меру).
6. Применение порога: Сравнение Connectedness Measure с порогом. Если порог превышен, локации считаются связанными.
7. Вывод характеристик: Определение известных характеристик L2 и использование их для вывода или присвоения характеристик L1 (и наоборот). Также могут использоваться атрибуты пользователей, совершавших перемещения.

Процесс Б: Расчет меры качества на основе дальности поездок (FIG. 8)

1. Идентификация локации: Выбор локации для оценки качества.
2. Идентификация визитов: Извлечение visit data, указывающих на визиты В эту локацию из других мест.
3. Анализ расстояний и источников: Определение расстояний, пройденных пользователями, и идентификация уникальных источников (например, районов, zip-кодов).
4. Вычисление качества: Расчет Quality Measure. Метрика увеличивается с увеличением среднего пройденного расстояния и с увеличением разнообразия источников визитов.
5. Ассоциация: Присвоение рассчитанной Quality Measure локации.

Какие данные и как использует

Данные на входе

Система полагается преимущественно на геолокационные и временные данные, полученные от пользователей.

• Географические факторы: Координаты локаций (широта/долгота), адреса, данные GPS, данные сотовых вышек, Wi-Fi данные, исходные и конечные точки в навигационных запросах.
• Временные факторы: Временные метки прибытия и убытия (для расчета Residence Time), время суток, день недели визита.
• Пользовательские факторы: Анонимизированные атрибуты пользователей (User Attributes) или принадлежность к группе (User Group), используемые для сегментации данных (например, возрастная группа, интересы, «гурманы»).
• Поведенческие факторы (Офлайн): Навигационные запросы (как индикатор намерения посетить), данные реальной навигации, подтвержденные визиты (чекины, транзакции). Это и есть Visit Data.

Какие метрики используются и как они считаются

• Connectedness Measure (Мера связности): Комплексная метрика. Рассчитывается как функция от:
  • Количества физических визитов между Локацией 1 и Локацией 2.
  • Time Value (Времени пребывания) в Локации 1 и 2.
  • Distance Value (Расстояния) между ними. Патент указывает (Claim 3), что мера может увеличиваться с расстоянием.
• Distance Value (Значение расстояния): Может рассчитываться как расстояние по прямой, расстояние по дорогам, время в пути или фактическое пройденное расстояние по данным навигации.
• Time Value (Значение времени): Рассчитывается как разница между временем прибытия и убытия из локации.
• Quality Measure (Мера качества на основе поездок): Рассчитывается на основе агрегации расстояний, пройденных пользователями до локации, и количества уникальных исходных точек (разнообразия источников).
• Пороговые значения:
  • Time Value Threshold: Минимальное время пребывания для учета визита.
  • Connectedness Threshold: Минимальная мера связности для фиксации корреляции.

Выводы

1. Офлайн-поведение как онлайн-сигнал ранжирования: Патент подтверждает, что Google использует данные о реальном физическом трафике (foot traffic) и перемещениях пользователей для ранжирования локальных результатов поиска (Claim 1).
2. «Статус назначения» (Destination Status) как показатель качества: Система квантифицирует качество локации (Quality Measure) на основе того, насколько далеко пользователи готовы ехать для ее посещения. Чем больше расстояние и разнообразие источников визитов, тем выше качество.
3. Контекстуальные связи определяют характеристики: Бизнес определяется не только тем, что он о себе заявляет, но и тем, с какими другими локациями он связан через потоки посетителей. Характеристики могут передаваться между связанными локациями, даже если они разных типов (например, театр и ресторан).
4. Важность времени пребывания (Dwell Time в офлайне): Время, проведенное в локации (Time Value / Residence Time), используется для валидации визитов. Короткие остановки отфильтровываются, что повышает точность Connectedness Measure.
5. Дальность связи как усилитель: В отличие от традиционных моделей, где близость играет ключевую роль, здесь большее расстояние между двумя локациями может указывать на более сильную связь (если поток посетителей значителен).
6. Сегментация по группам пользователей: Характеристики локации могут определяться для конкретных групп пользователей (User Groups) на основе их атрибутов, что позволяет более точно категоризировать бизнес (например, «популярно у молодежи» или «выбор гурманов»).

