Graphique connaissances

Un graphe de connaissances est une base de données structurée d'entités (personnes, lieux, organisations, produits et leurs relations) qu'un moteur de recherche utilise pour comprendre le sens, au-delà de la simple correspondance avec des mots-clés. Le Knowledge Graph de Google en est l'exemple le plus connu : il alimente les panneaux d'information qui accompagnent les résultats de recherche et permet au moteur de comprendre qu'une marque, sa gamme de produits et une référence spécifique sont des faits liés, et non trois chaînes de caractères sans rapport. Pour le e-commerce, une représentation précise au sein de ce type de base de données d'entités influence de plus en plus la fiabilité avec laquelle un moteur de recherche met en avant les produits d'un détaillant.

Pourquoi la présence dans les graphes de connaissances est importante pour le e-commerce

Les moteurs de recherche ne se contentent plus de la simple correspondance avec des mots-clés ; ils s'attachent désormais à comprendre le contenu d'une page, l'identité du fabricant et les liens du produit avec d'autres entités connues : une marque, une catégorie, un ensemble de produits similaires. Un détaillant dont les données de marque et de produits sont bien représentées au sein de cette structure d'entités bénéficie d'un transfert de confiance : les moteurs de recherche qui comprennent et font confiance à une entité sont plus enclins à afficher du contenu qui y est lié, notamment les fiches produits issues d'un flux. Cette compréhension sémantique sous-tend également les résultats de recherche organique qui vont au-delà d'une simple liste de liens, comme les extraits enrichis et les panneaux d'achat qui affichent directement des informations structurées sur les produits, au lieu de se fier uniquement au texte de la page.

Comment se construit la compréhension des graphes de connaissances

Les moteurs de recherche construisent leur compréhension des entités à partir de nombreux signaux structurés présents sur le web : le balisage schema.org sur les pages produits, les balises Open Graph cohérentes décrivant la même entité de la même manière sur chaque page où elle apparaît, les GTIN et les identifiants de marque dans les flux d'achat, et des sources tierces comme Wikipédia ou les bases de données sectorielles qui confirment l'identité d'une marque. La cohérence de l'ensemble de ces sources est primordiale : un produit décrit d'une certaine façon dans son flux, d'une autre dans ses balises Open Graph et d'une troisième dans le schéma de la page envoie au moteur de recherche des signaux contradictoires quant à ce qu'il analyse. Cette même logique de correspondance d'entités sous-tend la correspondance hybride des plateformes publicitaires, où la requête d'un utilisateur est associée à un produit non seulement par la superposition de mots clés, mais aussi en comprenant les entités impliquées de part et d'autre de la requête.

Exemple

<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>

Les valeurs GTIN et de marque sont identiques dans le flux et le schéma de la page, ce qui correspond exactement au type de cohérence entre les sources permettant à un moteur de recherche d'attribuer avec confiance cette fiche à une entité de marque connue plutôt que de la traiter comme un produit autonome non vérifié.

Concepts associés

La compréhension des graphes de connaissances repose en grande partie sur la cohérence des balises Open Graph et des données structurées décrivant les mêmes entités de manière uniforme. Cette même logique de résolution d'entités sous-tend la correspondance hybride sur les plateformes publicitaires qui tentent d'associer les requêtes aux produits. En définitive, une représentation robuste des entités se traduit généralement par des résultats de recherche organique plus pertinents et plus riches, bien plus qu'un simple facteur de classement mesurable.