Um knowledge graph (grafo de conhecimento) é um banco de dados estruturado de entidades — pessoas, lugares, organizações, produtos e as relações entre eles — que um mecanismo de busca usa para entender significados, em vez de apenas combinar palavras-chave. O Knowledge Graph do Google é o exemplo mais conhecido: ele alimenta os painéis de informações que aparecem ao lado dos resultados de busca e permite que o mecanismo entenda que uma marca, sua linha de produtos e um número de modelo específico são fatos relacionados, e não três sequências de texto sem relação entre si. No e-commerce, estar representado com precisão nesse tipo de banco de dados de entidades influencia cada vez mais a confiança com que um mecanismo de busca exibe os produtos de um lojista e confia neles.
Por que a presença no knowledge graph é importante para o e-commerce
Os mecanismos de busca já foram muito além de combinar palavras-chave literais: hoje buscam entender do que uma página realmente trata, quem fabrica o produto e como ele se relaciona com outras entidades conhecidas — uma marca, uma categoria, um conjunto de produtos comparáveis. Um lojista cujos dados de marca e de produtos estão bem representados nessa estrutura de entidades se beneficia de uma espécie de transferência de confiança: mecanismos de busca que já entendem uma entidade e confiam nela exibem com mais segurança o conteúdo ligado a ela, incluindo anúncios de produtos vindos de um feed. Esse entendimento semântico também sustenta resultados de busca orgânica que vão além de uma simples lista de links, incluindo rich snippets e painéis específicos de compras que puxam fatos estruturados sobre o produto diretamente, em vez de depender só do texto da página.
Como o entendimento do knowledge graph é construído
Os mecanismos de busca montam seu entendimento das entidades a partir de muitos sinais estruturados espalhados pela web: marcação schema.org nas páginas de produto, tags Open Graph consistentes que descrevem a mesma entidade da mesma forma em todas as páginas em que ela aparece, GTINs e identificadores de marca nos feeds de compras e fontes de terceiros, como a Wikipédia ou bancos de dados do setor, que confirmam a identidade de uma marca. A consistência entre todas essas fontes importa mais do que qualquer uma delas isoladamente — um produto descrito de um jeito no feed, de outro nas tags Open Graph e de um terceiro no schema da página envia ao mecanismo de busca sinais conflitantes sobre o que ele está realmente vendo. Essa mesma lógica de correspondência de entidades está por trás da correspondência híbrida nas plataformas de anúncios, em que a busca de um consumidor é associada a um produto não só pela sobreposição de palavras-chave, mas pelo entendimento das entidades envolvidas dos dois lados da consulta.
Exemplo
<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>Os valores de GTIN e de marca são idênticos no feed e no schema da página, e é exatamente esse tipo de consistência entre fontes que permite a um mecanismo de busca atribuir com segurança esse anúncio a uma entidade de marca conhecida, em vez de tratá-lo como um produto isolado e não verificado.
Conceitos relacionados
O entendimento do knowledge graph depende muito de tags Open Graph e dados estruturados consistentes, que descrevam as mesmas entidades da mesma forma em todos os lugares em que aparecem, e a mesma lógica de resolução de entidades está por trás da correspondência híbrida nas plataformas de anúncios que tentam conectar buscas a produtos. O resultado final de uma boa representação das entidades costuma aparecer como resultados de busca orgânica mais confiáveis e mais ricos, e não como um único fator de ranqueamento mensurável.
