Как Яндекс адаптирует выбор и размещение рекламы в зависимости от качества органической выдачи

Описание

Какую задачу решает

Патент решает задачу оптимизации выбора и размещения целевых сообщений (преимущественно рекламных объявлений) на странице результатов поиска (SERP). Цель — адаптировать рекламную стратегию в зависимости от качества органических результатов по данному запросу. Система стремится найти баланс между пользовательским опытом и монетизацией, изменяя тип и расположение рекламы, если органическая выдача признана высоко- или низкокачественной.

Что запатентовано

Запатентован способ динамического выбора и размещения целевых сообщений (рекламы) на SERP. Суть изобретения заключается в расчете Коэффициента Релевантности для набора органических результатов поиска и использовании этого коэффициента для принятия одного из двух ключевых решений (или их комбинации): (1) выбор типа показываемой рекламы из предопределенных множеств и (2) выбор места размещения этой рекламы на странице.

Как это работает

Система получает запрос и генерирует органическую выдачу. Затем она определяет Коэффициент Релевантности этой выдачи — метрику, предсказывающую вероятность удовлетворения интента пользователя, основанную на анализе исторических поведенческих данных. Этот коэффициент сравнивается с пороговым значением. Если Коэффициент Релевантности органики высок (выше порога), система выбирает рекламу из первого множества и/или размещает ее на первой позиции. Если коэффициент низок, выбирается реклама из второго множества и/или размещается на второй позиции. Множества рекламы формируются на основе Параметров Таргетинга (например, CPC или CTR).

Актуальность для SEO

Средняя. Патент подан в 2014 году. Фундаментальная идея адаптации макета SERP и рекламной нагрузки в зависимости от качества поиска остается актуальной. Описанные метрики качества, основанные на поведении пользователей (возвраты на SERP, пагинация), крайне важны для Яндекса. Однако конкретная реализация и методы расчета релевантности значительно эволюционировали с внедрением метрик (таких как Proxima) и нейросетевых технологий.

Важность для SEO

Влияние на SEO косвенное (3/10). Патент относится к области рекламных технологий (AdTech), а не к органическому ранжированию. Он не описывает, как повысить позиции сайта. Однако он представляет исключительную ценность для понимания того, как именно Яндекс измеряет качество органической выдачи. Патент четко определяет поведенческие сигналы успеха (длинные клики) и неудачи (короткие клики, пагинация), что подтверждает критическую важность оптимизации под поведенческие факторы (ПФ) в Яндексе.

Детальный разбор

Термины и определения

Коэффициент Релевантности результата поискового запроса (Relevance Coefficient)

Ключевая метрика патента. Означает вероятность того, что сгенерированный набор органических результатов поиска удовлетворит намерения пользователя. Вычисляется на основе анализа исторических поведенческих данных по идентичным или практически одинаковым запросам.

Целевое сообщение (Target Message)

Сообщение, выбираемое сервером в ответ на запрос и/или информацию о пользователе, отличное от органических результатов поиска. Включает цифровые рекламные объявления (текст, баннеры, медийная реклама), но также может включать другие элементы (например, прогноз погоды).

Параметр Таргетинга (Targeting Parameter)

Признак, используемый для группировки целевых сообщений в различные множества (например, Множество 1 и Множество 2). Примеры включают фактическую или прогнозируемую кликабельность (CTR) и предлагаемую цену за клик (CPC).

Пространственное размещение (Spatial Placement)

Область на странице результатов поиска, предназначенная для размещения целевых сообщений (например, вверху, внизу, справа, в центре).

Отображение взаимодействия с пользователем (User Interaction Indication)

Данные о действиях пользователя на SERP, которые отражают релевантность органических результатов (клики, возвраты, пагинация).

Пороговое значение (Threshold Value)

Значение, с которым сравнивается Коэффициент Релевантности или Параметр Таргетинга для принятия решения. Может быть предопределенным или вычисляться в зависимости от категории запроса.

