Поведенческие факторы

Происхождение и история термина

Научная линия: клики как неявная обратная связь

В информационном поиске идея использовать поведение пользователей для ранжирования оформилась как исследование неявной обратной связи (implicit feedback) — в противоположность явной, когда человек сам ставит оценку. Одна из ранних работ этого направления — статья Торстена Йоахимса «Optimizing search engines using clickthrough data» (KDD 2002) ^[9]. Корнеллский университет, сообщая о присуждении этой статье награды SIGKDD Test of Time 2015 года, описывает её вклад так: работа ставила задачу ранжирования документов, используя «not explicit user feedback but implicit user feedback in the form of clickthrough data» — не явную, а неявную обратную связь в виде данных о кликах ^[9].

В 2005 году Йоахимс с соавторами проверил, насколько клики надёжны, сопоставив их с данными айтрекинга и ручными оценками релевантности. Вывод работы: клики информативны, но смещены; трактовать их как абсолютные оценки релевантности трудно, а вот относительные предпочтения, выведенные из кликов, в среднем достаточно точны ^[10]. Статья позже получила награду SIGIR Test of Time 2016 года и была переиздана в ACM SIGIR Forum в 2017 году ^[10].

В 2006 году исследователи Microsoft Юджин Агихтейн, Эрик Брилл и Сьюзан Дюмэ показали на 3000 запросов и 12 млн взаимодействий пользователей с поисковой системой, что добавление поведенческих данных улучшает уже конкурентоспособный алгоритм ранжирования — по их оценке, «by as much as 31%» (до 31 %) относительно исходного качества ^[11]. Важно: эти работы описывают исследовательские методы и экспериментальные результаты, а не устройство текущего алгоритма какого-либо поисковика.

Следующий этап — кликовые модели: вероятностные модели того, как пользователь просматривает страницу результатов и решает, кликать ли. Их обзор дан в монографии Александра Чуклина, Ильи Маркова и Мартена де Рейке «Click Models for Web Search» (2015) ^[12].

Российская линия: термин из практики SEO

Словосочетание «поведенческие факторы» сложилось в русскоязычной SEO-практике; в англоязычной литературе ему соответствуют выражения user behavior signals, user interaction data, implicit feedback, clickthrough data. Точный момент появления термина и год, когда Яндекс начал учитывать такие сигналы, по первичным источникам установить не удалось, поэтому мы его не называем.

В официальных материалах Яндекса тема появляется как предупреждение о манипуляциях. В мае 2011 года блог Яндекса для вебмастеров сообщил о попытках повлиять на поиск путём «эмуляции действий пользователей» — с помощью программ, которые задают запросы и переходят на определённые сайты, — и назвал такие методы поисковым спамом ^[2]. В декабре 2018 года в том же блоге прямо использован термин: услуга «может называться накруткой поведенческих факторов» ^[3]. В изученных нами официальных справках Яндекса (^[1], ^[4]–^[6], ^[16]) состав поведенческих факторов не раскрывается.

Суть и механизм

Какие действия могут давать сигнал

Поисковая система видит, как пользователи реагируют на выдачу: какой результат открыли, какой пропустили, вернулись ли к списку и выбрали ли другой ответ. Часть таких данных относится к самой странице результатов (клики в выдаче), часть — к последующему поведению (например, время, проведённое на открытой странице). Признаки, на которые опираются конкретные поисковики сегодня, официально не раскрыты.

Почему сигналы агрегируются

Поведение одного человека шумное: он может кликнуть случайно или уйти по своим причинам. Поэтому поисковики говорят именно об агрегированных данных: Google формулирует это как использование «aggregated and anonymized interaction data to assess whether search results are relevant to queries» ^[7]. Агрегирование по множеству пользователей и запросов позволяет отделить устойчивую закономерность от случайности.

Смещения кликов и кликовые модели

Главная причина, почему клики нельзя использовать «в лоб», — систематические смещения:

• Позиционное смещение и смещение доверия. Йоахимс и соавторы обнаружили «trust bias», который ведёт к большему числу кликов по ссылкам, поставленным Google высоко, даже если их описания менее релевантны ^[10].
• Влияние качества соседних результатов. Решение о клике зависит не только от релевантности ссылки, поэтому клики нужно интерпретировать относительно порядка показа и других сниппетов ^[10].
• Привлекательность сниппета. Клик говорит о том, что понравилось описание в выдаче; соответствует ли ему сама страница, видно только по дальнейшему поведению (вывод на основе ^[10], ^[12]).

Кликовые модели учитывают эти эффекты: модель поведения пользователя служит, по словам авторов монографии, «predictive device for non-observed items such as document relevance» — средством предсказания ненаблюдаемых величин, например релевантности документа ^[12].

