Un knowledge graph è un database strutturato di entità (persone, luoghi, organizzazioni, prodotti e relazioni tra di essi) che un motore di ricerca usa per comprendere il significato invece di limitarsi a far corrispondere le parole chiave. Il Knowledge Graph di Google è l'esempio più noto: alimenta i pannelli informativi che compaiono accanto ai risultati di ricerca e permette al motore di capire che un brand, la sua linea di prodotti e un numero di modello specifico sono fatti correlati e non tre stringhe di testo scollegate. Nell'e-commerce, essere rappresentati in modo accurato in questo tipo di database di entità influisce sempre di più sulla sicurezza con cui un motore di ricerca mostra i prodotti di un retailer e si fida di essi.
Perché la presenza nel knowledge graph è importante per l'e-commerce
I motori di ricerca sono andati ben oltre la corrispondenza letterale delle parole chiave e puntano a capire di cosa tratta davvero una pagina, chi produce il prodotto e come si collega ad altre entità note: un brand, una categoria, un insieme di prodotti comparabili. Un retailer i cui dati di brand e di prodotto sono ben rappresentati in questa struttura di entità beneficia di una sorta di trasferimento di fiducia: i motori di ricerca che già comprendono un'entità e se ne fidano mostrano con più sicurezza i contenuti collegati a essa, comprese le inserzioni di prodotto provenienti da un feed. Questa comprensione semantica è anche alla base di quei risultati di ricerca organica che vanno oltre un semplice elenco di link, inclusi i rich snippet e i pannelli dedicati allo shopping che prelevano direttamente dati di prodotto strutturati invece di basarsi solo sul testo della pagina.
Come si costruisce la comprensione del knowledge graph
I motori di ricerca costruiscono la comprensione delle entità a partire da numerosi segnali strutturati presenti sul web: markup schema.org nelle pagine prodotto, tag Open Graph coerenti che descrivono la stessa entità nello stesso modo in ogni pagina in cui compare, GTIN e identificativi di brand nei feed di shopping e fonti di terze parti come Wikipedia o database di settore che confermano l'identità di un brand. La coerenza tra tutte queste fonti conta più di ciascuna singola fonte: un prodotto descritto in un modo nel feed, in un altro nei tag Open Graph e in un terzo nello schema on-page invia al motore di ricerca segnali contrastanti su ciò che sta effettivamente guardando. La stessa logica di corrispondenza delle entità è alla base dell'hybrid matching nelle piattaforme pubblicitarie, dove la query di un acquirente viene abbinata a un prodotto non solo per sovrapposizione di parole chiave, ma comprendendo le entità coinvolte da entrambi i lati della query.
Esempio
<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>I valori di GTIN e brand sono identici nel feed e nello schema on-page: è esattamente il tipo di coerenza tra fonti diverse che permette a un motore di ricerca di attribuire con sicurezza questa inserzione a un'entità di brand nota, invece di trattarla come un prodotto isolato e non verificato.
Concetti correlati
La comprensione del knowledge graph dipende molto da tag Open Graph e dati strutturati coerenti, che descrivano le stesse entità nello stesso modo ovunque compaiano, e la stessa logica di risoluzione delle entità è alla base dell'hybrid matching nelle piattaforme pubblicitarie che cercano di collegare le query ai prodotti. Il risultato finale di una solida rappresentazione delle entità si vede di solito in risultati di ricerca organica più sicuri e più ricchi, più che in un singolo fattore di ranking misurabile.
