ข้อมูลที่มีโครงสร้างสำหรับการค้นหาด้วย AI: schema ที่คุ้มค่าจริง

ข้อมูลที่มีโครงสร้างคือมาร์กอัปที่เครื่องอ่านได้ ซึ่งมักเป็น JSON-LD ที่ใช้คำศัพท์ของ schema.org เพื่อระบุข้อเท็จจริงเกี่ยวกับหน้าและองค์กรเบื้องหลัง ช่วยให้เครื่องมือค้นหาเข้าใจและแสดงคอนเทนต์ และสนับสนุนความเข้าใจเอนทิตีที่ชัดเจนขึ้น แต่ไม่ได้ทำให้เครื่องมือ AI อ้างอิงคุณด้วยตัวมันเอง มาร์กอัปเฉพาะสิ่งที่เป็นจริงและมองเห็นได้บนหน้า

ทำไมข้อมูลที่มีโครงสร้างยังสำคัญเมื่อ AI เป็นผู้เขียนคำตอบ?

เพราะประสบการณ์คำตอบด้วย AI ส่วนใหญ่ตั้งอยู่บนระบบการค้นหา Google ระบุว่าฟีเจอร์ AI ของตนอาศัยดัชนีและระบบจัดอันดับเดียวกับ Search และผู้ช่วยอื่น ๆ ก็มักอิงคำตอบกับผลการค้นหาเว็บ อะไรก็ตามที่ช่วยให้เครื่องมือค้นหาเข้าใจหน้าของคุณโดยกำกวมน้อยลง ก็ช่วยรากฐานที่คำตอบเหล่านั้นตั้งอยู่

ข้อมูลที่มีโครงสร้างยังทำงานอีกอย่างอย่างเงียบ ๆ คือผูกหน้าของคุณเข้ากับเอนทิตีที่ชัดเจน เมื่อมาร์กอัป Organization ระบุชื่อแบรนด์ โลโก้ โปรไฟล์ทางการ และช่องทางติดต่ออย่างสอดคล้องกัน คุณก็ลดโอกาสที่ระบบจะสับสนคุณกับบริษัทที่ชื่อคล้ายกัน สำหรับแบรนด์อย่าง SNMRush ซึ่งต้องแยกให้ชัดจากผู้ให้บริการซอฟต์แวร์ที่ชื่อฟังคล้ายกัน การแยกแยะนั้นไม่ใช่แค่เรื่องผิวเผิน

สิ่งที่มันทำไม่ได้คือโน้มน้าวโมเดลภาษาว่าคอนเทนต์ของคุณดีกว่าที่เป็นจริง เอนจินต่าง ๆ ระบุชัดว่ามาร์กอัปไม่ใช่ทางลัดสู่อันดับ ให้คิดว่าเป็นการติดป้าย ไม่ใช่การโน้มน้าว

schema ประเภทใดที่คุ้มค่าแก่การใช้งาน?

สำหรับแบรนด์ส่วนใหญ่ ชุดเล็ก ๆ ก็ครอบคลุมเพียงพอ:

• Organization บนหน้าแรกหรือหน้าเกี่ยวกับเรา: ชื่อนิติบุคคลและชื่อแบรนด์ โลโก้ URL ลิงก์ sameAs ไปยังโปรไฟล์ทางการ และช่องทางติดต่อ
• WebSite พร้อมชื่อเว็บไซต์ เพื่อให้เครื่องมือค้นหาแสดงชื่อที่ถูกต้องในผลการค้นหา
• Article หรือ BlogPosting บนคอนเทนต์เชิงบรรณาธิการ: พาดหัว ผู้เขียน วันที่เผยแพร่และแก้ไข และผู้เผยแพร่
• Person สำหรับผู้เขียนที่ระบุชื่อ พร้อมลิงก์ไปยังโปรไฟล์ ซึ่งสนับสนุนสัญญาณด้านประสบการณ์และความเชี่ยวชาญที่ทั้งบรรณาธิการและเอนจินมองหา
• Product หรือ Service พร้อมข้อเสนอและราคา ในกรณีที่เผยแพร่ไว้บนหน้าจริง
• BreadcrumbList เพื่อแสดงลำดับชั้นของเว็บไซต์
• FAQPage ด้วยความระมัดระวัง Google จำกัด Rich Result แบบ FAQ ไว้เฉพาะเว็บไซต์ที่น่าเชื่อถือจำนวนจำกัดในปี 2023 จึงอย่าคาดหวังการแสดงผลพิเศษ แต่การมาร์กอัปคำถามที่พบบ่อยที่มองเห็นได้จริงยังถูกต้องและไม่มีผลเสีย

