Как Яндекс меняет выбор и расположение рекламы в зависимости от качества органической выдачи

Описание

Какую задачу решает

Патент решает задачу оптимизации отображения таргетированных сообщений (рекламы) на странице поисковой выдачи (SERP). Цель — адаптировать стратегию выбора и размещения рекламы в зависимости от того, насколько успешно органические результаты поиска удовлетворяют интент пользователя. Это позволяет балансировать между пользовательским опытом и монетизацией, изменяя рекламную нагрузку в зависимости от качества основного поиска.

Что запатентовано

Запатентованы методы адаптивного формирования SERP, где решение о выборе (Selection) ИЛИ о размещении (Placement) таргетированного сообщения зависит от оценки качества набора органических результатов. Ключевым элементом является метрика Relevance Factor of the Search Query Result Set (Фактор Релевантности Набора Результатов Поиска), которая оценивает качество всей органической выдачи в целом.

Как это работает

Система сначала генерирует органические результаты поиска. Затем она рассчитывает Relevance Factor для этого набора результатов, используя алгоритм машинного обучения (MLA) и исторические поведенческие данные (как пользователи взаимодействовали с выдачей по похожим запросам ранее). Этот фактор сравнивается с пороговым значением (Threshold). В зависимости от результата сравнения система принимает одно из двух решений (или оба):

• Размещение: Если качество органики высокое, реклама размещается на премиальных позициях (например, вверху/в центре). Если низкое — на менее заметных (например, внизу/справа).
• Выбор: Если качество органики высокое, выбирается реклама из первой группы (например, с высоким CTR или ставкой). Если низкое — из второй группы.

Актуальность для SEO

Средняя. Метрики оценки качества всей выдачи на основе поведенческих факторов (аналогичные описанному Relevance Factor, такие как Профицит) являются центральными для Яндекса и крайне актуальны. Однако конкретные правила адаптации рекламных блоков и компоновки SERP могли значительно эволюционировать с момента приоритета патента (2014 год).

Важность для SEO

Влияние на органическое ранжирование низкое (3/10). Патент не описывает, как ранжировать сайты в органическом поиске. Это AdTech-патент, описывающий управление рекламой. Однако он имеет высокое стратегическое значение для понимания того, как Яндекс измеряет успех своей органической выдачи в целом с помощью поведенческих метрик. Он также напрямую влияет на компоновку SERP и видимость органических результатов относительно рекламных блоков.

Детальный разбор

Термины и определения

Relevance Factor of the Search Query Result Set (Фактор Релевантности Набора Результатов Поиска)

Ключевая метрика патента. Означает вероятность того, что набор органических результатов поиска удовлетворит поисковый интент пользователя. Рассчитывается для всего набора результатов в целом, а не для отдельных документов. Расчет основан на анализе исторических поведенческих данных пользователей по этому или похожим запросам.

Search Query Result Set (SQRS) (Набор Результатов Поиска)

Список органических результатов (веб-поиск и/или вертикальные поиски), возвращаемых поисковой системой в ответ на запрос.

Targeted Message (Таргетированное сообщение)

Сообщение, выбираемое сервером в ответ на запрос и/или профиль пользователя, и отличное от органических результатов поиска. В первую очередь это цифровая реклама (digital ad), но также могут быть и другие типы сообщений (например, прогноз погоды).

Targeting Parameter (Параметр Таргетинга)

Параметр, используемый для группировки таргетированных сообщений. Примеры включают: фактический CTR (Actual click-through rate), прогнозируемый CTR (Predicted click-through rate) или ставку (Bid price/CPC).

First/Second Plurality of Targeted Messages (Первое/Второе множество таргетированных сообщений)

Группы сообщений, разделенные на основе Targeting Parameter. Например, Группа 1 может содержать рекламу с высоким CTR, а Группа 2 — с низким.

