Graf wiedzy to ustrukturyzowana baza danych jednostek — osób, miejsc, organizacji, produktów i relacji między nimi — której wyszukiwarka używa do zrozumienia znaczenia, a nie tylko do dopasowywania słów kluczowych. Najbardziej znanym przykładem jest Graf wiedzy Google, który zasila panele informacyjne wyświetlane obok wyników wyszukiwania i pozwala wyszukiwarce zrozumieć, że marka, jej linia produktów i konkretny numer modelu to powiązane fakty, a nie trzy niepowiązane ciągi tekstu. W przypadku handlu elektronicznego, dokładne przedstawienie w tego rodzaju bazie danych jednostek coraz bardziej wpływa na to, jak pewnie wyszukiwarka prezentuje i ufa produktom sprzedawcy.

Dlaczego obecność Knowledge Graph ma znaczenie dla e-commerce

Wyszukiwarki internetowe znacznie wykroczyły poza dopasowywanie dosłownych słów kluczowych i zaczęły rozumieć, czego tak naprawdę dotyczy dana strona, kto ją produkuje i jak odnosi się ona do innych znanych podmiotów – marki, kategorii, zestawu porównywalnych produktów. Sprzedawca detaliczny, którego dane o marce i produktach są dobrze reprezentowane w tej strukturze, korzysta z pewnego rodzaju transferu zaufania: wyszukiwarki, które już rozumieją i ufają danemu podmiotowi, z większą pewnością wyświetlają powiązane z nim treści, w tym oferty produktów pobrane z kanału. To zrozumienie semantyczne leży również u podstaw organicznych wyników wyszukiwania , które wykraczają poza prostą listę linków, obejmując rozbudowane fragmenty i panele dotyczące konkretnych zakupów, które bezpośrednio pobierają ustrukturyzowane informacje o produktach, a nie opierają się wyłącznie na tekście strony.

Jak budowane jest zrozumienie wykresu wiedzy

Wyszukiwarki gromadzą wiedzę o encjach z wielu ustrukturyzowanych sygnałów w sieci: znaczników schema.org na stronach produktów, spójnych tagów Open Graph opisujących tę samą encję w ten sam sposób na każdej stronie, na której się pojawia, numerów GTIN i identyfikatorów marek w kanałach zakupowych oraz źródeł zewnętrznych, takich jak Wikipedia lub branżowe bazy danych, które potwierdzają tożsamość marki. Spójność we wszystkich tych źródłach ma większe znaczenie niż w jakimkolwiek pojedynczym — produkt opisany w jeden sposób w swoim kanale, w inny sposób w swoich tagach Open Graph i w jeszcze inny sposób w schemacie na stronie wysyła wyszukiwarce sprzeczne sygnały dotyczące tego, co faktycznie przegląda. Ta sama logika dopasowywania encji leży u podstaw hybrydowego dopasowywania w platformach reklamowych, gdzie zapytanie kupującego jest dopasowywane do produktu nie tylko na podstawie nakładania się słów kluczowych, ale poprzez zrozumienie encji zaangażowanych po obu stronach zapytania.

Przykład

<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>

Wartości GTIN i marki są identyczne w całym kanale i schemacie na stronie, co jest dokładnie tym rodzajem spójności między źródłami, który pozwala wyszukiwarce pewnie przypisać tę ofertę znanej marce, zamiast traktować ją jako niezweryfikowany, samodzielny produkt.

Powiązane pojęcia

Zrozumienie grafów wiedzy w dużej mierze zależy od spójnych tagów Open Graph i ustrukturyzowanych danych opisujących te same encje w ten sam sposób wszędzie tam, gdzie się pojawiają. Ta sama logika rozpoznawania encji leży u podstaw hybrydowego dopasowywania na platformach reklamowych, które próbują połączyć zapytania z produktami. Efektem końcowym silnej reprezentacji encji są zazwyczaj bardziej wiarygodne i bogate organiczne wyniki wyszukiwania, a nie pojedynczy mierzalny czynnik rankingowy.