Как Google отслеживает выполнение реальных задач (онлайн и офлайн) для изучения предпочтений пользователей и персонализации результатов

Описание

Какую задачу решает

Патент решает задачу автоматического определения того, выполнил ли пользователь намеченную задачу (например, покупку товара, посещение места, контакт с человеком), без необходимости ручного подтверждения. Основная цель — изучить реальные предпочтения пользователя, анализируя завершенные действия (а не только намерения или клики), и понять, какие сущности (например, магазины) и какие способы действий (например, звонок vs email) он предпочитает.

Что запатентовано

Запатентована система для определения вероятности завершения задачи (likelihood of completion) и использования этой информации для персонализации. Система идентифицирует сущности, с которыми пользователь может взаимодействовать (Task Completion Entities), и определяет индикаторы, свидетельствующие о взаимодействии (Activity Data Indicators). Затем она сравнивает реальную активность пользователя (User Activity Data) с этими индикаторами. На основе совпадений система не только определяет вероятность выполнения задачи, но и корректирует персональный рейтинг (ranking) предпочтений пользователя для вовлеченных сущностей и действий.

Как это работает

Система функционирует следующим образом:

• Определение задачи: Система создает Task Entry (явно или неявно, например, на основе поискового или навигационного запроса), состоящую из действия и объекта.
• Идентификация сущностей: Определяются потенциальные Task Completion Entities (например, конкретные магазины).
• Определение индикаторов: Для каждой сущности определяются Activity Data Indicators (например, GPS-координаты магазина, SSID Wi-Fi сети, формат email-подтверждения о покупке).
• Мониторинг активности: Система собирает User Activity Data (местоположение устройства, электронные письма, посещенные сайты, транзакции, чекины).
• Сравнение и оценка: Активность пользователя сравнивается с индикаторами. На основе количества и веса совпадений рассчитывается вероятность завершения задачи.
• Корректировка рейтинга: Если задача выполнена, система повышает персональный рейтинг использованной сущности (магазина) или действия (например, покупка офлайн) для этого пользователя.

Актуальность для SEO

Высокая. Персонализация, понимание сущностей (Entities) и отслеживание конверсий, включая офлайн (O2O — Online-to-Offline), являются ключевыми направлениями развития Google. Этот патент описывает механизм глубокого понимания предпочтений пользователя на основе его реальных действий, что критически важно для локального поиска, коммерции и работы Ассистента.

Важность для SEO

Патент имеет высокое значение (7.5/10) для SEO, особенно в сферах Local SEO и E-commerce. Он описывает механизм, позволяющий Google измерять предпочтения пользователей на основе реального выполнения задач, а не только кликов. В патенте (в разделе Detailed Description) явно указано, что эти вычисленные рейтинги предпочтений могут использоваться для ранжирования результатов поиска и рекламы для пользователя. Это подтверждает важность реальных офлайн-взаимодействий как сильного сигнала персонализации.

Детальный разбор

Термины и определения

Activity Data Indicators (Индикаторы данных активности)

Конкретные данные, свидетельствующие о том, что пользователь выполнил действие через взаимодействие с определенной сущностью. Примеры: email-подтверждение от конкретного отправителя, нахождение в определенной геолокации, подключение к определенной Wi-Fi сети (SSID), телефонный звонок на конкретный номер.

Ranking (Рейтинг / Ранжирование предпочтений)

Персональная оценка предпочтений пользователя, вычисляемая на основе его прошлых действий по завершению задач. Используется для определения того, какие сущности или действия предпочитает пользователь.

Task Action Identifier (Идентификатор действия задачи)

Идентификатор действия, которое необходимо выполнить (например, «купить»). Может идентифицировать коллекцию действий (Collection of Actions), например, «контакт», включающую членов (Action Members) «звонок», «email».

Task Completion Entities (Сущности завершения задачи)

Сущности (магазины, веб-сайты, люди), с которыми пользователь может взаимодействовать для выполнения задачи.

Task Entry (Запись о задаче)

Структура данных, описывающая задачу. Включает как минимум один Task Action Identifier и один Task Object Identifier.

Task Object Identifier (Идентификатор объекта задачи)

Идентификатор сущности, связанной с действием задачи (например, «телевизор», «Магазин А»). Может идентифицировать конкретную сущность или коллекцию сущностей.

