Le mois dernier, nous avons examiné Google US Patent 2015/0242512 A1 et Google Customization. Avant cela, nous avons examiné l’un de ses brevets sur l’utilisation du courrier électronique pour influencer les classements de recherche. Les deux brevets se concentrent sur l’ajustement des classements des utilisateurs en fonction du comportement, mais que se passe-t-il une fois que l’utilisateur a cliqué sur le résultat de la recherche et qu’il est maintenant sur votre site ?
Un brevet de Google publié le 17 septembre 2015 met en lumière des idées très intéressantes qui traitent justement de cela.
Brevet américain Google 2015/0262217 A1
Inventé par Neil Hoyne de Google, le brevet s’intitule User Path Abandonment Analysis. Cependant, après une enquête plus approfondie, il couvre bien plus qu’une simple analyse des parcours des utilisateurs. En fait, cela nous permet d’examiner certains domaines clés du marketing très excitants aujourd’hui et à l’avenir, notamment :
- En savoir plus sur le fonctionnement du niveau de qualité AdWords
- Comprendre comment Google évaluera divers attributs d’un site Web pour fournir de meilleures informations au webmaster.
- Le développement d’un système qui s’ajuste automatiquement en fonction du comportement de l’utilisateur.
Ainsi, la question peut également être : “Comment couvrez-vous tout cela dans un seul brevet ?” Il ne s’agit pas tant d’être couvert que d’être applicable à chacun de ces domaines référencés dans les exemples ci-dessous.
Examinons et analysons le brevet pour comprendre comment cela se produit et voir ce qui arrivera bientôt sur un site Web près de chez vous.
Abandon de l’utilisateur
L’objectif de l’ensemble du brevet et des images associées tourne autour des méthodes de mesure de l’attrition des utilisateurs.
En fait, pour vous assurer que vous couvrez à peu près tout autre que “l’utilisateur a trébuché dans la salle de bain avec un sèche-cheveux à la main”, il répète des éléments spécifiques plusieurs fois avec seulement des ajustements mineurs à la technologie ou à l’application impliquée.
Nous n’entrerons pas dans chaque itération, mais voici quelques-unes des principales références sur les méthodes traduites en termes simples.
Du résumé :
« Une méthode consiste à recevoir des données d’itinéraire d’utilisateur représentant une pluralité d’itinéraires d’utilisateur. Le procédé comprend en outre l’identification d’une pluralité de chemins d’utilisateur qui se terminent par un événement d’abandon associé à une première ressource. Le procédé comprend en outre la détermination d’une première métrique d’abandon indiquant une première pluralité d’itinéraires d’utilisateurs identifiés ayant une première condition d’une caractéristique. Le procédé comprend en outre la détermination d’une seconde métrique d’abandon indiquant une seconde pluralité de chemins d’utilisateurs identifiés ayant une seconde condition caractéristique. Le procédé consiste en outre à déterminer si les événements d’attrition associés à la première ressource sont au moins partiellement liés à la caractéristique sur la base d’une comparaison de la première métrique d’attrition et de la deuxième métrique d’attrition.”
Essentiellement, ce que vous dites ici, c’est que la méthode consiste à mesurer un segment des données de chemin de l’utilisateur qui conduit à un abandon. De plus, le procédé nécessite la mesure de différents segments de données du parcours utilisateur, ce qui conduit à des abandons. Avec ces données en main, des conclusions peuvent être tirées sur l’endroit où il peut y avoir un problème.
Par exemple, la mesure peut être liée aux utilisateurs accédant à une page spécifique à partir de différentes sources, telles que la recherche payante par rapport à la recherche organique. Dans cet exemple, si le taux de rebond organique était élevé mais que le taux de rebond payant était faible, il pourrait être déterminé que la page elle-même n’est pas le problème, mais la source. Si le taux de rebond était élevé sur les deux, il pourrait être déterminé que la page elle-même est le problème.
De plus, le brevet comprend des conditions purement sur site. Par exemple, une image apparaît sur une page avec du contenu du fournisseur A et la même image apparaît avec du contenu du fournisseur B. Si la page a un taux de rebond plus élevé pour l’un que pour l’autre, il peut être déterminé que l’image ne concerne que une. . Mais, si l’image produit un taux de rebond élevé sur les deux pages alors qu’une image différente ne l’a pas fait, il peut être déterminé que l’image elle-même est mauvaise ou n’a aucun rapport avec le contenu de l’une ou l’autre des pages.
