Как Яндекс использует поведение пользователей для проверки точности цен и характеристик товаров на электронных платформах (например, Яндекс.Маркет)

Описание

Какую задачу решает

Патент решает задачу обеспечения точности и достоверности информации на электронных коммерческих платформах (агрегаторах), получающих данные от множества сторонних поставщиков. Он направлен на автоматическое обнаружение ошибок, опечаток или вводящих в заблуждение данных (особенно цен) в характеристиках товаров. Цель — поддержание доверия пользователей к платформе и предотвращение негативного опыта, связанного с некорректной информацией.

Что запатентовано

Запатентована система и метод валидации обновленной информации о «цифровом элементе» (товаре или услуге). Суть изобретения заключается в использовании коллективного поведения пользователей как эталона для обнаружения аномалий. Когда характеристика товара (например, цена) изменяется, система сравнивает уровень взаимодействия пользователей с этим новым значением с уровнем взаимодействия, связанным со старым значением, в контексте группы идентичных товаров.

Как это работает

Система группирует идентичные товары (цифровые элементы), предлагаемые разными поставщиками (сетевыми ресурсами). Она непрерывно отслеживает действия пользователей (например, клики, покупки) с этой группой. Когда поставщик обновляет характеристику (например, цену), система вычисляет разницу в поведении пользователей, связанном со старым и новым значением. Если эта разница превышает заранее заданное пороговое значение (например, наблюдается аномальный всплеск кликов на слишком низкую цену), новое значение помечается как неточное.

Актуальность для SEO

Высокая (для E-commerce платформ). Для крупных агрегаторов, таких как Яндекс.Маркет (упомянутый в патенте), автоматическая валидация данных от тысяч поставщиков критически важна. Использование поведенческих сигналов для контроля качества и обнаружения аномалий является стандартной практикой в современных системах.

Важность для SEO

Влияние на органический веб-поиск низкое (3/10). Патент описывает внутренние процессы контроля качества данных на электронной платформе, а не алгоритмы ранжирования веб-документов. Однако для оптимизации внутри маркетплейсов (Marketplace Optimization) влияние высокое (8/10). Система гарантирует, что предложения с ошибочными или кликбейтными данными могут быть автоматически заблокированы или пессимизированы, подчеркивая критическую важность точности товарных фидов.

Детальный разбор

Термины и определения

Цифровой элемент (Digital Element)

Цифровое представление объекта (продукта, услуги или товара) на электронной платформе. Карточка товара или листинг..

Электронная платформа (Electronic Platform)

Платформа для электронной коммерции или агрегатор (например, Yandex.Market), размещенная на сервере, которая собирает данные от множества сетевых ресурсов..

Сетевой ресурс (Network Resource)

Система (например, сервер), управляемая поставщиком объектов (мерчантом), которая предоставляет информацию о цифровых элементах платформе..

Характеристика элемента (Element Characteristic)

Атрибут цифрового элемента. В патенте упоминаются: название, цена, масса, объем памяти и т.д..

Группа цифровых элементов (Group of Digital Elements)

Ключевое понятие. Группа содержит цифровые элементы, которые (а) представляют одинаковые объекты и (б) предоставлены платформе несколькими разными сетевыми ресурсами..

Алгоритм маскирования (Masking Algorithm)

Процесс, используемый сервером для идентификации и группировки идентичных цифровых элементов путем сравнения значений их характеристик (Entity Resolution).. Может использовать точное или частичное совпадение.

Действия пользователей (User Actions)

Взаимодействия пользователей с цифровыми элементами. Включают: количество «кликов» (основной пример), «длинных кликов», отзывы, использование функции «поделиться», время взаимодействия, количество покупок..

Пороговое значение (Threshold Value)

Заранее заданный предел или интервал значений. Используется для определения того, является ли изменение в поведении пользователей аномальным..

Ключевые утверждения (Анализ Claims)

Патент фокусируется на методе валидации данных, основанном на сравнении поведенческих метрик для группы идентичных товаров.

Claim 1 (Независимый пункт, Способ) и Claim 15 (Независимый пункт, Сервер): Описывают ядро изобретения.

1. Мониторинг действий пользователей с группой цифровых элементов (идентичные товары от разных поставщиков).
2. Получение от одного поставщика (сетевого ресурса) указания на новое значение характеристики элемента (например, цены), заменяющее старое значение.
3. Определение различия между: (а) действиями пользователей с элементами группы, имеющими старое значение, и (б) действиями пользователей с элементами группы, имеющими новое значение.
4. Сравнение этого различия с пороговым значением для определения точности нового значения.

Claims 2-6 (Зависимые пункты): Уточняют механизм формирования группы.

