Позиция в выдаче — это не линейный результат работы с метаданными, а порядковая статистика в нестационарной системе. Именно поэтому скачок с 80-го места на 20-е еще не доказывает успех ASO, а падение с 50-го на 130-е не доказывает провал.
Рынок ASO годами живет в ошибочной логике: если приложение выросло по ключу, значит сработала оптимизация; если просело — значит метаданные стали хуже. Эта логика удобна для отчетов, но математически она слаба. Она подменяет анализ причинности наблюдением за номером места.
Если взять крайние столбцы распределения ключей по баскетам, общее число запросов в ранжировании выросло с 485 до 634, то есть на 30,7%. На первый взгляд это выглядит как хороший прогресс. Но баскет 51–100 за тот же период выросла с 169 до 338, то есть ровно на 100%.
Следовательно, все баскеты 1–50 суммарно не выросли, а снизились с 316 до 296, то есть на 6,3%. Иначе говоря, весь чистый прирост и даже больше пришел не в зону реальной видимости, а в глубину выдачи: +169 в диапазоне 51–100 при суммарном -20 во всех баскетах 1–50.
Максимум общей массы приходится на 676 запросов. Но и там 51–100 составляет 352. Это значит, что из 191 дополнительных запросов относительно старта 183, то есть 95,8%, пришлись именно на диапазон 51–100. В верхние зоны почти ничего не попало. Это не рост видимости. Это инфляция хвоста.
По пяти строкам средняя позиция ухудшилась с 67,0 до 144,6, то есть на 77,6 места. Это уже не похоже на устойчивую линейную систему, где каждое изменение места несет понятный содержательный смысл. Это зона высокой дисперсии.
1. Главная математическая ошибка ASO
Позиция в выдаче — это порядковая, а не интервальная величина.
Это означает, что она отвечает только на вопрос: кто выше кого. Но не отвечает на вопрос: насколько один результат сильнее другого.
Формально место приложения a по запросу q в момент времени t можно записать так:
r(a,q,t) = 1 + Σ 1[S(b,q,t) > S(a,q,t)]
Где S(a,q,t) — некоторая внутренняя оценка результата, а сумма идет по всем объектам b, которые участвуют в выдаче.
Из этой формулы следует фундаментальный вывод:
место приложения — это не абсолютная оценка его качества, а число объектов, которые в данный момент оказались выше него.
Это означает три вещи.
Во-первых, место зависит не только от вас. Если в выдачу входит новый конкурент, вы падаете на одну позицию даже при полностью неизменных метаданных.
Во-вторых, одно и то же улучшение метаданных не обязано давать одинаковый рост по местам. Рост зависит от того, сколько конкурентов с почти равными оценками стояло прямо над вами.
В-третьих, сам по себе скачок по местам ничего не говорит о величине реального улучшения. Он говорит только о том, сколько соседей вы пересекли.
Это и есть причина, по которой рынок постоянно ошибается. Он смотрит на изменение позиции как на линейную меру результата. Но место не линейно.
2. Почему одинаковое улучшение может дать +3 места, а может +60
Пусть внутренняя оценка приложения выросла на ΔS. Тогда улучшение по местам равно не “силе оптимизации”, а числу конкурентов, которых вы пересекли:
-Δr = |{b : S(a) < S(b) ≤ S(a)+ΔS}|
То есть место меняется на количество объектов, чьи оценки лежали в узком интервале прямо над вами.
Если над приложением стоит плотная группа почти равных конкурентов, даже небольшой прирост оценки может дать большой скачок по местам. Если плотность низкая, то тот же прирост почти ничего не даст.
В приближении это можно записать так:
E[-Δr] ≈ g(S) · ΔS
Где g(S) — локальная плотность конкурентов около вашей текущей оценки.
Это и есть ключ к пониманию глубокой выдачи.
После топ-10 вы часто живете не в зоне крупных содержательных разрывов, а в зоне плотного хвоста, где малые сдвиги внутренней оценки дают большие скачки порядкового номера.
Поэтому переход 80 → 20 еще не означает сильный прорыв. Он может означать, что приложение пересекло плотную группу почти равных результатов. И наоборот, отсутствие роста по месту не означает отсутствия улучшения: возможно, над приложением просто была “пустая зона”, где пересекать было некого.
3. Почему внешнему ASO почти всегда не хватает данных
Внешний аналитик видит только узкий слой наблюдений: позиции, частотность запроса, свои метаданные, часть данных по конкурентам, иногда — установочные метрики. Но он не видит:
- внутреннюю оценку всех результатов;
- полный состав объектов в выдаче;
- реальные журналы показов, переходов и установок после поиска;
- внутренние поведенческие признаки;
- скрытые корректировки системы;
- разрывы между соседними результатами.
Следовательно, задача причинного вывода здесь недоопределена. Для одного и того же скачка позиции может существовать несколько совместимых объяснений.
Именно поэтому утверждение “мы выросли с 80-го на 20-е благодаря метаданным” в большинстве случаев не является доказанным выводом. Это гипотеза. Иногда верная. Иногда нет.
