Graf wiedzy (Knowledge Graph) to ustrukturyzowana baza danych encji — osób, miejsc, organizacji, produktów i relacji między nimi — z której wyszukiwarka korzysta, aby rozumieć znaczenie, a nie tylko dopasowywać słowa kluczowe. Najbardziej znanym przykładem jest Knowledge Graph 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 niezwiązane ciągi tekstu. W e-commerce trafne odwzorowanie w takiej bazie encji w coraz większym stopniu decyduje o tym, jak pewnie wyszukiwarka wyświetla produkty sprzedawcy i jak bardzo im ufa.
Dlaczego obecność w grafie wiedzy ma znaczenie dla e-commerce
Wyszukiwarki dawno przeszły od dopasowywania dosłownych słów kluczowych do rozumienia, czego naprawdę dotyczy strona, kto jest producentem produktu i jak ma się on do innych znanych encji — marki, kategorii, zestawu porównywalnych produktów. Sprzedawca, którego dane o marce i produktach są dobrze odwzorowane w tej strukturze encji, korzysta z swoistego transferu zaufania: wyszukiwarki, które już rozumieją daną encję i jej ufają, chętniej wyświetlają powiązane z nią treści, w tym oferty produktów pochodzące z feedu. To semantyczne rozumienie leży też u podstaw wyników wyszukiwania organicznego, które wykraczają poza prostą listę linków, w tym fragmentów rozszerzonych (rich snippets) i paneli zakupowych, które pobierają ustrukturyzowane fakty o produktach bezpośrednio, zamiast polegać wyłącznie na tekście strony.
Jak budowane jest rozumienie w grafie wiedzy
Wyszukiwarki budują rozumienie encji na podstawie wielu ustrukturyzowanych sygnałów z całej 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 marki w feedach zakupowych, a także zewnętrznych źródeł, takich jak Wikipedia czy branżowe bazy danych, które potwierdzają tożsamość marki. Spójność wszystkich tych źródeł ma większe znaczenie niż którekolwiek z nich z osobna — produkt opisany w jeden sposób w feedzie, w inny w tagach Open Graph, a w jeszcze inny w schemacie na stronie wysyła wyszukiwarce sprzeczne sygnały co do tego, na co właściwie patrzy. Ta sama logika dopasowywania encji leży u podstaw dopasowania hybrydowego na platformach reklamowych, gdzie zapytanie kupującego jest łączone z produktem nie tylko na podstawie wspólnych słów kluczowych, ale dzięki zrozumieniu encji występujących 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 feedzie i w schemacie na stronie — to dokładnie ten rodzaj spójności między źródłami, który pozwala wyszukiwarce z przekonaniem przypisać tę ofertę do znanej encji marki, zamiast traktować ją jako niezweryfikowany, samodzielny produkt.
Powiązane pojęcia
Rozumienie w grafie wiedzy w dużej mierze zależy od spójnych tagów Open Graph i danych strukturalnych opisujących te same encje w ten sam sposób wszędzie, gdzie się pojawiają, a ta sama logika rozpoznawania encji leży u podstaw dopasowania hybrydowego na platformach reklamowych, które próbują łączyć zapytania z produktami. Efekt silnego odwzorowania encji zwykle widać w pewniejszych i bogatszych wynikach wyszukiwania organicznego, a nie w jednym mierzalnym czynniku rankingowym.