Признаки для машинного обучения, а не правило

Поведенческие сигналы в описаниях поисковиков выступают входными признаками для моделей машинного обучения, а не отдельным правилом вроде «больше кликов — выше позиция». Google прямо пишет, что преобразует данные взаимодействия в сигналы, которые помогают его машинно обученным системам лучше оценивать релевантность ^[7], а в руководстве по системам ранжирования говорит, что автоматические системы учитывают «many factors and signals» ^[18]. У Яндекса похожий подход описан на архивной странице о технологии Матрикснет: это метод машинного обучения, которым строится формула ранжирования и который позволяет учитывать «очень много факторов ранжирования»; Яндекс внедрил его в 2009 году ^[15]. Это описание относится к прошлому этапу технологий Яндекса: страница помечена как архивная и «может содержать устаревшую информацию», а о поведенческих данных на ней не говорится ^[15].

Виды и классификации

Официальной классификации поведенческих факторов нет ни в одном из изученных нами материалов Яндекса и Google. Ниже — отраслевая классификация, принятая в русскоязычной SEO-практике (вывод по устоявшемуся словоупотреблению), сопоставленная с тем, что известно из официальных и научных источников.

По месту возникновения:

• Внешние (в поисковой выдаче) — CTR сниппета, возвраты к результатам, «последний клик» в сессии.
• Внутренние (на сайте) — глубина просмотра, время на сайте, отказы.
• Отдельно иногда выделяют брендовые и навигационные запросы, прямые заходы на сайт. Это отраслевая трактовка без официального подтверждения.

По уровню агрегации (отраслевая и исследовательская логика): сигналы пары «запрос — документ», сигналы документа без привязки к запросу и сигналы хоста (сайта целиком). В решении суда по делу против Google Navboost описан именно как сигнал, связывающий запросы и документы через запомненные клики ^[13].

Как применяется на практике

Сравнение позиций Google и Яндекса

Google: что известно из официальных и судебных документов

Официальная позиция Google сводится к одной формулировке в разделе «How Search Works»: агрегированные и обезличенные данные о взаимодействии пользователей используются для оценки релевантности и преобразуются в сигналы для систем машинного обучения ^[7].

Подробности появились в антимонопольном деле U.S. et al. v. Google LLC (№ 1:20-cv-03010, Окружной суд округа Колумбия). В мотивировочном решении судьи Амита Мехты от 5 августа 2024 года говорится, что Navboost — сигнал, который связывает запросы и документы, «memorizing user click data» (запоминая данные о кликах пользователей), и позволяет Google помнить, какие документы пользователи открывали после ввода запроса ^[13]. По тексту решения, до 2017 года Navboost обучался на данных пользователей за 18 месяцев, с тех пор — за 13 месяцев ^[13]. Суд также цитирует внутренний документ Google: «Learning from this user feedback is perhaps the central way that web ranking has improved for 15 years» — обучение на такой обратной связи, «возможно, главный способ», которым веб-ранжирование улучшалось 15 лет ^[13]. Более новые системы (RankBrain, DeepRank, RankEmbed, RankBERT, MUM) суд описывает как меньше зависящие от пользовательских данных, но обученные с их использованием ^[13].

Ещё одна деталь есть в демонстрационных слайдах к опровергающим показаниям профессора Дугласа Оарда — эксперта истцов (15 ноября 2023 года). На слайде цитируется отчёт эксперта Google Эдварда Фокса (Expert Reply Report, 10 октября 2022 года): система Glue агрегирует разные типы взаимодействий — клики, наведения курсора, прокрутку, свайпы — и определяет, показывать ли элемент выдачи и где именно ^[14]. Это материал стороны процесса, а не вывод суда и не официальная документация Google; он не описывает вес конкретных сигналов.

Яндекс: что сказано официально

В справке Яндекс Вебмастера «Отличия качественного сайта от некачественного» среди примеров несоответствия признакам качественного сайта названа «имитация действий пользователей»: искусственное наращивание посещаемости своего сайта или оказание таких услуг другим, в том числе с помощью сервисов или людей, имитирующих заходы ^[1]. Там же сказано, что ограничения к нарушителям могут влиять на ранжирование всего сайта или его разделов ^[1]. То, что Яндекс отдельно борется с имитацией поведения, косвенно указывает: поведение пользователей для его поиска значимо. Состав и вес сигналов Яндекс при этом не раскрывает.

Честная работа с поведенческими факторами

Поскольку манипуляция запрещена, а состав сигналов закрыт, практический смысл «работы с ПФ» — сделать так, чтобы страница действительно лучше отвечала запросу. Это вывод; он согласуется с принципом Яндекса «Хороший сайт — это сайт для людей» ^[16], но не гарантирует роста позиций:

• соответствие страницы поисковому интенту: человек должен найти ответ, ради которого пришёл;
• понятный и честный сниппет: заголовок (title) и описание (description) должны соответствовать содержанию, иначе клики сменятся возвратами в выдачу;
• ответ на главный вопрос в начале страницы, понятная структура;
• скорость загрузки и удобство мобильной версии.