4. Почему в App Store эта проблема усиливается
Для App Store эта логика еще жестче, потому что Apple сама публично описывает поиск как многослойную систему. В выдаче участвуют не только приложения, но и карточки разработчиков, In‑App Events, подборки и Apple Ads. Apple также прямо пишет, что люди могут искать естественным разговорным языком, а результаты зависят не только от текстовой релевантности по title, subtitle, keywords и primary category, но и от поведения пользователей — загрузок, рейтингов, отзывов и других сигналов. Более того, app tags в выдаче генерируются большими языковыми моделями на основе метаданных из App Store Connect.
Это разрушает примитивную модель “ключ в метаданных напрямую двигает место”. На практике вы конкурируете не только с приложениями, но и с другими типами объектов. Более того, по части запросов в поиск может выводиться не стандартная карточка, а пользовательская страница продукта, если к ней привязаны соответствующие ключи. Следовательно, меняется не только порядок результатов, но и сама поверхность выдачи.
Apple также прямо пишет, что рейтинги и отзывы влияют на ранжирование, а сама карточка приложения должна повышать вероятность установки из поиска. Отдельно Apple использует для тестов страниц продукта встроенный статистический анализ на байесовской основе: уровень уверенности, вероятный диапазон эффекта и оценку относительного прироста конверсии. Это означает, что карточка приложения — не декоративный слой, а часть той же причинной цепочки, что и поиск. Слабая карточка ухудшает отдачу от показов; сильная карточка усиливает поведенческий сигнал.
Еще важнее то, что Apple уже опубликовала исследование по производственному ранжированию App Store. В нем сказано, что промышленный ранжировщик одновременно оптимизирует поведенческую релевантность и текстовую релевантность, а для нехватки текстовых меток используются миллионы оценок, сгенерированных языковой моделью. По данным статьи, это улучшило качество ранжирования по NDCG и дало статистически значимый прирост конверсии +0,24% в мировом A/B-тесте, причем наибольший эффект наблюдался именно на редких запросах, где надежных поведенческих сигналов мало. Это прямое подтверждение того, что App Store нельзя описывать линейной формулой “поставили ключ — выросли”.
Дополнительно Apple в исследовании BayesCNS прямо указывает на две фундаментальные проблемы больших поисковых систем: холодный старт и нестационарность поведения пользователей во времени. Их решение строится на байесовском обновлении априорных распределений по новым взаимодействиям пользователей. Практический смысл простой: даже без изменения ваших метаданных система способна пересчитать относительные силы объектов, потому что изменились новые пользовательские сигналы.
5. Почему глубокие позиции лучше моделировать не как места, а как состояния
Важно не приписывать App Store конкретную внутреннюю формулу, которой у нас нет. Но для внешнего анализа есть адекватная инженерная модель: цепь Маркова по баскетам позиций.
Берем состояния:
- 1
- 2–5
- 6–10
- 11–20
- 21–50
- 51–100
- ниже 100
Пусть X(t) — состояние запроса в момент t. Тогда:
Pij = Pr[X(t+1)=j | X(t)=i]
Это и есть стохастическая матрица переходов: матрица вероятностей, где сумма вероятностей по каждой строке равна единице.
Если n(t) — вектор числа запросов по баскетам, то эволюция системы задается так:
n(t+1) = n(t)P
Почему это полезнее, чем смотреть на отдельные места?
Потому что переход 11–20 → 6–10 имеет бизнес-смысл.
Переход 51–100 → 21–50 имеет ограниченный смысл.
Переход 88 → 74 как отдельный факт чаще всего не имеет почти никакого смысла.
Ваш первый график именно это и показывает. Система переместила массу запросов в глубокую корзину. Это изменение состояния. Но не улучшение видимости.
6. Что надо считать вместо “выросли по ключам”
Правильный объект анализа — не число выросших запросов, а взвешенная видимость:
W(t) = Σ D(q) · w(bucket(q,t))
Где:
D(q)— спрос по запросу;bucket(q,t)— баскет места;w(.)— вес корзины, основанный на реальной вероятности показа, перехода и установки.
Смысл этой формулы простой:
- запрос в топ-5 должен весить несопоставимо больше, чем запрос в 51–100;
- редкий запрос в топ-3 может быть менее ценным, чем частотный запрос в 11–20;
- рост общей массы запросов без роста
W(t)— не результат.
Если перевести это на язык отчетности, то зрелая ASO-модель должна смотреть не на “сколько ключей выросло”, а как минимум на четыре вещи:
- распределение по баскетам,
- показы из поиска,
- конверсию карточки,
- первые установки из поиска.
Все остальное — вторично.
Подытожим
Главная проблема ASO не в том, что рынок следит за позициями. Главная проблема в том, что рынок делает из этих позиций выводы, которых данные не несут.
После топ-10 место перестает быть линейной мерой результата. Оно становится функцией:
- плотности соседних оценок;
- изменений у конкурентов;
- появления новых объектов;
- смешанного состава выдачи;
- поведенческих обновлений системы;
- качества карточки приложения;
- и тех внутренних данных, которых внешний аналитик просто не видит.
Поэтому рост с 80-го места на 20-е может быть следствием хорошей работы с метаданными. Но сам по себе он этого не доказывает.
Анализировать надо не прыжки позиций, а переходы между баскетами, взвешенную видимость, показы из поиска, конверсию карточки и первые установки.
Иначе ASO перестает быть инженерной дисциплиной и превращается в интерпретацию того, что ничего не доказывает.