จะใช้งานอย่างไรโดยไม่สร้างปัญหา?

เช็กลิสต์ที่เราใช้ในทุกการตรวจสอบของ SNMRush:

1. ใช้ JSON-LD ในส่วน head หรือ body ของหน้า เป็นรูปแบบที่ Google แนะนำ และแยกมาร์กอัปออกจากเลย์เอาต์
2. ให้ตรงกับหน้าที่มองเห็นได้ ทุกข้อเท็จจริงในมาร์กอัปต้องปรากฏบนหน้า ข้อกล่าวอ้างที่ซ่อนไว้เสี่ยงต่อการถูกดำเนินการด้วยตนเอง (Manual Action) และกัดกร่อนความไว้วางใจ
3. มีแหล่งความจริงเพียงแหล่งเดียว สร้างมาร์กอัปจากฟิลด์ใน CMS เพื่อไม่ให้ราคา วันที่ และชื่อคลาดเคลื่อน
4. เชื่อมเอนทิตีด้วย @id กำหนดตัวระบุที่คงที่ให้ Organization และอ้างอิงจากบทความและผลิตภัณฑ์ เพื่อให้กราฟเชื่อมโยงกัน
5. ตรวจสอบความถูกต้อง ทดสอบหน้าด้วย Rich Results Test และ Schema Markup Validator หลังการเปลี่ยนเทมเพลตทุกครั้ง
6. อัปเดต dateModified อย่างซื่อตรง เปลี่ยนเมื่อคอนเทนต์เปลี่ยนแปลงอย่างมีนัยสำคัญ ไม่ใช่เพื่อแสร้งว่าสดใหม่

คำจำกัดความ

• Schema.org: คลังคำศัพท์ร่วมของประเภทและคุณสมบัติที่เครื่องมือค้นหารายใหญ่รองรับ
• JSON-LD: รูปแบบ JSON สำหรับ Linked Data ที่ฝังในแท็ก script
• Rich Result: รายการผลการค้นหาที่ได้รับการเสริม เช่น ดาวรีวิวหรือ breadcrumb ซึ่งข้อมูลที่มีโครงสร้างทำให้มีสิทธิ์แสดงได้
• เอนทิตี: สิ่งที่ระบุตัวตนได้อย่างเฉพาะ เช่น บริษัทหรือบุคคล ซึ่งระบบค้นหาพยายามจดจำทั่วเว็บ

บล็อก Organization ที่ดีมีอะไรบ้าง?

ลองคิดถึงคำถามที่ผู้ช่วย AI อาจถูกถามเกี่ยวกับคุณ บริษัทนี้คืออะไร ตั้งอยู่ที่ไหน ทำอะไร เป็นบริษัทเดียวกับอีกบริษัทหนึ่งหรือไม่ มาร์กอัป Organization ของคุณควรตอบส่วนที่เป็นข้อเท็จจริงอย่างชัดเจน ได้แก่ ชื่อ ชื่อเรียกอื่น (รวมถึงวิธีออกเสียงชื่อ หากเป็นจุดที่สับสนบ่อย) คำอธิบายหนึ่งประโยคที่ตรงกับหน้าเกี่ยวกับเรา โลโก้ วันก่อตั้งหากคุณเผยแพร่ไว้ และลิงก์ sameAs ไปยัง LinkedIn, YouTube และโปรไฟล์ทางการอื่น ๆ บทความเรื่องการสร้างเอนทิตีของเราอธิบายเพิ่มเติมว่าสัญญาณเหล่านี้ผสานกับแหล่งข้อมูลบุคคลที่สามอย่างไร

การวิจัยกลุ่มเป้าหมายเกี่ยวข้องกับข้อมูลที่มีโครงสร้างอย่างไร?