Как измерить или проверить

Владелец сайта не видит поведенческих сигналов так, как их видит поисковик. Он может смотреть только на близкие метрики собственных инструментов. Эти метрики — диагностика, а не «показатели ПФ»: то, что поисковая система берёт данные напрямую из Яндекс Метрики или Google Analytics, в изученных официальных источниках не подтверждено.

Кликабельность в выдаче. Яндекс Вебмастер определяет CTR как отношение числа кликов на сниппет к числу его показов в процентах ^[6]; Google Search Console — как результат деления кликов на показы ^[8]:

CTR = клики / показы × 100 %

Пример: 40 кликов при 1000 показов дают CTR 4 %.

Поведение на сайте (Яндекс Метрика), определения по справке на 11.10.2026 ^[4]:

• Отказ — визит, в котором одновременно зафиксировано не больше одного просмотра страницы, продолжительность меньше порога для расчёта отказов (по умолчанию 15 секунд) и не зафиксировано служебное событие «неотказ».
• Глубина просмотра — количество просмотров страниц сайта в одном визите.
• Время на сайте — разница во времени между первым и последним событием визита.
• Вебвизор записывает содержимое сайта, которое видели посетители ^[5]; рядом в разделе «Поведение» доступны карта кликов, карта ссылок и карта скроллинга ^[5].

Ошибки, ограничения и спорные вопросы

Смешение метрик аналитики и сигналов ранжирования. Показатель отказов в Метрике рассчитывается по порогу, который можно менять (по умолчанию 15 секунд) ^[4], поэтому он вряд ли может служить универсальным сигналом для поисковика. Утверждение «показатель отказов — фактор ранжирования Google» официально не подтверждено.

Разные типы страниц. Короткий визит на страницу справки или контактов может означать, что человек быстро нашёл ответ. Абсолютные значения метрик несравнимы между тематиками.

Шум и смещения. Клики зависят от позиции, доверия к поисковику и соседних результатов ^[10]. Поэтому прямолинейные выводы вроде «подняли CTR — поднимемся в выдаче» из научных данных не следуют.

Вес поведенческих факторов. В изученных официальных материалах Яндекса (^[1]–^[3], ^[15], ^[16]) и Google (^[7], ^[17], ^[18]) веса отдельных групп факторов не приводятся. Поэтому любые оценки того, насколько ПФ «сильнее» других факторов, — не официальная позиция поисковиков, и в этой статье мы их не приводим.

Что подтверждено, а что нет

Накрутка поведенческих факторов

Накрутка — попытка искусственно создать «хорошее» поведение пользователей с помощью программ или оплачиваемых исполнителей ^[1], ^[2]. Яндекс в 2011 году назвал эмуляцию действий пользователей поисковым спамом и предупредил, что такие методы «могут привести к потере вашим сайтом репутации и позиций в результатах поиска» ^[2]. В 2018 году Яндекс повторил: «Яндекс рассматривает любые формы накруток как поисковый спам», использование которого несёт «риск существенных ограничений в ранжировании» ^[3]. Конкретные сроки и виды ограничений в этих публикациях не указаны.

Часто спрашивают, могут ли конкуренты накрутить чужой сайт. Справка Вебмастера упоминает, что подобные услуги могут оказываться другим ^[1], но не объясняет, как алгоритм отличает владельца от постороннего. В комментариях к посту 2018 года на вопрос о заказе накрутки конкуренту представитель Яндекса Елена Першина ответила: «мы хорошо понимаем, кто крутит» (комментарий от 25.12.2018) ^[3]; это реплика в комментариях, а не правило из справки. Подробнее — в статье «Накрутка поведенческих факторов».

Правовой аспект

Зарубежные счётчики и персональные данные. С 1 июля 2025 года часть 5 статьи 18 закона № 152-ФЗ «О персональных данных» (в редакции Федерального закона от 28.02.2025 № 23-ФЗ) не допускает при сборе персональных данных граждан России, в том числе в интернете, их запись, хранение и другие операции с использованием баз данных за пределами России. Счётчики вроде Google Analytics передают на зарубежные серверы IP-адреса и идентификаторы cookie, которые могут относиться к персональным данным; о трансграничной передаче, кроме того, заранее уведомляют Роскомнадзор (статья 12 того же закона). Нарушения влекут ответственность по статье 13.11 КоАП РФ. Использование такого счётчика на российском сайте требует юридической оценки; для сбора данных о посетителях из России применяют системы веб-аналитики с хранением данных в России, например Яндекс Метрику.

Частые вопросы

Связанные термины

• Факторы ранжирования
• Накрутка поведенческих факторов
• Коммерческие факторы
• CTR (кликабельность)
• Показатель отказов
• Время на сайте
• Глубина просмотра
• Вебвизор
• Сниппет
• Поисковый интент