Как Яндекс использует поведенческие факторы для ранжирования сайтов

Поведение пользователей на сайте и за его пределами – важный источник данных для Яндекса при ранжировании страниц в Интернете. Яндекс обращает особое внимание на то, насколько посетителям интересен контент, удобно ли пользоваться страницей, возвращаются ли пользователи обратно в поиск и на другие поведенческие факторы.

На этой странице вы узнаете, как именно Яндекс использует поведенческие факторы для ранжирования сайтов, а также о том, как улучшить ПФ на сайте для повышения позиций страниц в поисковой выдаче.

Что такое поведенческие факторы и как их измеряет Яндекс

Поведенческие факторы – это совокупность различных показателей, которые отражают взаимодействие пользователя с сайтом и поисковой выдачей.

К основным метрикам поведения пользователя в поиске относятся:

• CTR в выдаче (количество кликов на сниппет)
• Возвращение пользователя обратно в выдачу с тем же запросом
• Время между кликами на разные сайты

Все эти метрики объединяет одно – они касаются момента, когда пользователь ещё не перешел на сторонний сайт или уже вернулся обратно в выдачу Яндекса. То есть поисковая система оценивает поведение пользователя на собственных страницах.

Помимо поведения в выдаче, алгоритм учитывает поведение пользователей на сторонних сайтах. К основным метрикам поведения пользователя на сайте относятся:

• Время, проведенное на сайте или на конкретной странице
• Глубина просмотра (сколько страниц посещено)
• Возвраты или повторные визиты
• Переходы по внутренним ссылкам
• Взаимодействие с элементами страницы
• Отказы

В отличие от информации со стороны поисковой системы, информация о поведении посетителя на стороне сайта хорошо известна владельцам проекта. Например, в Яндекс Метрике можно посмотреть статистику по всем основным метрикам поведения пользователя:

Помимо самих показателей, также учитывается и пользовательский опыт, насколько человеку удобно пользоваться сайтом. Сюда относятся как технические показатели, например, скорость загрузки страницы, так и непосредственный опыт на странице. Последнее также доступно в Метрике во вкладке “Поведение” → “Вебвизор”:

Яндекс Метрика – это источник информации не только для владельца сайта, но и для поисковых алгоритмов. Однако Яндекс собирает и анализирует данные о поведении пользователей не только из Метрики, но и из нескольких других источников.

• Поисковая система – благодаря логам из поиска у Яндекса есть подробная информация по каким сайтам пользователи кликают в выдаче, сколько времени проходит между кликами, возвращаются ли посетители обратно в поиск и другая.
• Яндекс Браузер – информация из браузера дополняет общую картину, например, даёт алгоритмам лучшее понимания о взаимодействии с конкретным сайтом и о действиях пользователя на других страницах.
• Сервисы Яндекса – помимо браузера у Яндекса есть несколько других сервисов, которые позволяют получать дополнительную информацию, например, Яндекс.Элементы.

Для обработки данных используются модели машинного обучения, которые анализируют сотни признаков, включая поведенческие. При обучении моделей Яндекс использует анонимизированные данные, но впоследствии это позволяет принимать решение о конкретных страницах в Интернете.

Важно: поведенческие факторы играют значимую роль для большинства сайтов, но пока сайт молодой и ПФ статистически незначимы, Яндекс учитывает эти параметры в меньшей степени.

Как Яндекс учитывает ПФ для ранжирования

Яндекс не раскрывает полные детали алгоритм ранжирования с учетом ПФ, однако благодаря некоторым патентам известен базовый подход.

Патент US9501575B2

Патент US9501575B2 описывает систему ранжирования поисковых результатов на основе анализа поведения пользователей. В частности в патенте описывается система учета кликов по результатам и времени, проведённом на сайтах после перехода и возвращения в поиск.

Патент напрямую связан с “сигналами” для оценки, которые произошли уже после того, как пользователь кликнул по результату в поисковой выдаче. Иными словами – патент касается поведенческих факторов и учитывает то, что происходит уже на сайте, куда человек перешел из выдачи.

Базовый принцип патента строится на параметре “Click dwell time”, который отражает сколько времени пользователь остаётся на странице перед тем, как вернуться в поиск. Оценка этого параметра простая:

• Человек провел долгое время → результат удовлетворительный.
• Человек быстро вернулся → результат неудовлетворительный.

