Как Google использует данные о том, насколько далеко пользователи готовы ехать до локации, для оценки ее качества и ранжирования в локальном поиске

Описание

Какую задачу решает

Патент решает проблему неточности традиционных метрик качества для физических локаций (POI), таких как отзывы или чистая популярность (посещаемость). Популярность может быть искажена вместимостью или типом заведения (например, фастфуд посещают чаще, чем элитный ресторан, но это не всегда говорит о качестве). Изобретение предлагает объективную метрику, основанную на «выявленном предпочтении» (revealed preference) — реальных усилиях (времени и расстоянии), которые пользователи готовы затратить на посещение локации.

Что запатентовано

Запатентована система для определения меры качества (Quality Measure) физической локации на основе анализа инвестиций времени в пути (Travel Time Investment). Система сравнивает фактическое расстояние/время, которое пользователи преодолевают для посещения локации (Actual Distance Value), с ожидаемым расстоянием/временем для посещения подобных локаций в этом регионе (Anticipated Distance Value). Большая положительная разница указывает на высокое качество локации.

Как это работает

Система работает следующим образом:

• Определение ожиданий (ADV): Рассчитывается Anticipated Distance Value. Это ожидаемое время/расстояние, основанное на анализе поездок к схожим локациям в этом же регионе, с учетом плотности населения и конкуренции.
• Измерение реальности (ACDV): Собираются данные о фактических поездках пользователей (например, через навигационные запросы или геолокацию) и рассчитывается Actual Distance Value.
• Расчет отклонения (Diversion): Для сложных поездок система вычисляет, насколько пользователь отклонился от прямого маршрута, чтобы посетить локацию.
• Анализ конкуренции: Учитывается, сколько альтернативных локаций пользователь проигнорировал (bypassed) по пути.
• Оценка качества: Quality Measure определяется путем сравнения ACDV и ADV. Если пользователи систематически едут дальше ожидаемого, качество признается высоким.
• Ранжирование: Полученная Quality Measure используется как сигнал для ранжирования результатов локального поиска (например, в Local Pack и Google Maps).

Актуальность для SEO

Высокая. Оценка качества локаций на основе реального поведения пользователей является ключевым компонентом алгоритмов локального поиска и картографических сервисов. Использование объективных данных о перемещении для понимания предпочтений пользователей (Prominence в терминах Google Local) остается центральной задачей для Google.

Важность для SEO

Патент имеет критическое значение (8.5/10) для локального SEO (Local SEO). Он описывает конкретный механизм, с помощью которого Google оценивает привлекательность физического бизнеса, основываясь на реальных усилиях пользователей. Это подтверждает, что для высокого ранжирования бизнес должен быть не просто «удобно расположенным», а «местом назначения» (Destination), ради которого пользователи готовы преодолеть дополнительное расстояние и проигнорировать конкурентов.

Детальный разбор

Термины и определения

Actual Distance Value (ACDV) (Фактическое значение расстояния)

Метрика, отражающая фактическое время или расстояние, которое пользователь преодолел, чтобы добраться до данной локации. Может рассчитываться как прямое расстояние или как мера отклонения от основного маршрута (Diversion).

Anticipated Distance Value (ADV) (Ожидаемое значение расстояния)

Метрика, отражающая ожидаемое время или расстояние, которое пользователи в среднем готовы преодолеть, чтобы добраться до локации данного типа в данном регионе. Основывается на анализе поездок к схожим локациям (similar locations).

Bypassed Competing Locations (Пропущенные конкурирующие локации)

Конкурирующие локации, мимо которых проехал пользователь или которые находились ближе к его исходной точке, но были проигнорированы в пользу посещения данной локации.

Diversion / Detour (Отклонение от маршрута)

Метод расчета Actual Distance Value для поездок с промежуточными остановками. Показывает, насколько увеличилось время/расстояние поездки из-за посещения данной локации по сравнению с прямым маршрутом.

Geolocation Data (Геолокационные данные)

Данные о местоположении пользователя, полученные с мобильных устройств (GPS, Wi-Fi, сотовые вышки). Используются для определения фактических маршрутов и верификации посещений.

Location Characteristics (Характеристики локации)

Атрибуты локации (тип бизнеса, ценовой диапазон, кухня), которые влияют на расчет Anticipated Distance Value.

Navigational Query (Навигационный запрос)

Запрос пользователя к картографическому сервису для построения маршрута. Используется как источник данных о намерениях пользователя посетить локацию.

Quality Measure (Мера качества)

Оценка качества локации, рассчитанная на основе сравнения Actual Distance Value и Anticipated Distance Value.

Rank (Ранг, связанный с конкуренцией)

В контексте Claim 15 – метрика, указывающая на количество Bypassed Competing Locations. Используется для уточнения Quality Measure.