First/Second Spatial Placement (Первое/Второе пространственное размещение)

Области на SERP, предназначенные для размещения таргетированных сообщений. Патент определяет Первое размещение как «Верх» (Top) или «Центр» (Middle) страницы, а Второе — как «Низ» (Bottom) или «Правую сторону» (Right side).

Relevancy Threshold (Порог релевантности)

Предопределенное значение, с которым сравнивается Relevance Factor для принятия решения о выборе или размещении рекламы. Порог может быть разным для разных категорий запросов.

Ключевые утверждения (Анализ Claims)

Патент описывает два основных независимых механизма: адаптивное размещение рекламы (Claim 1) и адаптивный выбор рекламы (Claim 9).

Claim 1 (Независимый пункт): Метод адаптивного размещения (Placement).

1. Система получает запрос. Запрос категоризируется, и для этой категории определяется соответствующий Relevancy Threshold.
2. Генерируется набор органических результатов (SQRS).
3. С помощью алгоритма машинного обучения (MLA) определяется Relevance Factor для всего SQRS в целом. Этот расчет основан на исторических взаимодействиях других пользователей с результатами по похожим запросам и выполняется после ранжирования отдельных результатов.
4. Выбирается таргетированное сообщение.
5. Определяется пространственное размещение сообщения:
• Если Relevance Factor ≥ Threshold (органика качественная): Выбирается First Spatial Placement (Верх или Центр SERP).
• Если Relevance Factor < Threshold (органика низкого качества): Выбирается Second Spatial Placement (Низ или Правая сторона SERP).
6. Генерируется финальная SERP с сообщением в выбранной позиции.

Когда система уверена в качестве органической выдачи (высокий Relevance Factor), она размещает рекламу более агрессивно и заметно (вверху/в центре). Когда качество органики низкое и пользователь, вероятно, не удовлетворен, реклама смещается на менее заметные позиции (вниз/вправо).

Claim 9 (Независимый пункт): Метод адаптивного выбора (Selection).

1. Шаги 1-3 аналогичны Claim 1 (Получение запроса, генерация SQRS, расчет Relevance Factor).
2. Выбирается таргетированное сообщение:
• Если Relevance Factor ≥ Threshold (органика качественная): Сообщение выбирается из First Plurality of Targeted Messages.
• Если Relevance Factor < Threshold (органика низкого качества): Сообщение выбирается из Second Plurality of Targeted Messages.
3. (Множества определяются на основе Targeting Parameter, например, CTR или ставки).
4. Генерируется финальная SERP с выбранным сообщением.

Тип показываемой рекламы зависит от качества органической выдачи. Если предположить, что Первая группа содержит более качественную или дорогую рекламу, то она показывается тогда, когда органическая выдача также качественная.

Где и как применяется

Изобретение затрагивает поздние стадии обработки запроса и генерации выдачи.

QUERY PROCESSING – Понимание Запросов
На этом этапе запрос может быть классифицирован для определения его категории. Эта категория используется для выбора соответствующего Relevancy Threshold, как указано в патенте.

RANKING – Ранжирование (Пост-ранжирование/Оценка качества)
После того как основное ранжирование завершено и сформирован SQRS, система должна вычислить Relevance Factor. Это происходит на поздних стадиях ранжирования или в рамках отдельного слоя оценки качества (Quality Layer). Эта метрика, вероятно, тесно связана с метрикой Профицит в архитектуре Яндекса, оценивающей успех сессии на основе логов действий пользователя.

BLENDER / METASEARCH – Метапоиск и Смешивание
Основное применение патента. Компонент, отвечающий за финальную сборку SERP (Blender), получает SQRS и значение Relevance Factor. На основе этого фактора Blender взаимодействует с рекламной системой (Targeted Messages Cluster) для выбора типа рекламы (Claim 9) и определяет финальную компоновку страницы (Layout), выбирая пространственное размещение рекламы (Claim 1).