User Activity Data (Данные об активности пользователя)

Данные, собранные о действиях пользователя и местоположении его устройств. Включают поисковые запросы, историю навигации, электронные письма, телефонные коммуникации, данные о платежах (payment information), чекины (check-in), GPS-данные.

Ключевые утверждения (Анализ Claims)

Патент фокусируется на двух ключевых аспектах: определении выполнения задачи и использовании этого для ранжирования предпочтений пользователя (как сущностей, так и действий).

Claim 1 (Независимый пункт): Описывает основной процесс определения завершения задачи и использования этого для корректировки рейтинга сущности (на примере магазина).

1. Система получает доступ к Task Entry пользователя. Уточняется пример: объект — конкретный магазин (particular store), задача — покупка в нем.
2. Определяются Task Completion Entities (включая этот магазин).
3. Определяются Activity Data Indicators для этого магазина.
4. Система получает User Activity Data (действия и/или местоположение устройства).
5. Данные активности сравниваются с индикаторами для поиска совпадений.
6. Определяется вероятность (likelihood) того, что задача была выполнена через взаимодействие с этим конкретным магазином.
7. Ключевой элемент: Система корректирует рейтинг (ranking) этого конкретного магазина на основе этой вероятности (т.е. узнает предпочтение пользователя).
8. Применение: После корректировки рейтинга, если пользователь вводит новую задачу, связанную с коллекцией объектов (например, «магазины»), система предлагает этот магазин пользователю на основе его повышенного рейтинга.

Claim 15 (Независимый пункт, система): Описывает аналогичный процесс, но фокусируется на ранжировании способов действия (action members), а не объектов.

1. Система получает доступ к Task Entry, где действие является коллекцией действий (collection of actions). Например, действие «контакт» включает членов «звонок», «email».
2. Определяются Activity Data Indicators, причем разные индикаторы ассоциируются с разными членами действия (например, телефонный номер с «звонком»).
3. Получаются и сравниваются User Activity Data.
4. Система определяет рейтинг (ranking) для каждого члена действия на основе того, совпали ли его индикаторы с активностью пользователя.
5. Применение: Если пользователь вводит новую задачу с той же коллекцией действий, система предлагает наиболее высокорейтинговый член действия.

Где и как применяется

Изобретение затрагивает несколько этапов поиска, используя данные об активности пользователя для влияния на интерпретацию запросов и финальное ранжирование.

INDEXING – Индексирование и извлечение признаков
Система полагается на базу данных сущностей (Entity Database / Knowledge Graph) для извлечения свойств сущностей (адреса, телефоны, веб-сайты, SSID), которые служат как Activity Data Indicators.

QUNDERSTANDING – Понимание Запросов
Система может генерировать неявные Task Entries из запросов (например, запрос маршрута может создать задачу «посетить»). Также, при обработке запроса, система использует персональные рейтинги предпочтений (сформированные на основе прошлых завершенных задач), чтобы уточнить намерение пользователя.

RANKING / RERANKING – Ранжирование / Переранжирование (Персонализация)
Основное применение в контексте поиска. Персональные рейтинги сущностей и действий используются как сигналы персонализации. В описании патента (Detailed Description) явно указано, что эти рейтинги могут использоваться для определения и/или ранжирования результатов поиска (rank search results) и рекламы (rank advertisements) для пользователя.

Входные данные:

• Task Entry (явно заданная или выведенная).
• База данных сущностей и их свойств (Activity Data Indicators).
• Поток User Activity Data (локация, коммуникации, транзакции и т.д.).
• Персональные рейтинги предпочтений пользователя.

Выходные данные:

• Оценка вероятности завершения задачи.
• Обновленные персональные рейтинги предпочтений для сущностей и действий.
• Персонализированные предложения или переранжированная поисковая выдача.

На что влияет

• Конкретные типы контента и ниши: Наибольшее влияние на Local SEO (посещение физических мест) и E-commerce (покупка товаров). Система активно отслеживает O2O (Online-to-Offline) конверсии.
• Специфические запросы: Влияет на запросы, подразумевающие выполнение задачи, особенно те, где у пользователя есть история предпочтений (например, локальные или коммерческие запросы).