Ключевые утверждения (Анализ Claims)

Патент описывает два основных независимых механизма, которые могут комбинироваться.

Claim 1 (Независимый пункт): Механизм РАЗМЕЩЕНИЯ целевого сообщения в зависимости от качества органики.

1. Система получает запрос, генерирует органику и выбирает целевое сообщение.
2. Определяется Коэффициент Релевантности органических результатов.
3. Ключевой этап: Пространственное размещение рекламы зависит от сравнения Коэффициента Релевантности с порогом.
• Если Коэффициент >= Порог (Органика хорошая): Реклама размещается на Первой пространственной позиции.
• Если Коэффициент < Порог (Органика плохая): Реклама размещается на Второй пространственной позиции.

Система может изменить макет SERP (например, переместить рекламу из премиального блока вниз или в сторону) в зависимости от качества органических результатов.

Claim 11 (Независимый пункт): Механизм ВЫБОРА целевого сообщения в зависимости от качества органики.

1. Система получает запрос и генерирует органические результаты.
2. Определяется Коэффициент Релевантности этих результатов.
3. Ключевой этап: Выбор рекламы зависит от сравнения Коэффициента Релевантности с порогом.
• Если Коэффициент >= Порог (Органика хорошая): Реклама выбирается из Первого множества.
• Если Коэффициент < Порог (Органика плохая): Реклама выбирается из Второго множества.
4. Множества 1 и 2 содержат разные сообщения, сгруппированные по Параметру Таргетинга (например, Множество 1 = объявления с высоким CTR, Множество 2 = объявления с низким CTR).

Система меняет тип показываемой рекламы в зависимости от качества органики.

Где и как применяется

Изобретение применяется на финальных этапах формирования поисковой выдачи, интегрируя данные о качестве органического поиска с системой управления рекламой.

RANKING / QUALITY LAYER (Офлайн/Аналитика)
Расчет Коэффициента Релевантности основан на анализе логов поведения пользователей, который происходит офлайн или в режиме близком к реальному времени. Система анализирует исторические данные по запросам, чтобы определить, насколько успешно пользователи решали свои задачи.

BLENDER – Метапоиск и Смешивание (MetaSearch & Blending)
Это основной этап применения патента. Компонент, отвечающий за сборку SERP (Blender), и рекламная система («Кластер целевых сообщений»):

• Принимают на вход: (1) Набор органических результатов, (2) Коэффициент Релевантности для этого набора, (3) Доступные множества целевых сообщений.
• Выполняют логику: Сравнивают Коэффициент Релевантности с порогом.
• Возвращают на выходе: Выбранное целевое сообщение и его пространственное размещение на SERP.

На что влияет

• Рекламная выдача (PPC): Патент напрямую влияет на то, какие рекламные объявления увидит пользователь и насколько агрессивно они будут размещены.
• Органическая выдача (SEO): Патент НЕ влияет на ранжирование органических результатов. Он только измеряет их качество для адаптации рекламы.
• Макет SERP: Влияет на внешний вид страницы и расположение рекламных блоков.

Когда применяется

• Условия работы: Алгоритм применяется в момент генерации SERP при наличии доступных для показа целевых сообщений.
• Триггеры активации: Ключевым триггером является сравнение Коэффициента Релевантности с установленным пороговым значением.
• Вариативность порогов: Патент упоминает (Claims 5, 15), что порог может вычисляться в зависимости от категории поискового запроса (например, разные пороги для запросов про автомобили и про доставку еды).

Пошаговый алгоритм

Процесс А: Офлайн-подготовка

1. Группировка рекламы: Целевые сообщения группируются в Множество 1 и Множество 2 на основе Параметра Таргетинга (например, высокий/низкий CTR или CPC).
2. Анализ логов и расчет метрик: Анализ исторических взаимодействий пользователей с результатами поиска.
3. Определение Коэффициентов Релевантности: Для запросов вычисляется Коэффициент Релевантности на основе поведенческих сигналов.
4. Установка порогов: Определение пороговых значений Коэффициента Релевантности.