Maintenant que nous avons les notes Cliffs sur la principale méthode décrite par le brevet pour utiliser plusieurs conditions afin de déterminer la probabilité d’une cause spécifique pour des taux d’abandon plus élevés, il est facile de voir comment tout cela est lié au niveau de qualité dans AdWords.
Dans ce brevet, il y a plusieurs mentions d’applications payantes et de l’utilisation de ces techniques de mesure pour déterminer les performances d’une publicité. Pensez aux groupes d’annonces AdWords et au score de chaque mot clé spécifique, par exemple.
Une des mentions intéressantes du brevet se trouve dans la partie 47 où il est écrit :
Enregistrer et publier “Dans une autre mise en œuvre illustrative, le système 150 peut déterminer que les chemins de non-conversion 165 avec des événements d’abandon associés à la page de désinscription d’un fournisseur de services multimédias incluent fréquemment des interactions d’utilisateur avec au moins quatre pages Web tierces. support technique de le prestataire avant d’abandonner sur la page d’annulation. Cela peut indiquer que c’est l’insatisfaction de l’utilisateur vis-à-vis des pages d’assistance, plutôt que la page d’annulation, qui contribue aux événements de désabonnement. Dans certaines de ces mises en œuvre, le système 150 peut fournir une recommandation au fournisseur de contenu pour qu’il envisage de revoir la section d’assistance de son site Web.”
Noter: L’image du brevet qui inclut le système 150 est illustrée ci-dessous.
Ici, nous voyons le début d’un point plus large : la mesure et l’interprétation des caractéristiques communes des données pour déterminer les tendances du taux de désabonnement fournissent plus de détails sur la perte de service et la conversion.
Ajoutez à cela plusieurs références pour permettre au fournisseur de contenu d’accéder aux informations sur les problèmes d’abandon, et nous pouvons voir que Google donne aux propriétaires de sites Web une meilleure compréhension de leur trafic Web et des points d’abandon.
L’article 54 comprend :
“Cela peut aider le fournisseur de contenu à décider si la ressource doit être modifiée pour une meilleure interaction avec le premier appareil.”
Cet exemple fait référence à l’idée qu’un utilisateur laisse une ressource sur un appareil, pour revenir ultérieurement sur cette ressource sur un autre appareil, il sert à illustrer que Google cherche à fournir plus d’informations aux propriétaires de sites Web. Mais ce n’est pas la partie la plus intéressante, à mon avis.
Dans une brève mais douce mention à l’article 49, nous lisons :
« Dans certaines mises en œuvre, le système 150 peut être configuré pour prendre une ou plusieurs actions afin de réduire la probabilité de futurs abandons (par exemple, lorsque le système 150 détermine qu’une série d’interactions similaires est susceptible d’être au moins partiellement responsable des abandons). FIGUE. 4 illustre un processus 400 pour réduire la probabilité d’attrition de l’utilisateur selon une mise en œuvre illustrative. Le module d’analyse d’attrition 152 du système 150 peut déterminer que les événements d’attrition sont au moins partiellement liés à la série d’interactions utilisateur similaires sur la base d’une comparaison de la première métrique d’attrition 176 et de la deuxième métrique d’attrition 178 (405).
Maintenant, réfléchissons vraiment à ce que cela signifie. Pour vous aider, voici l’image avec les principaux points de référence :
Fondamentalement, ce brevet indique que le système d’analyse conçu pour déterminer les causes d’abandon (150) peut être configuré pour prendre des mesures pour le réduire. Cela peut simplement signifier mettre en pause un mot clé de recherche payante.
Personnellement, je trouve passionnant que la portée du brevet inclue bien plus que cela, car il peut facilement être étendu au placement de contenu, aux changements de mise en page, etc.
Il ne faut pas réfléchir trop longtemps avant de voir des applications de ce que Google lui-même utiliserait. J’envisage un monde où vous pouvez créer plusieurs mises en page sur un site, et il est configuré pour tester les différentes mises en page par rapport à différentes sources de trafic, groupes d’utilisateurs ou chemins tout en s’ajustant automatiquement pour afficher la meilleure mise en page pour le public spécifique.
conclusion
Le brevet US 215/0262217 A1 est certainement l’un des brevets les plus intéressants sortis de Google ces derniers mois. Cela nous donne un aperçu intéressant de la direction que Google envisage en matière d’analyse des données de sites Web et de la manière dont ces données pourraient être utilisées pour aider à la fois leur service de recherche payante et les propriétaires de sites Web.
Si ce brevet est un guide, ce seront quelques années très excitantes dans l’analyse et l’optimisation de la conversion.
