Een knowledge graph is een gestructureerde database van entiteiten (personen, plaatsen, organisaties, producten en de relaties daartussen) die een zoekmachine gebruikt om betekenis te begrijpen in plaats van alleen zoekwoorden te matchen. De Knowledge Graph van Google is het bekendste voorbeeld: hij voedt de informatiepanelen naast de zoekresultaten en laat de zoekmachine begrijpen dat een merk, de productlijn ervan en een specifiek modelnummer samenhangende feiten zijn in plaats van drie losse tekstreeksen. Voor e-commerce bepaalt een nauwkeurige vertegenwoordiging in zo'n entiteitendatabase steeds meer hoe zelfverzekerd een zoekmachine de producten van een retailer toont en vertrouwt.
Waarom aanwezigheid in de knowledge graph belangrijk is voor e-commerce
Zoekmachines zijn allang verder dan het matchen van letterlijke zoekwoorden. Ze willen begrijpen waar een pagina echt over gaat, wie het product maakt en hoe het zich verhoudt tot andere bekende entiteiten: een merk, een categorie, een reeks vergelijkbare producten. Een retailer van wie de merk- en productgegevens goed vertegenwoordigd zijn in deze entiteitenstructuur, profiteert van een soort vertrouwensoverdracht: zoekmachines die een entiteit al begrijpen en vertrouwen, tonen met meer zekerheid content die ermee verbonden is, inclusief productvermeldingen uit een feed. Dit semantische begrip ligt ook ten grondslag aan organische zoekresultaten die verder gaan dan een simpele lijst met links, zoals rich snippets en shoppingspecifieke panelen die gestructureerde productfeiten rechtstreeks ophalen in plaats van alleen op paginatekst te vertrouwen.
Hoe begrip via de knowledge graph wordt opgebouwd
Zoekmachines bouwen hun begrip van entiteiten op uit veel gestructureerde signalen op het web: schema.org-markup op productpagina's, consistente Open Graph-tags die dezelfde entiteit op elke pagina waar die voorkomt op dezelfde manier beschrijven, GTIN's en merkidentificaties in shoppingfeeds, en externe bronnen zoals Wikipedia of branchedatabases die de identiteit van een merk bevestigen. Consistentie over al deze bronnen weegt zwaarder dan welke afzonderlijke bron ook: een product dat in de feed op de ene manier, in de Open Graph-tags op een andere manier en in het schema op de pagina op een derde manier wordt beschreven, geeft een zoekmachine tegenstrijdige signalen over wat hij eigenlijk ziet. Dezelfde logica voor het matchen van entiteiten ligt ten grondslag aan hybrid matching op advertentieplatforms, waar de zoekopdracht van een shopper aan een product wordt gekoppeld, niet alleen op basis van overlappende zoekwoorden maar door de entiteiten aan beide kanten van de zoekopdracht te begrijpen.
Voorbeeld
<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>De GTIN- en merkwaarden zijn identiek in de feed en het schema op de pagina. Dat is precies het soort consistentie tussen bronnen waardoor een zoekmachine deze vermelding met zekerheid aan een bekende merkentiteit kan toeschrijven, in plaats van haar te behandelen als een ongeverifieerd, losstaand product.
Gerelateerde begrippen
Begrip via de knowledge graph hangt sterk af van consistente Open Graph-tags en gestructureerde gegevens die dezelfde entiteiten overal op dezelfde manier beschrijven, en dezelfde logica voor entiteitsresolutie ligt ten grondslag aan hybrid matching op advertentieplatforms die zoekopdrachten aan producten proberen te koppelen. Het eindresultaat van een sterke vertegenwoordiging van entiteiten zie je doorgaans terug in zekerdere, rijkere organische zoekresultaten en niet in één afzonderlijke meetbare rankingfactor.