Когда применяется

• Триггеры активации (Определение завершения): Активируется при наличии у пользователя активной Task Entry и поступлении новых User Activity Data, которые потенциально совпадают с Activity Data Indicators этой задачи.
• Триггеры активации (Использование рейтинга): Активируется при обработке нового запроса или задачи, когда система определяет коллекцию сущностей или действий, для которых у пользователя есть сформированный рейтинг предпочтений.
• Условия работы: Требуется согласие пользователя на сбор персональных данных (местоположение, история и т.д.).

Пошаговый алгоритм

Процесс А: Отслеживание задачи и обновление предпочтений Сущности

1. Доступ к задаче: Система получает доступ к Task Entry (например, «Купить продукты»).
2. Определение Сущностей: Определяются Task Completion Entities (например, Магазин А, Магазин Б).
3. Определение Индикаторов: Для Магазина А определяются Activity Data Indicators (Геолокация X, SSID Y). Определяется ожидаемая длительность (anticipated time duration), например, 10 минут.
4. Получение данных пользователя: Система получает User Activity Data (пользователь находится в Геолокации X в течение 20 минут).
5. Сравнение данных: Активность сравнивается с индикаторами. Геолокация совпала, фактическая длительность (actual time duration) превысила ожидаемую.
6. Определение вероятности: Рассчитывается высокая вероятность завершения задачи. Система может запросить подтверждение у пользователя (опционально).
7. Обновление рейтинга: Система повышает персональный Ranking Магазина А для этого пользователя в коллекции «продуктовые магазины».

Процесс Б: Использование предпочтений (Персонализация)

1. Получение нового запроса: Пользователь ищет «продуктовый магазин рядом».
2. Применение рейтинга: Система проверяет сохраненные рейтинги предпочтений пользователя для коллекции «продуктовые магазины».
3. Персонализация выдачи: Система использует высокий рейтинг Магазина А для переранжирования результатов поиска (например, в Local Pack или Картах), отдавая ему предпочтение перед другими магазинами.

Какие данные и как использует

Данные на входе

Система использует широкий спектр персональных данных для отслеживания выполнения задач:

• Географические факторы: Местоположение устройства (GPS, lat/long). Адреса и координаты сущностей. Локационные запросы (locational query).
• Технические факторы: Идентификаторы беспроводных сетей (SSID, IP-адрес) в определенных локациях. URL посещенных документов.
• Поведенческие и Пользовательские факторы: История поиска (search), история навигации (navigation history), использование приложений, чекины (check-in).
• Коммуникационные данные: Телефонные коммуникации (telephone communication) — номера, длительность звонков. Электронные коммуникации (electronic communication) — email-адреса, ключевые слова в письмах (например, подтверждения покупок). Активность в социальных сетях.
• Транзакционные данные: Информация о платежах (payment information), подтверждения финансовых транзакций.

Какие метрики используются и как они считаются

• Likelihood of Completion (Вероятность завершения): Рассчитывается на основе совпадений между User Activity Data и Activity Data Indicators. Может быть бинарной или числовым значением (0-1).
• Факторы расчета вероятности:
  • Количество совпавших индикаторов.
  • Скоры/веса (scores / weighting), ассоциированные с индикаторами (например, GPS надежнее, чем поисковый запрос).
  • Степень совпадения (точное vs «мягкое» совпадение, например, близость к локации).
• Time Duration (Длительность активности): Сравнение фактической длительности (actual time duration) с пороговым или ожидаемым значением (anticipated time duration). Например, нахождение в магазине более 5 минут.
• Ranking (Рейтинг предпочтений): Персональный рейтинг сущностей или действий в рамках коллекции. Корректируется (повышается) при подтверждении выполнения задачи с использованием этой сущности или действия.

Выводы

1. Измерение реального выполнения задач, а не только намерений: Google стремится понять, что пользователь сделал в действительности (особенно офлайн), а не только то, что он искал или кликал. Это фундаментальный подход к оценке удовлетворенности пользователя и его предпочтений.
2. Глубокая интеграция онлайн и офлайн данных (O2O): Для отслеживания выполнения задач система агрегирует данные из множества источников: поиск, email (Gmail), локационные сервисы (Google Maps), транзакции (Google Pay), данные Wi-Fi. Это позволяет атрибутировать офлайн-конверсии.
3. Построение персонализированных рейтингов предпочтений: Система строит детальный профиль предпочтений пользователя для сущностей (магазинов, ресторанов) и действий (звонок, визит). Если пользователь систематически завершает задачи в определенном месте, это место получает повышенный персональный рейтинг.
4. Прямое влияние на ранжирование поиска и рекламы: Патент явно заявляет (в описании), что эти персональные рейтинги предпочтений могут использоваться для ранжирования результатов поиска и рекламы. Предпочтение пользователя становится сильным сигналом ранжирования в персонализированной выдаче.
5. Критичность точных данных о сущностях: Механизм зависит от способности системы точно идентифицировать атрибуты сущностей (Activity Data Indicators), такие как точное местоположение, контактные данные и цифровые следы.