На что влияет

• Компоновка SERP (Layout): Напрямую влияет на то, где будут расположены рекламные блоки относительно органических результатов.
• Монетизация и Рекламная нагрузка: Влияет на то, какая реклама будет показана (по ставке или CTR) и насколько агрессивно она будет размещена.
• Типы запросов: Применяется ко всем типам запросов, однако патент явно указывает, что пороги (Thresholds) могут отличаться для разных категорий запросов (например, разные пороги для запросов про «автомобили» и про «фастфуд»).

Когда применяется

Алгоритм применяется при генерации страницы поисковой выдачи для запросов, по которым предусмотрен показ таргетированных сообщений.

• Условие активации: Сравнение рассчитанного Relevance Factor с предопределенным Relevancy Threshold для данной категории запроса.
• Триггеры: Если фактор превышает порог, активируется логика «высокого качества» (Первое размещение / Первая группа). Если не достигает — логика «низкого качества» (Второе размещение / Вторая группа).

Пошаговый алгоритм

Описание комбинированного процесса (объединяя логику выбора и размещения).

1. Получение и Категоризация Запроса: Система получает запрос и определяет его категорию.
2. Определение Порога: Для данной категории запроса извлекается соответствующий предопределенный Relevancy Threshold.
3. Генерация Органических Результатов: Формируется набор органических результатов (SQRS).
4. Расчет Качества Выдачи: Используя MLA и исторические поведенческие данные, система рассчитывает Relevance Factor для всего SQRS.
5. Сравнение с Порогом: Система сравнивает Relevance Factor и Threshold.
6. Принятие Решений (Ветвление):
   • Если Качество Высокое (Factor ≥ Threshold):
     1. Выбор рекламы: Из First Plurality (например, высокий CTR/ставка).
     2. Размещение рекламы: В First Spatial Placement (Верх/Центр).
   • Если Качество Низкое (Factor < Threshold):
     1. Выбор рекламы: Из Second Plurality.
     2. Размещение рекламы: В Second Spatial Placement (Низ/Справа).
7. Генерация SERP: Формирование финальной страницы выдачи с органическими результатами и рекламой в выбранных позициях.
8. Отправка Пользователю.

Какие данные и как использует

Данные на входе

• Поведенческие факторы: Критически важные данные для расчета Relevance Factor. Используются исторические логи взаимодействий пользователей с выдачей по аналогичным запросам. Конкретные примеры, упомянутые в патенте:
  • Клик на результат в Топ-10 и отсутствие возврата на SERP (сигнал высокого качества).
  • Переключение на вторую страницу пагинации (сигнал низкого качества).
  • Клик на результат и быстрый возврат на SERP (pogo-sticking) (сигнал низкого качества).
• Контентные/Системные факторы: Текст запроса используется для его категоризации и определения соответствующего порога (Threshold).
• Рекламные факторы (Targeting Parameters): Данные, используемые для группировки рекламных объявлений:
  • Фактический CTR (Actual click-through rate).
  • Прогнозируемый CTR (Predicted click-through rate).
  • Ставка (Bid price / CPC).

Какие метрики используются и как они считаются

• Relevance Factor of the SQRS: Вычисляется с помощью алгоритма машинного обучения (MLA), обученного на исторических поведенческих данных. Это интегральная оценка вероятности того, что весь набор органических результатов удовлетворит интент пользователя.
• Targeting Parameter: Метрика качества или ценности рекламного объявления (CTR, CPC). Используется для разделения рекламы на группы (Pluralities).
• Relevancy Threshold: Пороговое значение для Relevance Factor. Патент указывает, что эти пороги предопределены и могут зависеть от категории запроса.