Region Characteristics (Характеристики региона)

Атрибуты географической области (плотность населения, транспортная инфраструктура, трафик), которые влияют на расчет Anticipated Distance Value.

Travel Time Investment (Инвестиции времени в пути)

Основная концепция патента: усилия (время/расстояние), которые пользователь готов потратить на посещение локации.

Ключевые утверждения (Анализ Claims)

Claim 1 (Независимый пункт): Описывает основной метод определения качества локации и его использование в ранжировании.

1. Система идентифицирует локацию.
2. Определяется Anticipated Distance Value (ADV). Ключевой аспект: ADV определяется на основе анализа времени/расстояния поездок пользователей к другим локациям, которые имеют общие характеристики с данной локацией.
3. Определяется Actual Distance Value (ACDV) для пользователей, которые посетили данную локацию.
4. Рассчитывается Quality Measure путем сравнения ACDV и ADV. Качество определяется на основе размера разницы (size of the difference) между ними.
5. Quality Measure ассоциируется с локацией.
6. Система использует эту метрику для ранжирования результатов локального поиска в ответ на запрос.

Claim 9 и 10 (Зависимые): Детализируют расчет Actual Distance Value с учетом сложных маршрутов (Trip Chaining) – метод Отклонения (Diversion/Detour).

Система анализирует поездку: Начальная локация (P1) -> Данная локация (P2) -> Конечная локация (P3). Actual Distance Value (инвестиция времени в посещение P2) рассчитывается путем сравнения суммы расстояний (P1->P2 + P2->P3) с расстоянием напрямую (P1->P3). Это измеряет, насколько пользователь отклонился от своего пути ради P2.

Claim 15 (Зависимый): Вводит учет конкурентной среды.

Quality Measure дополнительно основывается на идентифицированном Rank, который указывает на количество конкурирующих локаций, которые пользователь пропустил (Bypassed Competing Locations), чтобы добраться до данной локации. Игнорирование альтернатив усиливает сигнал качества.

Claim 2, 5, 6 (Зависимые): Определяют факторы контекста для расчета ожиданий.

Anticipated Distance Value определяется с учетом характеристик региона (Region Characteristics), таких как плотность населения (Claim 2, 5), и характеристик самой локации (Location Characteristics) (Claim 6).

Где и как применяется

Изобретение применяется в основном на этапах индексирования (для расчета метрик) и ранжирования (для использования этих метрик) в контексте локального поиска.

CRAWLING – Сбор данных (Data Acquisition)
Система собирает не веб-контент, а данные о перемещениях пользователей: Geolocation Data с мобильных устройств и логи Navigational Queries из картографических сервисов, а также данные о локациях и регионах.

INDEXING – Индексирование и извлечение признаков (Feature Extraction)
Основной этап работы алгоритма. Система обрабатывает собранные данные о перемещениях для извлечения признаков качества для сущностей (Локаций/POI) в офлайн-режиме.

1. Расчет базовых метрик: Вычисление Anticipated Distance Value на основе региональных и локационных характеристик.
2. Расчет фактических инвестиций: Вычисление Actual Distance Value, включая сложные расчеты Diversion для многоэтапных поездок.
3. Анализ конкуренции: Расчет Rank (Bypassed Competitors).
4. Вычисление Quality Measure: Агрегация всех данных и расчет финальной оценки качества для локации. Эта оценка сохраняется в индексе, ассоциированном с сущностью локации.

RANKING – Ранжирование
На этом этапе рассчитанная Quality Measure используется как один из сигналов ранжирования. Когда пользователь вводит локальный запрос, система извлекает кандидатов и использует их Quality Measure (наряду с релевантностью и расстоянием) для определения порядка выдачи (Local Pack, Google Maps).

Входные данные:

• Логи навигационных запросов (исходная точка, пункт назначения).
• Анонимизированные геолокационные данные пользователей.
• База данных локаций (POI) с их характеристиками (тип, цена).
• Данные о регионе (плотность населения, дороги, транспорт).

Выходные данные:

• Quality Measure, ассоциированная с каждой обработанной локацией.
• Ранжированные результаты поиска локаций.

На что влияет

• Конкретные типы контента: Влияет исключительно на ранжирование физических локаций (Points of Interest) – рестораны, магазины, сервисы, достопримечательности. Не влияет на ранжирование информационного веб-контента.
• Специфические запросы: Наибольшее влияние на локальные запросы (коммерческие и навигационные), где пользователь ищет место для посещения.
• Конкретные ниши или тематики: Влияет на все ниши с физическими точками. Особенно сильно влияет на высококонкурентные ниши (например, рестораны, ритейл) в плотно заселенных районах, где важно дифференцировать качество среди множества альтернатив.