มากกว่าที่คุณคาด คำอธิบายและคำถามที่พบบ่อยที่คุณมาร์กอัปควรสะท้อนภาษาที่กลุ่มเป้าหมายใช้ ไม่ใช่ศัพท์เฉพาะภายในองค์กร หากลูกค้าเรียกผลิตภัณฑ์ของคุณว่า "เครื่องมือรับฟัง" แต่คุณเรียกว่า "ชุดโซลูชันข้อมูลเชิงลึกจากบทสนทนาแบบ omnichannel" มาร์กอัปของคุณก็ถูกต้องทางเทคนิคแต่แทบมองไม่เห็นในทางปฏิบัติ เราใช้ SOMIN แพลตฟอร์มวิจัยกลุ่มเป้าหมายด้วย AI เพื่อตรวจสอบถ้อยคำและคำถามที่ผู้คนใช้จริงเกี่ยวกับหมวดสินค้า เพื่อให้สิ่งที่เราติดป้ายตรงกับสิ่งที่ผู้คนถาม หน้าSOMIN สำหรับแบรนด์อธิบายว่างานวิจัยนั้นใช้กับทีมภายในองค์กรอย่างไร

หลักการเดียวกันปรากฏในสาขาพี่น้อง พาร์ทเนอร์ของเราที่ AgentC ใช้เอเจนต์ AI ในเวิร์กโฟลว์การวิจัยและคอนเทนต์ และบทเรียนของพวกเขาคือสิ่งที่เราเห็นใน schema: ระบบอัตโนมัติจะช่วยได้ก็ต่อเมื่อข้อมูลนำเข้าสะอาดและเป็นจริง

จะรู้ได้อย่างไรว่าช่วยได้?

สำหรับการค้นหาแบบดั้งเดิม Search Console รายงานว่าตรวจพบ Rich Result ประเภทใดและมีข้อผิดพลาดหรือไม่ และคุณเปรียบเทียบอัตราการคลิกผ่านของหน้าก่อนและหลังได้ สำหรับการมองเห็นบน AI การระบุผลทำได้ยากกว่า และคุณควรซื่อตรงเรื่องนี้ ติดตามชุดพรอมต์ที่สม่ำเสมอ บันทึกว่าผู้ช่วย AI อธิบายแบรนด์ของคุณถูกต้องหรือไม่ และเฝ้าดูว่าข้อผิดพลาดเชิงข้อเท็จจริงลดลงเมื่อเวลาผ่านไปหรือไม่ แบรนด์อย่างในกรณีศึกษา Fujifilm แสดงให้เห็นว่าทำไมภาพแบรนด์ที่ชัดเจนและอิงหลักฐานจึงสำคัญในทุกช่องทาง มาร์กอัปเป็นเพียงส่วนเล็ก ๆ ของการรักษาภาพนั้นให้สอดคล้อง

ข้อมูลที่มีโครงสร้างไม่หวือหวา และนั่นคือประเด็น มันคือป้ายบนชั้นวาง มันไม่ทำให้สินค้าที่อ่อนแอขายได้ แต่ป้องกันไม่ให้สินค้าที่แข็งแรงถูกจัดผิดที่ ทำให้ถูกต้องครั้งเดียว ทำให้เป็นอัตโนมัติ ตรวจสอบความถูกต้อง แล้วไปทำคอนเทนต์ที่ได้รับการอ้างอิงต่อ