Выводы

1. Яндекс измеряет качество всей органической выдачи: Помимо оценки отдельных страниц (Proxima), Яндекс использует метрику для оценки качества всего набора органических результатов (Relevance Factor of the SQRS). Это аналог метрики Профицит.
2. Поведенческие факторы — основа оценки качества поиска: Relevance Factor рассчитывается исключительно на основе исторических данных о поведении пользователей (клики, возвраты на выдачу, пагинация). Удовлетворенность пользователя является мерилом качества органического поиска.
3. Адаптивная рекламная стратегия: Компоновка SERP и выбор рекламы напрямую зависят от качества органических результатов. Яндекс динамически меняет рекламную нагрузку.
4. Логика размещения (Claim 1): Если органическая выдача качественная (высокий Relevance Factor), реклама размещается на премиальных, заметных позициях (Top/Middle). Если качество низкое, реклама смещается на менее заметные позиции (Bottom/Right).
5. Вариативность по категориям: Система учитывает контекст запроса, используя разные пороги качества (Thresholds) для разных тематик.

Практика

Best practices (это мы делаем)

Хотя патент не дает прямых рекомендаций по органическому ранжированию, он подтверждает важность следующих стратегий:

• Максимизация удовлетворенности пользователя (User Satisfaction): Создавайте контент, который полностью решает задачу пользователя. Цель — обеспечить позитивные поведенческие сигналы: клик на ваш результат и завершение поиска (отсутствие возврата на SERP). Это повышает Relevance Factor выдачи в целом.
• Предотвращение негативных ПФ (Pogo-sticking): Убедитесь, что сниппет соответствует содержанию страницы, а контент быстро предоставляет искомую информацию. Быстрые возвраты на выдачу снижают оценку качества поиска (Relevance Factor).
• Развитие Topical Authority: Повышая общее качество и авторитетность ресурсов в нише, SEO-специалисты способствуют росту Relevance Factor для запросов в этой тематике. Это может привести к более агрессивному размещению рекламы, что нужно учитывать при анализе видимости органики.

Worst practices (это делать не надо)

• Игнорирование поведенческих факторов: Оптимизация только под текстовую релевантность или ссылки без учета реального взаимодействия пользователей с контентом неэффективна. ПФ являются основой для измерения качества поиска в Яндексе.
• Кликбейт в сниппетах: Привлечение нецелевых кликов, которые приводят к быстрому возврату на SERP. Это сигнализирует системе о низком качестве результатов и может привести к снижению Relevance Factor.

Стратегическое значение

Этот патент демонстрирует, насколько глубоко поведенческие метрики интегрированы в работу поиска Яндекса. Relevance Factor of the SQRS является ключевым показателем здоровья органического поиска. Патент также показывает механизм балансировки UX и монетизации: Яндекс готов снизить видимость рекламы (и потенциальный доход в моменте), если органический поиск не справляется со своей задачей, вероятно, чтобы не усугублять фрустрацию пользователя.

Для SEO-стратегии это означает, что долгосрочный успех зависит от реального удовлетворения интента пользователя, так как именно это является эталоном качества для поисковой системы.

Практические примеры

Сценарий 1: Высокое качество органической выдачи

1. Запрос: «Купить iPhone 15 Pro Max».
2. Ситуация: В органической выдаче много релевантных интернет-магазинов, пользователи быстро находят нужный товар и завершают поиск.
3. Действие системы: Relevance Factor высокий (≥ Threshold).
4. Результат (по Claim 1): Рекламные объявления размещаются на премиальных позициях — First Spatial Placement (Спецразмещение над органикой, Top/Middle).

Сценарий 2: Низкое качество органической выдачи

1. Запрос: «Редкая техническая ошибка в».
2. Ситуация: В органической выдаче мало полезной информации, пользователи часто возвращаются на SERP (pogo-sticking) или переходят на вторую страницу пагинации.
3. Действие системы: Relevance Factor низкий (< Threshold).
4. Результат (по Claim 1): Рекламные объявления (если они есть по этому запросу) смещаются на менее заметные позиции — Second Spatial Placement (Гарантированные показы внизу или справа, Bottom/Right).

Вопросы и ответы