Когда применяется

• Условия работы: Требует наличия достаточного объема статистических данных о перемещениях пользователей в данном регионе и к данной локации.
• Временные рамки: Расчет метрик происходит в офлайн-режиме или периодически (INDEXING). Применение метрик происходит в реальном времени при обработке запросов (RANKING).

Пошаговый алгоритм

Процесс А: Расчет Ожидаемых Значений (Offline / INDEXING)

1. Сегментация: Локации группируются по схожим характеристикам (Location Characteristics) и географическому положению (Region Characteristics).
2. Анализ базового поведения: Анализируются данные о поездках к локациям внутри каждой группы.
3. Расчет ADV: Для каждой группы вычисляется Anticipated Distance Value – ожидаемое распределение времени/расстояния, которое пользователи готовы потратить на дорогу.

Процесс Б: Расчет Фактических Значений и Меры Качества (Offline / INDEXING)

1. Сбор и верификация данных: Собираются данные из Navigational Queries и Geolocation Data. Происходит верификация факта посещения.
2. Идентификация маршрутов: Для данной локации (P2) идентифицируются маршруты пользователей.
3. Расчет ACDV:
   • Для прямых поездок (P1->P2): используется расстояние/время поездки.
   • Для транзитных поездок (P1->P2->P3): рассчитывается Diversion = [(P1->P2) + (P2->P3)] — (P1->P3).
4. Расчет Rank: Определяется количество Bypassed Competing Locations для каждой поездки.
5. Агрегация данных: Фактические значения (ACDV) агрегируются для локации (например, строится распределение).
6. Расчет Quality Measure: Агрегированное ACDV сравнивается с ADV. Размер положительной разницы определяет меру качества. Метрика корректируется с учетом Rank.
7. Сохранение: Quality Measure сохраняется в индексе.

Процесс В: Ранжирование (Online / RANKING)

1. Получение запроса: Пользователь вводит локальный запрос.
2. Отбор кандидатов: Система определяет релевантные локации.
3. Ранжирование: Система использует Quality Measure (рассчитанную в Процессе Б) как один из сигналов для сортировки кандидатов.
4. Предоставление результатов: Отображение ранжированной выдачи.

Какие данные и как использует

Данные на входе

Патент фокусируется на использовании данных о перемещении пользователей и характеристиках локаций. Он не упоминает традиционные контентные или ссылочные факторы.

• Поведенческие факторы (Физический мир): Основной тип данных. Включает фактические маршруты, время в пути, расстояния, исходные и конечные точки поездок.
• Технические/Системные данные:
  • Geolocation Data: GPS, Wi-Fi, Cellular координаты с мобильных устройств.
  • Логи Navigational Queries из картографических сервисов.
• Географические факторы (Region Characteristics): Плотность населения, развитость дорожной сети, доступность общественного транспорта, паттерны трафика.
• Контентные/Сущностные факторы (Location Characteristics): Тип локации (ресторан, магазин), ценовая категория, кухня и другие атрибуты POI.
• Пользовательские факторы (User Characteristics): Демография, интересы (семантические или латентные). Могут использоваться для сегментации анализа (например, расчет качества для определенной группы пользователей – Claim 7, 8).

Какие метрики используются и как они считаются

• Anticipated Distance Value (ADV): Ожидаемое время/расстояние. Рассчитывается как среднее или распределение для схожих локаций в регионе, нормализованное по географическим и локационным характеристикам.
• Actual Distance Value (ACDV): Фактическое время/расстояние. Рассчитывается для каждой поездки.
• Diversion (Отклонение): Метрика для расчета ACDV в сложных поездках. Формула: [(P1->P2) + (P2->P3)] — (P1->P3). Измеряет дополнительные затраты времени/расстояния.
• Rank (Bypassed Competitors): Количество проигнорированных альтернативных локаций, которые были более доступны для пользователя.
• Quality Measure: Финальная метрика качества. Рассчитывается на основе сравнения ACDV и ADV (размер разницы – Claim 1). Может быть разницей (ACDV — ADV), процентом пользователей, превысивших ADV на определенный порог, или сравнением распределений. Усиливается при высоком значении Rank (Claim 15).

Выводы

1. Реальное поведение как объективный сигнал качества: Google использует данные о физических перемещениях пользователей для оценки качества локаций. Усилие (время и расстояние), которое люди готовы потратить на посещение места (Travel Time Investment), является измеримым и трудно манипулируемым сигналом его привлекательности.
2. Качество важнее удобства (Desirability over Proximity): Система спроектирована так, чтобы отличать локации, которые посещают из-за удобства, от локаций, которые являются целью поездки. Локации, ради которых пользователи готовы ехать дальше среднего (ACDV > ADV), получают преимущество в ранжировании.
3. Метрика Diversion (Отклонение от маршрута): Ключевым механизмом является расчет того, насколько пользователь отклонился от своего пути. Это позволяет точно измерить инвестиции времени, игнорируя ту часть пути, которую пользователь проделал бы в любом случае.
4. Игнорирование конкурентов (Bypassed Competitors): Качество локации оценивается выше, если пользователь проигнорировал множество более близких альтернатив. Это сильный сигнал уникальности и ценности предложения (Claim 15).
5. Контекстуальная оценка: Оценка качества зависит от контекста. Anticipated Distance Value рассчитывается с учетом типа локации и характеристик региона (например, плотности населения).
6. Персонализация оценок: Система может рассчитывать Quality Measure для отдельных сегментов аудитории (Claim 7, 8), что позволяет персонализировать результаты локального поиска.