Практика

Best practices (это мы делаем)

• Фокус на уникальности и создании «Пункта назначения»: Развивайте уникальное торговое предложение, которое мотивирует пользователей ехать к вам специально, даже издалека. Это напрямую влияет на Quality Measure, основанную на дальности поездок.
• Оптимизация внутреннего опыта для увеличения времени пребывания: Работайте над качеством обслуживания, ассортиментом и атмосферой, чтобы увеличить среднее время пребывания посетителей (Residence Time). Это гарантирует, что визиты будут засчитаны как значимые при расчете Connectedness Measure.
• Стратегические офлайн-партнерства: Активно сотрудничайте с качественными комплементарными бизнесами (например, ресторан и театр, магазин одежды и кафе). Увеличение потока посетителей между вами повысит Connectedness Measure и позволит перенять положительные характеристики партнера.
• Понимание целевой аудитории и ее маршрутов: Анализируйте, откуда приезжают ваши клиенты и куда они направляются после. Привлечение целевых демографических групп (User Groups), которые также посещают высококачественные локации, может способствовать положительному переносу характеристик.
• Оптимизация сущности (Entity Optimization) в локальном поиске: Обеспечьте четкую и точную основную категоризацию бизнеса в Google Business Profile, чтобы система могла корректно интерпретировать связи с другими локациями.

Worst practices (это делать не надо)

• Имитация посещений: Попытки накрутки физических визитов или фальшивые чекины. Система анализирует сложные паттерны, включая Residence Time и естественность маршрутов, что делает такие манипуляции обнаруживаемыми и неэффективными.
• Фокус только на гиперлокальном трафике: Стратегия, направленная только на привлечение ближайших посетителей без работы над уникальностью, не позволит получить высокий Quality Measure, основанный на дальности поездок.
• Игнорирование качества соседних бизнесов: Нахождение рядом с низкокачественными или спамными локациями может негативно сказаться, если система зафиксирует высокую Connectedness Measure с ними и перенесет их негативные характеристики.
• Игнорирование офлайн-опыта: Полагаться исключительно на онлайн-оптимизацию. Если реальная посещаемость низкая или время пребывания короткое, ранжирование будет затруднено.

Стратегическое значение

Этот патент подчеркивает стратегическую важность конвергенции онлайн и офлайн сигналов в локальном поиске. Для долгосрочного успеха в Local SEO необходимо не просто оптимизировать профиль в Google, но и строить сильный бренд в реальном мире, который привлекает посетителей и становится значимой точкой на их маршруте. Понимание физического пути клиента (Customer Journey) и реальная востребованность бизнеса становятся измеримыми факторами ранжирования.

Практические примеры

Сценарий 1: Повышение качества за счет «Статуса назначения»

1. Ситуация: Уникальная крафтовая пивоварня расположена в промышленном районе, вдали от центра города.
2. Действие системы: Google анализирует visit data и видит, что значительное число пользователей едет 10-20 км из центра и соседних городов специально в эту пивоварню.
3. Результат: Система присваивает пивоварне высокий Quality Measure, основанный на дальности поездок. В результате, по запросу «лучшая пивоварня в городе» она ранжируется выше, чем менее уникальные бары в центре.

Сценарий 2: Вывод характеристик через связность

1. Ситуация: Новый ресторан (Локация А) открылся рядом с известным дорогим концертным залом (Локация Б).
2. Действие системы: Google фиксирует большой поток посетителей из Ресторана А в Концертный зал Б в вечернее время. Время пребывания (Residence Time) в ресторане соответствует полноценному ужину. Рассчитывается высокий Connectedness Measure.
3. Результат: Система анализирует характеристики Локации Б («дорогой», «формальный», «вечерний досуг») и присваивает Локации А выведенные характеристики: «формальный ресторан», «подходит для ужина перед концертом». Это влияет на ее ранжирование по соответствующим запросам.

Вопросы и ответы