• Определение группы (Claim 2) включает применение алгоритма маскирования к значениям характеристик (Claim 3).
• Алгоритм сравнивает характеристики (Claim 4), например, Название (Claim 6), и определяет элементы с одинаковыми значениями для включения в группу (Claim 5).

Claims 8-10 (Зависимые пункты): Приводят конкретные примеры данных.

• Действия пользователей определены как количество «кликов» (Claim 8), возможно, за интервал времени (Claim 9).
• Характеристика элемента определена как цена (Claim 10).

Claims 12-14 (Зависимые пункты): Определяют логику принятия решения.

• Если различие меньше порога — точно (Claim 12); если больше — неточно (Claim 13).
• Важное уточнение в Claim 14: Пороговое значение может быть интервалом значений. Если различие находится в этом интервале, новое значение считается точным. Это позволяет выявлять аномалии как при слишком низких, так и при слишком высоких значениях.

Где и как применяется

Этот патент не применяется в стандартной архитектуре веб-поиска Яндекса (Crawling, Indexing, Ranking). Он специфичен для инфраструктуры Электронных Платформ (E-commerce/Маркетплейсов), таких как Яндекс.Маркет.

Система Управления Каталогом и Контроля Качества Данных

• Группировка товаров (Entity Resolution): На этапе обработки входящих данных система использует Алгоритм маскирования для сопоставления товаров от разных поставщиков в единые группы..
• Мониторинг поведения: Система интегрирована с модулями логирования пользовательских действий на платформе для сбора статистики по группам..
• Валидация обновлений: Основной механизм активируется при получении обновлений данных (например, изменение цены в фиде) от поставщиков..

Входные данные: Фиды данных от мерчантов (Характеристики элементов); Обновления этих характеристик; Логи Действий пользователей.

Выходные данные: Определение точности (точное/неточное) нового значения; Инициирование действия (блокировка обновления, уведомление поставщика, предупреждение пользователей).

На что влияет

• Типы контента: Влияет исключительно на товарные предложения (Цифровые элементы) на платформах электронной коммерции.
• Ниши: Все категории E-commerce.
• Конкретные характеристики: Наибольшее влияние оказывается на характеристики, сильно влияющие на поведение пользователей, в первую очередь на Цену.

Когда применяется

• Триггер активации: Получение сервером обновления (нового значения) для характеристики цифрового элемента от сетевого ресурса..
• Условия применения: Алгоритм применяется к элементам, которые входят в состав Группы. Это означает, что товар должен предлагаться несколькими поставщиками или иметь историю, чтобы система могла сравнить поведение и установить базовый уровень.

Пошаговый алгоритм

Этап 1: Предварительная обработка и Мониторинг (Фоновый процесс)

1. Группировка (Entity Resolution): Применение Алгоритма Маскирования. Сравнение характеристик (например, Название, Объем памяти) элементов от разных источников для формирования Групп идентичных товаров..
2. Мониторинг: Непрерывное отслеживание и логирование действий пользователей (клики, покупки) с цифровыми элементами внутри сформированных групп..
3. Установка порогов: Определение оператором платформы Пороговых значений (интервалов) для различных характеристик и действий..

Этап 2: Валидация обновления (По триггеру)

1. Получение обновления: Регистрация поступления нового значения характеристики для замены старого..
2. Определение различия: Вычисление разницы между уровнем действий пользователей, связанных со старым значением, и уровнем действий, связанных с новым значением, в контексте группы..
3. Сравнение с порогом: Сопоставление вычисленной разницы с пороговым интервалом..
4. Принятие решения:
   • Если различие в пределах интервала: новое значение признается точным..
   • Если различие выходит за пределы интервала (аномалия): новое значение признается неточным..
5. Реагирование: В случае неточности система инициирует действие (например, не заменяет старое значение или уведомляет поставщика)..

Какие данные и как использует

Данные на входе

• Структурные/Контентные факторы (Характеристики элемента): Название, цена, масса, объем памяти, спецификации. Эти данные используются для группировки товаров (Алгоритм маскирования) и являются объектом валидации (особенно цена).
• Поведенческие факторы (Действия пользователей): Ядро системы валидации. Используются: количество «кликов» (основной пример), «длинных кликов», отзывы, время взаимодействия, количество покупок.
• Временные факторы: Действия пользователей могут анализироваться в течение заранее заданного интервала времени.

Какие метрики используются и как они считаются

• Совпадение характеристик: Метрика для группировки. Может требовать точного или частичного совпадения (например, не более одного несовпадающего символа).
• Различие в действиях пользователей (Difference): Основная вычисляемая метрика. Представляет собой разницу (абсолютную или процентную) в уровне пользовательской активности (например, количестве кликов), связанной со старым и новым значением характеристики..
• Пороговые значения/Интервалы (Threshold Value): Задаются оператором платформы. В патенте приводятся иллюстративные примеры: уменьшение активности более чем на 10% или «пик» активности более чем на 1000% могут указывать на неточность. Порог может быть задан как интервал (например, от -10% до +1000%).

