Structured data para sa AI search: ang schema na talagang may pakinabang

Ang structured data ay machine-readable na markup, kadalasang JSON-LD na gumagamit ng schema.org vocabulary, na naglalahad ng mga fact tungkol sa isang pahina at sa organisasyon sa likod nito. Tinutulungan nito ang mga search engine na maunawaan at ipakita ang content, at sinusuportahan ang mas malinaw na pag-unawa sa entity, pero hindi nito mismo napapa-cite kayo ng mga AI tool. Markahan lamang ang nakikitang totoo sa pahina.

Bakit mahalaga pa rin ang structured data kung AI na ang sumusulat ng sagot?

Dahil karamihan ng AI answer experience ay nakapatong sa mga search system. Sinasabi ng Google na humuhugot ang mga AI feature nito sa parehong index at ranking system ng Search, at madalas ibatay ng ibang assistant ang mga sagot sa mga resulta sa web. Anumang tumutulong sa isang search engine na maunawaan ang inyong pahina nang may mas kaunting kalabuan ay tumutulong sa pundasyong kinapapatungan ng mga sagot na iyon.

Mayroon ding mas tahimik na trabaho ang structured data: iniuugnay nito ang inyong mga pahina sa isang malinaw na entity. Kapag pare-parehong pinapangalanan ng inyong Organization markup ang inyong brand, logo, opisyal na profile at contact point, binabawasan ninyo ang tsansang mapagkamalan kayo ng isang system na kumpanyang may katulad na pangalan. Para sa brand na gaya ng SNMRush, na kailangang malinaw na maiba sa mga software vendor na may katunog na pangalan, hindi kosmetiko ang paglilinaw na iyon.

Ang hindi nito gagawin ay kumbinsihin ang isang language model na mas mahusay ang inyong content kaysa sa totoo. Malinaw na sinabi ng mga engine na hindi shortcut sa ranking ang markup. Ituring itong pag-label, hindi panghihikayat.

Aling mga uri ng schema ang sulit ipatupad?

Para sa karamihan ng brand, sapat na ang maliit na set:

• Organization sa home o about page: legal at brand name, logo, URL, mga sameAs link sa opisyal na profile, contact point.
• WebSite na may pangalan ng site, para ipakita ng mga search engine ang tamang pangalan sa mga resulta.
• Article o BlogPosting sa editorial na content: headline, author, petsa ng paglathala at pagbabago, publisher.
• Person para sa mga pinangalanang author, na may link sa kanilang mga profile, na sumusuporta sa mga signal ng karanasan at kadalubhasaan na hinahanap ng mga editor at engine.
• Product o Service, na may mga offer at presyo kung talagang nakalathala ang mga ito sa pahina.
• BreadcrumbList para ipahayag ang hierarchy ng site.
• FAQPage, nang may pag-iingat. Nilimitahan ng Google ang FAQ rich result sa isang limitadong set ng mga awtoritatibong site noong 2023, kaya huwag asahan ang visual na treatment, pero nananatiling valid at hindi nakakasama ang pag-markup ng tunay at nakikitang FAQ.

Paano ito ipatupad nang hindi lumilikha ng problema?

Isang checklist na ginagamit namin sa bawat audit ng SNMRush:

1. Gumamit ng JSON-LD sa head o body ng pahina. Ito ang format na inirerekomenda ng Google at pinananatili nitong hiwalay ang markup sa layout.
2. Itugma sa nakikitang pahina. Dapat lumabas sa pahina ang bawat fact sa markup. Nanganganib sa manual action at sumisira sa tiwala ang mga nakatagong pahayag.
3. Panatilihin ang iisang source of truth. Buuin ang markup mula sa mga field ng inyong CMS para hindi kailanman lumihis ang mga presyo, petsa at pangalan.
4. Ikonekta ang mga entity gamit ang @id. Bigyan ang inyong Organization ng matatag na identifier at i-reference ito mula sa mga artikulo at produkto, para magkakabit ang graph.
5. I-validate. Patakbuhin ang mga pahina sa Rich Results Test at sa Schema Markup Validator pagkatapos ng bawat pagbabago sa template.
6. I-update nang tapat ang dateModified. Baguhin ito kapag malaki ang pagbabago sa content, hindi para magpanggap na bago.