Процесс Б: Обработка запроса в реальном времени (Комбинированный подход Claim 1 и 11)

1. Получение запроса и Генерация органических результатов.
2. Определение Коэффициента Релевантности: Система извлекает или рассчитывает Коэффициент Релевантности для сгенерированного набора результатов.
3. Сравнение с порогом: Коэффициент сравнивается с пороговым значением.
4. Принятие решения (Ветвление логики):
   • Сценарий «Высокое качество органики» (Коэффициент >= Порог):
     1. Выбор целевого сообщения из Первого множества.
     2. Выбор Первого пространственного размещения.
   • Сценарий «Низкое качество органики» (Коэффициент < Порог):
     1. Выбор целевого сообщения из Второго множества.
     2. Выбор Второго пространственного размещения.
5. Генерация SERP: Сборка финальной страницы и передача пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Критически важные данные для расчета Коэффициента Релевантности. Используются исторические логи взаимодействий пользователей с SERP (Отображение взаимодействия с пользователем). В патенте явно упоминаются:
  • Клики по результатам поиска.
  • Возвраты на SERP (пользователь вернулся после исследования ресурса).
  • Пагинация (переключение на вторую, третью страницу результатов).
• Данные о целевых сообщениях (Рекламные факторы):
  • Фактическая кликабельность (CTR).
  • Прогнозируемая кликабельность (pCTR).
  • Предлагаемая цена (CPC / Ставка).
• Системные данные: Категория поискового запроса (используется для определения пороговых значений).

Какие метрики используются и как они считаются

• Коэффициент Релевантности: Вероятностная метрика удовлетворенности пользователя органической выдачей. Рассчитывается с помощью алгоритмов машинного обучения путем анализа поведенческих сигналов:
  • Сигналы Высокой Релевантности: Пользователь выбрал результат из Топ-10 и НЕ вернулся к результатам поиска (подразумевает успешное решение задачи / длинный клик).
  • Сигналы Низкой Релевантности: (1) Пользователь переключается на вторую/третью страницу выдачи (пагинация). (2) Пользователь нажимает на гиперссылку и быстро возвращается обратно на SERP (подразумевает короткий клик).

  Расчет является кумулятивным и обновляется по мере поступления новых данных.

• Параметр Таргетинга: Используется для группировки рекламы. Может быть одним значением (например, CTR или CPC) или агрегированной величиной.
• Пороговые значения: Используются для бинаризации решений. Могут быть фиксированными или вычисляться динамически.

Выводы

1. Яндекс адаптирует рекламную стратегию на основе качества органического поиска. Это ключевой вывод. Выбор того, какая реклама и где будет показана, напрямую зависит от того, насколько хороша органическая выдача по мнению системы.
2. Четкое определение метрик качества через поведение. Патент дает точное определение того, что Яндекс считает успешной и неуспешной поисковой сессией. Успех = клик в Топ-10 без возврата на SERP. Неудача = быстрый возврат на SERP (короткий клик) или пагинация (переход на следующие страницы).
3. Качество органики измеряется кумулятивно. Коэффициент Релевантности рассчитывается на основе исторических данных по идентичным или похожим запросам, а не только в рамках текущей сессии.
4. Реклама категоризируется по эффективности. Система не рассматривает всю рекламу одинаково, а группирует ее по Параметрам Таргетинга (CTR, CPC), что позволяет применять разные стратегии к разным типам объявлений.
5. Отсутствие прямых SEO-рекомендаций. Патент описывает внутренние механизмы AdTech и не содержит инструкций по оптимизации сайтов для органического ранжирования.