Практика

Best practices (это мы делаем)

• Фокус на уникальности и бренде (Local Branding): Развивайте бизнес так, чтобы он стал «местом назначения» (Destination). Уникальное торговое предложение (USP), высокое качество услуг и сильный бренд мотивируют пользователей тратить больше времени на дорогу и игнорировать конкурентов. Это напрямую влияет на Actual Distance Value и Rank (Bypassed Competitors).
• Расширение зоны охвата маркетинга: Если ваш бизнес демонстрирует высокое качество, не ограничивайте маркетинг только ближайшим районом. Привлечение клиентов из более отдаленных районов напрямую улучшает метрики, описанные в патенте (повышает средний ACDV).
• Стимулирование навигационного трафика: Поощряйте клиентов использовать функции построения маршрута (например, «Как добраться» на сайте или в GMB профиле). Это увеличивает объем данных (Navigational Queries), которые Google может анализировать для расчета Quality Measure.
• Обеспечение точности данных (GMB Optimization): Убедитесь, что Google точно знает местоположение вашего бизнеса (актуальный NAP, правильно установленный пин на карте) и его категорию. Это критично для корректного расчета расстояний, определения ADV и идентификации конкурентов.

Worst practices (это делать не надо)

• Фокус только на гиперлокальном продвижении (Proximity): Стратегия, направленная только на захват трафика «по пути» или «ближайший к пользователю», может привести к низким показателям Travel Time Investment. Если вас посещают только потому, что вы удобно расположены, ваша Quality Measure будет средней или низкой.
• Игнорирование качества ради объема: Попытки максимизировать общую посещаемость (Popularity) без учета качества могут быть неэффективны, так как патент специально разработан для фильтрации шума от чистой популярности.
• Манипуляции с геолокацией: Попытки искусственно генерировать фальшивые посещения или навигационные запросы из отдаленных районов, скорее всего, будут отфильтрованы механизмами верификации посещений (Geolocation Data, анализ длительности визита) и анализом паттернов движения.

Стратегическое значение

Этот патент подтверждает стратегию Google по интеграции данных из физического мира (офлайн-поведение) в алгоритмы онлайн-ранжирования. Для локального SEO это означает, что репутация и качество бизнеса, проявляющиеся в реальном поведении клиентов, являются измеримыми и критически важными факторами ранжирования (Prominence). Долгосрочная стратегия должна быть направлена на создание выдающегося клиентского опыта, который оправдывает дополнительные усилия (Travel Time Investment) со стороны потребителей.

Практические примеры

Сценарий 1: Повышение ранжирования уникального ресторана

1. Ситуация: В городе есть стандартные пиццерии в каждом районе и один уникальный ресторан неаполитанской пиццы (Локация А).
2. Расчет ожиданий: Anticipated Distance Value (ADV) для пиццерий низкий (например, 5 минут), так как они есть везде.
3. Анализ поведения: Пользователи едут в Локацию А со всего города, тратя в среднем 25 минут (Actual Distance Value — ACDV). При этом они проезжают мимо 10 других пиццерий (Высокий Rank/Bypassed Competitors).
4. Расчет качества: Разница между ACDV (25 мин) и ADV (5 мин) огромна. Система присваивает Локации А высокую Quality Measure.
5. Результат: При запросе «лучшая пицца в городе» Локация А ранжируется выше стандартных пиццерий, даже если она находится дальше от пользователя.

Сценарий 2: Анализ отклонения от маршрута (Diversion)

1. Ситуация: Пользователь едет из Дома (P1) в Офис (P3). Прямой путь занимает 30 минут. Он решает заехать в кофейню (P2) по пути.
2. Анализ маршрута: Путь P1 -> P2 -> P3 занял 38 минут.
3. Расчет Diversion: Actual Distance Value для кофейни (P2) = 38 минут (фактический путь) — 30 минут (прямой путь) = 8 минут.
4. Результат: Система учитывает инвестицию в 8 минут для расчета Quality Measure кофейни. Если многие пользователи готовы отклониться на 8 минут ради этого кофе, качество признается высоким.

Вопросы и ответы