Mga kahulugan

• Schema.org: isang pinagsasaluhang vocabulary ng mga uri at property na sinusuportahan ng mga pangunahing search engine.
• JSON-LD: isang JSON format para sa linked data, naka-embed sa isang script tag.
• Rich result: isang pinahusay na search listing, gaya ng review star o breadcrumb, na magagawang kwalipikado ng structured data.
• Entity: isang natatanging makikilalang bagay, gaya ng kumpanya o tao, na sinusubukang kilalanin ng mga search system sa buong web.

Ano ang laman ng mahusay na Organization block?

Isipin ang mga tanong na maaaring itanong sa isang assistant tungkol sa inyo. Ano ang kumpanyang ito? Saan ito nakabase? Ano ang ginagawa nito? Pareho ba ito sa ibang kumpanyang iyon? Dapat malinis na sagutin ng inyong Organization markup ang mga makatotohanang bahagi: pangalan, alternatibong pangalan (kasama kung paano binibigkas ang pangalan, kung karaniwan itong pinagmumulan ng kalituhan), paglalarawang may isang pangungusap na tugma sa inyong about page, logo, petsa ng pagkakatatag kung inilalathala ninyo ito, at mga sameAs link sa inyong LinkedIn, YouTube at iba pang opisyal na profile. Mas malalim na tinatalakay ng aming artikulo tungkol sa entity building kung paano nagsasama ang mga signal na ito at ang mga third-party source.

Saan pumapasok ang audience research sa structured data?

Higit pa sa inaasahan ninyo. Dapat sumalamin ang mga paglalarawan at FAQ na mina-markup ninyo sa wikang ginagamit ng inyong audience, hindi sa internal na jargon. Kung "listening tool" ang tawag ng mga customer sa inyong produkto at "omnichannel conversational intelligence suite" naman ang tawag ninyo, teknikal na valid ang inyong markup pero halos hindi nakikita sa praktika. Ginagamit namin ang SOMIN, isang AI audience-research platform, para suriin ang mga salita at tanong na talagang ginagamit ng mga tao tungkol sa isang kategorya, para tugma ang nilalagyan namin ng label sa itinatanong ng mga tao. Ipinapaliwanag ng pahinang SOMIN para sa mga brand kung paano gumagana ang research na iyon para sa mga in-house team.

Lumalabas din ang parehong prinsipyo sa mga kapatid na disiplina. Nagpapatakbo ang aming mga partner sa AgentC ng mga AI agent sa mga workflow ng research at content, at ang aral nila ay ang nakikita rin namin sa schema: nakakatulong lang ang automation kapag malinis at totoo ang mga input.

Paano malalaman kung nakatulong ito?

Para sa classic search, iniuulat ng Search Console kung aling mga uri ng rich result ang natukoy at kung may mga error ang mga ito, at maaari ninyong ihambing ang click-through rate ng mga pahina bago at pagkatapos. Para sa AI visibility, mas mahirap ang attribution at dapat kayong maging tapat tungkol dito. Subaybayan ang pare-parehong panel ng mga prompt, itala kung tumpak na inilalarawan ng mga assistant ang inyong brand, at bantayan kung nababawasan ang mga makatotohanang mali sa paglipas ng panahon. Ipinapakita ng mga brand gaya ng nasa Fujifilm case study kung bakit mahalaga ang malinaw at nakabatay-sa-ebidensyang larawan ng brand sa iba't ibang channel; maliit na bahagi lang ang markup sa pagpapanatiling pare-pareho ng larawang iyon.

Hindi kaakit-akit ang structured data, at iyan ang punto. Ito ang label sa estante. Hindi nito mapapabenta ang mahinang produkto, pero pinipigilan nitong mailagay sa maling lugar ang malakas. Gawin itong tama nang isang beses, i-automate, i-validate, at lumipat sa content na nakakakuha ng citation.