Wissen Graph

Ein Wissensgraph ist eine strukturierte Datenbank mit Entitäten – Personen, Orten, Organisationen, Produkten und den Beziehungen zwischen ihnen –, die Suchmaschinen nutzen, um die Bedeutung von Informationen zu verstehen, anstatt nur Schlüsselwörter abzugleichen. Googles Wissensgraph ist das bekannteste Beispiel. Er bildet die Grundlage für die Infoboxen neben den Suchergebnissen und ermöglicht es der Suchmaschine zu erkennen, dass eine Marke, ihre Produktlinie und eine bestimmte Modellnummer zusammengehörige Fakten sind und nicht nur drei unabhängige Textabschnitte. Im E-Commerce ist die korrekte Darstellung in einer solchen Entitätsdatenbank zunehmend entscheidend dafür, wie zuverlässig Suchmaschinen die Produkte eines Händlers anzeigen und bewerten.

Warum die Präsenz von Wissensgraphen für den E-Commerce wichtig ist

Suchmaschinen haben sich längst von der reinen Keyword-Suche weiterentwickelt und verstehen heute den eigentlichen Inhalt einer Seite, den Hersteller des Produkts und dessen Beziehung zu anderen bekannten Entitäten – Marken, Kategorien, vergleichbaren Produkten. Ein Händler, dessen Marken- und Produktdaten in dieser Entitätsstruktur gut abgebildet sind, profitiert von einem Vertrauenstransfer: Suchmaschinen, die eine Entität bereits kennen und ihr vertrauen, zeigen mit größerer Sicherheit Inhalte an, die mit ihr in Verbindung stehen, darunter auch Produktlisten aus einem Feed. Dieses semantische Verständnis bildet die Grundlage für organische Suchergebnisse , die über einfache Linklisten hinausgehen und beispielsweise Rich Snippets und Shopping-spezifische Panels umfassen, die strukturierte Produktinformationen direkt abrufen, anstatt sich ausschließlich auf den Seitentext zu stützen.

Wie das Verständnis von Wissensgraphen aufgebaut wird

Suchmaschinen gewinnen Entitätsinformationen aus einer Vielzahl strukturierter Signale im Web: Schema.org-Markup auf Produktseiten, konsistente Open-Graph-Tags, die dieselbe Entität auf allen Seiten einheitlich beschreiben, GTINs und Markenidentifikatoren in Shopping-Feeds sowie Drittanbieterquellen wie Wikipedia oder Branchendatenbanken, die die Markenidentität bestätigen. Die Konsistenz über all diese Quellen hinweg ist wichtiger als jede einzelne – wird ein Produkt im Feed anders beschrieben als in den Open-Graph-Tags und im On-Page-Schema, sendet dies widersprüchliche Signale an die Suchmaschine. Dieselbe Logik des Entitätsabgleichs liegt dem hybriden Matching in Werbeplattformen zugrunde. Hier wird die Suchanfrage eines Käufers nicht nur anhand von Keyword-Übereinstimmungen, sondern auch durch das Verständnis der beteiligten Entitäten auf beiden Seiten der Suchanfrage einem Produkt zugeordnet.

Beispiel

<item>
  <g:id>SKU-10234</g:id>
  <g:title>Organic Cotton Crewneck Sweater - Charcoal, M</g:title>
  <g:brand>Nordwool</g:brand>
  <g:gtin>00196565113317</g:gtin>
  <g:mpn>NW-CS-CHR-M</g:mpn>
</item>

<!-- Structured data on the product page reinforcing the same entity -->
<script type="application/ld+json">
{
  "@type": "Product",
  "name": "Organic Cotton Crewneck Sweater - Charcoal, M",
  "brand": { "@type": "Brand", "name": "Nordwool" },
  "gtin13": "00196565113317"
}
</script>

Die GTIN und die Markenwerte sind im Feed und im On-Page-Schema identisch. Genau diese quellenübergreifende Konsistenz ermöglicht es einer Suchmaschine, diesen Eintrag mit Zuversicht einer bekannten Markeneinheit zuzuordnen, anstatt ihn als ein nicht verifiziertes, eigenständiges Produkt zu behandeln.

Verwandte konzepte

Das Verständnis von Wissensgraphen hängt maßgeblich von konsistenten Open-Graph-Tags und strukturierten Daten ab, die dieselben Entitäten überall einheitlich beschreiben. Dieselbe Logik der Entitätsauflösung liegt auch dem hybriden Matching auf Werbeplattformen zugrunde, die Suchanfragen mit Produkten verknüpfen. Das Ergebnis einer starken Entitätsrepräsentation sind in der Regel aussagekräftigere und relevantere organische Suchergebnisse, nicht nur ein einzelner messbarer Rankingfaktor.