При этом учитывается целый ряд других факторов:

• Position features – с какой позиции в выдаче был сделан клик.
• Skip features – какие результаты были пропущены (пользователь пролистал, но не кликнул).
• Last clicked и first clicked – какой результат оказался первым и финальным в сессии.

Также большую роль играет последний клик – “Satisfied click”. Это метрика отражает лучший результат в выдаче, после которого пользователь не возвращается к поиску по прежнему вопросу.

Патент US9501575B2 помогает Яндексу оценить “удовлетворенность” пользователя предложенным ответом. Поисковые алгоритмы изучают агрегированные данные по многим пользователям и корректируют веса признаков для ранжирования. В результате, страницы, которые лучше всего отвечают на запрос пользователя, повышаются в выдаче.

Патент US10909127B2

Патент US10909127B2 описывает технологию для улучшения поисковой выдачу в реальном времени, используя опыт прошлых поисковых сессий пользователей. Иными словами, этот патент описывает систему, как Яндекс анализирует исторические паттерны поведения – какие сайты чаще выбирали, и какие запросы вели к решению.

Согласно патенту, Яндекс формирует базу исторических данных:

• Логи прошлых запросов
• Клики пользователей
• Переходы между сайтами
• Информация о “долгих” кликах и возвратах

Далее алгоритм определяет контекст нового запроса. Для этого система анализирует текущий запрос и находит похожие прошлые запросы. Схожесть определяется по лексике, смыслу и контексту. После этого алгоритм на базе прошлого опыта ранжирует сайты в выдаче:

• Если пользователи ранее при схожих запросах выбирали определённые сайты и оставались на них надолго, эти сайты получают дополнительный вес.
• Если сайт часто вызывал быстрые возвраты в поиск, его позиции снижаются.

При этом модель способна динамически корректировать выдачу в зависимости от свежих поведенческих данных, а не только по статической формуле. Это позволяет обновлять данные буквально в реальном времени, и именно это является одной из причин, почему выдача регулярно немного изменяется без значительных апдейтов.

Согласно патенту US10909127B2, Яндекс активно применяет подход машинного обучения, который “учится” на поведении миллионов пользователей, чтобы в реальном времени предсказывать, какие сайты наиболее вероятно ответят на определенный запрос.

Как улучшить поведенческие факторы

Несмотря на то, что Яндекс не раскрывает полный алгоритм ранжирования страниц в выдаче, учёт поведенческих факторов помогает улучшать позиции.

Существует два подхода, как улучшить поведенческие факторы:

1. Фактическое улучшение страниц
2. Накрутка поведенческих факторов

Оба варианта не взаимоисключающие и на практике обычно дают лучший результат именно вместе.

Улучшение страниц

Яндекс стремится дать пользователю лучший ответ на запрос. Вы должны учитывать это при улучшении страниц, прорабатывая сразу различные моменты:

• Контент – на странице должен быть качественный и релевантный контент, который полностью, экспертно и точно ответит на запрос пользователя
• Дизайн и юзабилити – на странице должна быть удобная для пользователя навигация, читабельный текст и адаптивный дизайн. Последнее особенно важно, чтобы пользователь мог получить ответ с любого устройства, включая мобильные телефоны.
• Скорость загрузки страниц – даже небольшое промедление может ухудшить пользовательский опыт. Медленная загрузка приводит к ухудшению параметра отказов, так как некоторые пользователи закрывают страницу, не дождавшись результатов.

Улучшение страницы – базовый способ, как улучшить поведенческие факторы. Недостаточно улучшить один параметр, так как Яндекс оценивает страницы по совокупности факторов. Например, если страница находится далеко от первых мест, при этом полностью, экспертно и корректно раскрывает тему, то возможно страдает дизайн, юзабилити или скорость загрузки страниц.

Накрутка поведенческих факторов

Яндекс призывает всех создавать качественный и полезный контент, который отвечает на запрос пользователя, помогая решать задачи. Это правильный подход, но он может дать сбой, если существует сразу несколько качественных и полезных страниц.

Чтобы выиграть конкуренцию и занять ТОП в выдаче Яндекса, можно использовать накрутку поведенческих факторов. Для этого имитируются действия реальных пользователей.

При накрутке ПФ улучшаются не просто поведенческие параметры, как глубина просмотра или среднее время на сайте. В работе учитываются конкретные запросы, чтобы алгоритмы Яндекса видели улучшение не общих параметров сайта, а точечно у нужных страниц.