Практика

Best practices (это мы делаем)

• Обеспечение консистентности данных о сущности (Entity Consistency): Критически важно, чтобы Google мог точно идентифицировать вашу компанию (сущность) и все связанные с ней Activity Data Indicators. Обеспечьте полное и консистентное заполнение Google Business Profile (GBP), микроразметки на сайте (NAP). Все индикаторы (адреса, телефоны, email-адреса для подтверждений) должны быть согласованы.
• Оптимизация транзакционных писем: Убедитесь, что email-подтверждения о покупках или бронированиях содержат четкую информацию и исходят с легко идентифицируемого адреса. Используйте разметку Schema.org для писем (например, Order, Reservation), чтобы помочь Google извлечь данные о завершении задачи, так как email является сильным Activity Data Indicator.
• Оптимизация под завершение задачи (Conversion/Completion Optimization): Фокусируйтесь на том, чтобы пользователь мог легко и успешно завершить задачу, связанную с вашим бизнесом. Чем чаще пользователи завершают задачи у вас, тем выше будет ваш персональный рейтинг предпочтений у этих пользователей.
• Стимулирование отслеживаемых офлайн-действий (Local SEO): Поощряйте действия, которые Google может отслеживать. Например, чекины (check-ins). Для бизнеса с физическими точками наличие публичного Wi-Fi с информативным SSID также может служить индикатором посещения.

Worst practices (это делать не надо)

• Использование несогласованных контактных данных (NAP): Использование разных адресов, телефонов или email-адресов в разных источниках затрудняет идентификацию вашей сущности и связанных с ней индикаторов, мешая системе отследить завершение задачи.
• Создание трения в процессе конверсии: Сложный процесс оформления заказа или трудности с поиском физической локации. Если пользователи не могут завершить задачу, ваш рейтинг предпочтений не будет расти.
• Игнорирование офлайн-атрибуции: Фокус только на онлайн-метриках (клики, позиции) без учета того, как пользователи взаимодействуют с вашим бизнесом в реальном мире. Этот патент показывает, что офлайн-действия являются важными сигналами персонализации.

Стратегическое значение

Патент подтверждает стратегию Google на построение глубоко персонализированного поиска, основанного на реальном поведении и предпочтениях пользователя (O2O). Для SEO это означает, что традиционные факторы ранжирования могут быть перекрыты сигналами персональных предпочтений. Долгосрочная стратегия должна быть направлена на то, чтобы стать предпочтительным поставщиком товаров или услуг для целевой аудитории. Успех зависит не только от видимости в поиске, но и от качества и отслеживаемости взаимодействия с пользователем на всех этапах выполнения задачи.

Практические примеры

Сценарий: Повышение рейтинга предпочтительного кафе (Local SEO)

1. Задача пользователя: Пользователь регулярно ищет «кофе утром». Google неявно генерирует Task Entry: Действие «посетить/купить», Объект «кофейня».
2. Мониторинг активности: Система Google отслеживает User Activity Data. Она фиксирует, что пользователь часто посещает «Кафе А»: GPS-данные подтверждают нахождение в локации, а длительность пребывания (time duration) составляет более 10 минут.
3. Определение завершения задачи: Система определяет высокую вероятность завершения задачи «выпить кофе» в «Кафе А».
4. Корректировка рейтинга: Персональный рейтинг (Ranking) «Кафе А» для этого пользователя повышается в коллекции «кафе».
5. Результат в поиске: Когда пользователь в следующий раз ищет «кафе рядом», «Кафе А» будет ранжироваться выше в его персонализированной выдаче (Local Pack или Maps), даже если у него ниже общие сигналы ранжирования, так как система знает о подтвержденном предпочтении пользователя.

Вопросы и ответы