Практика

Best practices (это мы делаем)

Хотя патент посвящен рекламе, его механизм измерения качества органики (Коэффициент Релевантности) дает критически важные инсайты для SEO:

• Максимизация удовлетворенности пользователя (User Satisfaction): Стратегический приоритет — обеспечить полное решение задачи пользователя на странице. Контент должен быть исчерпывающим, чтобы у пользователя не возникало необходимости возвращаться на выдачу для поиска альтернатив.
• Оптимизация под «длинные клики»: Необходимо работать над вовлеченностью на странице (структура, юзабилити, внутренняя перелинковка), чтобы увеличить время взаимодействия и снизить вероятность быстрого возврата на SERP (который патент определяет как сигнал низкой релевантности).
• Борьба с пагинацией выдачи: Необходимо стремиться к попаданию в Топ-10. Патент явно указывает, что переход пользователя на вторую страницу выдачи является сильным сигналом низкого качества результатов на первой странице.
• Обеспечение соответствия сниппета и контента: Сниппет должен точно отражать содержание страницы. Привлечение клика без последующего удовлетворения интента приведет к быстрому возврату на SERP.

Worst practices (это делать не надо)

• Использование кликбейта в заголовках и сниппетах: Привлечение трафика обманным путем приведет к коротким кликам. Это ухудшает поведенческие метрики, которые Яндекс использует для расчета Коэффициента Релевантности.
• Создание поверхностного контента: Контент, который не решает задачу пользователя и вынуждает его вернуться на выдачу для продолжения поиска, вреден для SEO в Яндексе.
• Медленная загрузка и плохое юзабилити: Технические проблемы, которые заставляют пользователя быстро покинуть страницу и вернуться на SERP, будут интерпретированы как низкая релевантность контента.

Стратегическое значение

Этот патент является еще одним доказательством абсолютного приоритета поведенческих факторов (ПФ) в экосистеме Яндекса. Он детально описывает, как именно поведенческие сигналы используются для измерения качества поиска. Хотя здесь эти измерения применяются для оптимизации рекламы, очевидно, что эти же метрики лежат в основе глобальной оценки качества поиска. Для SEO-стратегии это означает, что работа над ПФ и удовлетворенностью пользователя является фундаментом продвижения.

Практические примеры

Сценарий 1: Улучшение поведенческих метрик для повышения Коэффициента Релевантности

1. Анализ: SEO-специалист замечает, что по запросу «как выбрать ноутбук для дизайнера» сайт находится на 5 позиции, но имеет высокий процент возвратов на SERP (по данным Метрики).
2. Гипотеза (на основе патента): Яндекс видит эти возвраты как сигнал низкой релевантности, что снижает общий Коэффициент Релевантности для этого запроса и потенциально влияет на ранжирование документа.
3. Действие: Страница перерабатывается: добавляются конкретные модели ноутбуков, сравнения видеокарт, интерактивный блок выбора по параметрам. Юзабилити улучшается для удержания внимания.
4. Ожидаемый результат: Уменьшение процента возвратов на SERP и увеличение времени на сайте («длинные клики»). Яндекс фиксирует это как повышение удовлетворенности, что ведет к росту Коэффициента Релевантности и положительно влияет на органическое ранжирование.

Сценарий 2: Интерпретация изменения рекламного блока (Стратегический анализ)

1. Наблюдение: SEO-специалист видит, что по определенному кластеру запросов Яндекс начал показывать более агрессивные или крупные рекламные блоки (например, переключился на «Второе пространственное размещение»).
2. Гипотеза (на основе патента): Это может быть индикатором того, что Яндекс считает качество органической выдачи по этому кластеру низким (Коэффициент Релевантности ниже порога). Система пытается компенсировать это изменением рекламной стратегии.
3. Стратегический вывод: В этой нише наблюдается дефицит качественного органического контента. Это возможность для создания экспертного контента, который сможет быстро занять топовые позиции, так как конкуренция по качеству низкая.

Вопросы и ответы