Data terstruktur untuk pencarian AI: schema yang benar-benar bermanfaat

Data terstruktur adalah markup yang dapat dibaca mesin, biasanya JSON-LD dengan kosakata schema.org, yang menyatakan fakta tentang sebuah halaman dan organisasi di baliknya. Data ini membantu mesin pencari memahami dan menampilkan konten, serta mendukung pemahaman entitas yang lebih jelas, tetapi tidak dengan sendirinya membuat alat AI mengutip Anda. Beri markup hanya pada hal yang memang terlihat benar di halaman.

Mengapa data terstruktur masih penting ketika AI yang menulis jawabannya?

Karena sebagian besar pengalaman jawaban AI berada di atas sistem pencarian. Google menyatakan fitur AI-nya mengambil dari indeks dan sistem peringkat yang sama dengan Search, dan asisten lain sering mendasarkan jawabannya pada hasil web. Apa pun yang membantu mesin pencari memahami halaman Anda dengan lebih sedikit ambiguitas akan membantu fondasi tempat jawaban-jawaban itu bertumpu.

Data terstruktur juga melakukan tugas yang lebih senyap: mengikat halaman Anda ke entitas yang jelas. Ketika markup Organization Anda menyebut brand, logo, profil resmi, dan titik kontak Anda secara konsisten, Anda mengurangi kemungkinan sistem menyamakan Anda dengan perusahaan yang namanya mirip. Bagi brand seperti SNMRush, yang perlu jelas berbeda dari vendor perangkat lunak dengan nama yang terdengar mirip, disambiguasi itu bukan sekadar kosmetik.

Yang tidak akan dilakukannya adalah meyakinkan model bahasa bahwa konten Anda lebih baik dari kenyataannya. Mesin-mesin telah menyatakan dengan jelas bahwa markup bukan jalan pintas peringkat. Anggap saja sebagai pelabelan, bukan bujukan.

Jenis schema mana yang layak diterapkan?

Bagi sebagian besar brand, sekumpulan kecil jenis sudah mencakup kebutuhannya:

• Organization di halaman beranda atau tentang kami: nama resmi dan nama brand, logo, URL, tautan sameAs ke profil resmi, titik kontak.
• WebSite dengan nama situs, agar mesin pencari menampilkan nama yang benar di hasil pencarian.
• Article atau BlogPosting pada konten editorial: judul, penulis, tanggal terbit dan diubah, penerbit.
• Person untuk penulis yang disebut namanya, dengan tautan ke profil mereka, yang mendukung sinyal pengalaman dan keahlian yang dicari editor maupun mesin.
• Product atau Service, dengan penawaran dan harga jika memang dipublikasikan di halaman.
• BreadcrumbList untuk menyatakan hierarki situs.
• FAQPage, dengan hati-hati. Pada 2023 Google mempersempit hasil kaya FAQ ke sejumlah situs otoritatif, jadi jangan berharap mendapatkan tampilan visualnya, tetapi memberi markup pada FAQ asli yang terlihat tetap valid dan tidak merugikan.

Bagaimana menerapkannya tanpa menimbulkan masalah?

Daftar periksa yang kami gunakan di setiap audit SNMRush:

1. Gunakan JSON-LD di head atau body halaman. Ini format yang direkomendasikan Google dan memisahkan markup dari tata letak.
2. Sesuaikan dengan halaman yang terlihat. Setiap fakta dalam markup harus muncul di halaman. Klaim tersembunyi berisiko terkena tindakan manual dan mengikis kepercayaan.
3. Pertahankan satu sumber kebenaran. Hasilkan markup dari kolom CMS agar harga, tanggal, dan nama tidak pernah melenceng.
4. Hubungkan entitas dengan @id. Beri Organization Anda pengenal yang stabil dan rujuk dari artikel serta produk, agar graf saling terhubung.
5. Validasi. Jalankan halaman melalui Rich Results Test dan Schema Markup Validator setiap kali templat berubah.
6. Perbarui dateModified dengan jujur. Ubah ketika konten berubah secara material, bukan untuk memalsukan kesegaran.

Definisi

• Schema.org: kosakata bersama berisi jenis dan properti yang didukung mesin pencari utama.
• JSON-LD: format JSON untuk data tertaut, disematkan dalam tag script.
• Hasil kaya (rich result): tampilan hasil pencarian yang diperkaya, seperti bintang ulasan atau breadcrumb, yang dapat dimungkinkan oleh data terstruktur.
• Entitas: sesuatu yang dapat diidentifikasi secara unik, seperti perusahaan atau orang, yang berusaha dikenali sistem pencarian di seluruh web.

Apa isi blok Organization yang baik?

Pikirkan pertanyaan yang mungkin diajukan kepada asisten tentang Anda. Perusahaan apa ini? Berbasis di mana? Apa yang dilakukannya? Apakah sama dengan perusahaan lain itu? Markup Organization Anda harus menjawab bagian faktualnya dengan rapi: nama, nama alternatif (termasuk cara nama itu diucapkan, jika sering terjadi kebingungan), deskripsi satu kalimat yang sesuai dengan halaman tentang kami, logo, tanggal pendirian jika Anda memublikasikannya, dan tautan sameAs ke LinkedIn, YouTube, dan profil resmi lainnya. Artikel kami tentang membangun entitas membahas lebih jauh bagaimana sinyal-sinyal ini berpadu dengan sumber pihak ketiga.

Di mana peran riset audiens dalam data terstruktur?

Lebih besar daripada yang mungkin Anda kira. Deskripsi dan FAQ yang Anda beri markup harus mencerminkan bahasa yang digunakan audiens Anda, bukan jargon internal. Jika pelanggan menyebut produk Anda "alat listening" sementara Anda menyebutnya "rangkaian intelijen percakapan omnichannel", markup Anda valid secara teknis tetapi praktis tidak terlihat. Kami menggunakan SOMIN, platform riset audiens berbasis AI, untuk memeriksa kata dan pertanyaan yang benar-benar digunakan orang tentang suatu kategori, agar apa yang kami labeli sesuai dengan apa yang ditanyakan orang. Halaman SOMIN untuk brand menjelaskan cara kerja riset tersebut bagi tim internal.

Prinsip yang sama muncul di disiplin saudara. Mitra kami di AgentC menjalankan agen AI di seluruh alur kerja riset dan konten, dan pelajaran mereka sama dengan yang kami lihat pada schema: otomatisasi hanya membantu jika masukannya bersih dan benar.

Bagaimana Anda tahu apakah ini membantu?

Untuk pencarian klasik, Search Console melaporkan jenis hasil kaya mana yang terdeteksi dan apakah ada kesalahan, dan Anda dapat membandingkan rasio klik-tayang halaman sebelum dan sesudahnya. Untuk visibilitas AI, atribusi lebih sulit dan Anda perlu jujur tentang hal itu. Lacak panel prompt yang konsisten, catat apakah asisten mendeskripsikan brand Anda secara akurat, dan perhatikan apakah kesalahan faktual berkurang dari waktu ke waktu. Brand seperti dalam studi kasus Fujifilm menunjukkan mengapa gambaran brand yang jelas dan berbasis bukti penting di semua kanal; markup adalah satu bagian kecil dalam menjaga gambaran itu tetap konsisten.

Data terstruktur memang tidak glamor, dan memang begitulah intinya. Ia adalah label di rak. Ia tidak akan membuat produk yang lemah laku, tetapi mencegah produk yang kuat salah ditempatkan. Lakukan dengan benar sekali, otomatiskan, validasi, lalu beralihlah ke konten yang meraih kutipan.