Ответы на частые вопросы

Несмотря на то, что впервые о влиянии поведенческих факторов на выдачу Яндекса заговорили больше 10 лет назад, эта тема всё ещё вызывает много вопросов. Мы собрали ответы на самые распространенные из них, чтобы вы могли легче со всем разобраться.

Как Яндекс собирает данные о поведении пользователей?

У Яндекса есть сразу несколько источников информации – собственная выдача, Яндекс Метрика со стороны сайта и данные из Яндекс Браузера. Некоторые данные поступают и из других инструментов, например, Яндекс.Элементы также является источником информации.

Можно ли накручивать поведенческие факторы без санкций?

Яндекс рекомендует развивать проект органически – делать качественный контент и следить за удобством страниц для пользователей.

Накрутка поведенческих факторов может привести к санкциям, так как это является манипуляцией с выдачей. Однако, при грамотном подходе риски сведены к минимуму и фактически можно накручивать ПФ без санкций.

Какие метрики в Яндекс.Метрике считаются поведенческими?

Яндекс.Метрика учитывает не просто количество посетителей на сайте, но и целый ряд других параметров, в том числе поведенческие.

Единой вкладки “поведенческих” метрик в инструменте нет, однако вы можете найти их самостоятельно в различных отчетах.

Большая часть собрана во вкладке “Аудитория”. Например, к поведенческим относятся параметры – время на сайте, глубина просмотров и отказы.

Другие отчеты дадут вам ещё больше представления о вашей аудитории. Например, в разделе “Поведение” вы можете посмотреть реальные примеры взаимодействия со страницами через “Вебвизор”.

Что такое «критическая масса» для оценки ПФ нового сайта?

Критическая масса – это минимальный объём реальных пользовательских данных, необходимый Яндексу для того, чтобы начать учитывать поведенческие сигналы при ранжировании сайта.

Пока сайт не набрал достаточно трафика, его ПФ показатели статистически незначимы, и поэтому поисковик не делает по ним выводов.

Универсального объема трафика, необходимого для начала учета поведенческих нет. Но понять, что сайт достиг критической массы можно по косвенным признакам – сайт регулярно появляется в поисковой выдаче и получает трафик, а также по тому, что CTR по ключевым запросам начинает стабилизироваться.

Как оптимизировать сайт для улучшения CTR в поисковой выдаче?

Для увеличения количества пользователей, которые кликнули по вашему сниппету после того, как увидели его в выдаче, важна комплексная проработка сниппета. Для этого необходимо оптимизировать мета данные Title и Description, а также использовать структурированные данные и дополнительные возможности представления в выдаче.

Некоторые советы и дополнительные возможности по оптимизации вашего сайта вы можете почерпнуть в кабинете Яндекс.Вебмастер:

На CTR также влияет и узнаваемость бренда – люди чаще кликают на то, с чем уже встречались. Поэтому улучшение CTR лежит не только в области оптимизации сайта, но в маркетинге и развитии бренда.

Как поведенческие факторы влияют на выдачу Яндекса

Поведенческие факторы – один из столпов ранжирования, на котором строится общая оценка сайта:

1. Яндекс оценивает поведение пользователей как в выдаче, так и за её пределами.
2. Для сбора информации о поведении пользователей используется Яндекс.Метрика, Яндекс.Браузер, Яндекс.Поиск и некоторые другие инструменты.
3. Точный алгоритм ранжирования Яндекса не раскрывается, но достоверно известно о нескольких связанных с ПФ патентах – US9501575B2 и US10909127B2.
4. Патент US9501575B2 описывает анализ действий пользователей после клика в выдаче.
5. Патент US10909127B2 описывает механизм учета прошлых запросов для формирования выдачи в реальном времени.
6. Огромный массив данных помогает Яндексу понимать запросы пользователей и рекомендовать лучшие результаты.
7. Улучшение поведенческих факторов может помочь в продвижении, так как Яндекс учитывает ПФ для определения позиции страницы в выдаче.
8. Помимо доработок сайта и качественного контента, для улучшения поведенческих факторов хорошо работает и накрутка. Искусственное улучшение ПФ влияет на оценку сайта алгоритмом Яндекса, что при комплексной проработке позволяет продвигать страницы в ТОП.