Выводы

1. Область применения ограничена E-commerce: Патент описывает внутренний механизм контроля качества данных для платформ типа Яндекс.Маркет и не имеет отношения к алгоритмам ранжирования в органическом веб-поиске.
2. Поведение пользователей как валидатор данных: Ключевая идея — использование коллективного поведения («мудрости толпы») для проверки точности информации, предоставляемой мерчантами. Поведенческие сигналы служат источником истины.
3. Обнаружение аномалий как сигнал неточности: Аномальное поведение (резкие всплески или падения интереса), коррелирующее с изменением характеристики товара (особенно цены), интерпретируется как сигнал о потенциальной ошибке данных (опечатке, некорректной цене).
4. Необходимость сравнения (Группы): Для работы механизма необходимо, чтобы товар предлагался несколькими поставщиками. Это позволяет сформировать Группу цифровых элементов с помощью Алгоритма маскирования и установить базовый уровень поведения для сравнения.
5. Защита целостности платформы: Система направлена на защиту репутации платформы и доверия пользователей путем автоматического выявления и реагирования на ошибочную информацию.

Практика

Контекст применения

Практическое применение данного патента строго ограничено деятельностью мерчантов и SEO-специалистов, работающих на платформе Яндекс.Маркет или аналогичных агрегаторах (Marketplace Optimization). Патент не дает практических выводов для оптимизации сайтов под общий органический поиск.

Best practices (это мы делаем)

• Обеспечение абсолютной точности данных в фидах: Критически важно поддерживать актуальность и корректность цен и характеристик. Патент демонстрирует, что Яндекс имеет автоматизированные механизмы для обнаружения ошибок на основе поведения пользователей. Ошибки могут привести к блокировке предложений.
• Корректное заполнение характеристик для группировки: Убедитесь, что названия, модели и ключевые атрибуты заполнены корректно и консистентно. Это необходимо, чтобы алгоритм маскирования мог правильно сгруппировать ваш товар с аналогами, что является условием для работы системы валидации.
• Мониторинг рыночных цен: Понимайте рыночный диапазон цен. Значительные отклонения, даже если это реальная акция, могут вызвать срабатывание валидатора из-за аномального всплеска интереса, если пороги установлены слишком жестко.

Worst practices (это делать не надо)

• Предоставление ошибочных цен (опечатки): Система специально разработана для выявления цен, которые «слишком хороши, чтобы быть правдой» (вызывают аномальный всплеск кликов, например >1000%) или слишком завышены (вызывают резкое падение интереса).
• Манипуляции с кликбейтом: Попытки привлечь внимание с помощью фейковых низких цен будут автоматически обнаружены и заблокированы описанным механизмом, так как это приведет к поведенческой аномалии.
• Искажение характеристик для избежания группировки: Попытки сделать товар уникальным путем намеренного искажения названия могут привести к снижению видимости на платформе и некорректной работе систем контроля качества.

Стратегическое значение

Патент подтверждает стратегический приоритет Яндекса на использование поведенческих данных для контроля качества и валидации информации внутри своей экосистемы. Для мерчантов это подчеркивает необходимость инвестиций в надежные процессы управления данными (Feed Management) и интеграции с платформой. Доверие к данным является фундаментом для успешной работы на агрегаторах.

Практические примеры

Сценарий 1: Обнаружение опечатки в цене (слишком низкая цена)

1. Ситуация: Товар «Смартфон Модель X» (Группа цифровых элементов) предлагается по средней цене 1200 у.е. Среднее количество кликов — 100 в час. Установлен порог допустимого роста кликов +1000%.
2. Действие мерчанта: Магазин А обновляет цену до 120 у.е. (опечатка).
3. Действие системы: Система фиксирует, что количество кликов на предложения с ценой 120 у.е. возросло до 2000 в час.
4. Валидация: Разница составляет +1900%. Это превышает установленный порог (+1000%).
5. Результат: Цена 120 у.е. признается неточной. Предложение Магазина А может быть скрыто до исправления ошибки.

Сценарий 2: Валидация корректного изменения цены (Скидка)

1. Ситуация: Товар «Ноутбук Модель Y» продается по цене 1800 у.е. Среднее количество кликов — 50 в час. Установлен порог от -10% до +1000%.
2. Действие мерчанта: Магазин Б объявляет распродажу и снижает цену до 1500 у.е.
3. Действие системы: Система фиксирует, что количество кликов на предложения с ценой 1500 у.е. возросло до 80 в час.
4. Валидация: Разница составляет +60%. Это находится в пределах установленного порога.
5. Результат: Цена 1500 у.е. признается точной. Обновление принимается.

Вопросы и ответы