Schema برای استناد هوش مصنوعی؛ چگونه به منبع معتبر گوگل و ChatGPT تبدیل شویم

در این راهنما، لورن بیکر (Loren Baker) توضیح می‌دهد که داده‌های ساختاریافته Schema به موتورهای جست‌وجو و دستیارهای هوش مصنوعی کمک می‌کند بفهمند شما چه‌کسی هستید و ادعاهایتان را راستی‌آزمایی کنند؛ اما به‌تنهایی تضمینی برای استناد مستقیم به شما ایجاد نمی‌کند. به گفته او، بسیاری از فعالان سئو مرحله اعتبارسنجی را نادیده می‌گیرند، حال آنکه همین مرحله در دوران هوش مصنوعی ارزش کارهای قبلی را نمایان کرده است.

بیکر داده‌های ساختاریافته را به پروفایل آشنایی تشبیه می‌کند؛ اگر مشخصات اعلام‌شده در مارکاپ با واقعیت صفحه هماهنگ نباشد، این تفاوت مانند فریبکاری در معرفی خود به گوگل یا ChatGPT است.

این مارکاپ بیشتر یک سازوکار اعتمادسازی است تا کلید مستقیم رتبه‌بندی. مایکروسافت اعلام کرده که Schema به مدل‌های زبانی آن در درک محتوا کمک می‌کند؛ گوگل می‌گوید داده ساختاریافته برای امکانات هوش مصنوعی‌اش ضروری نیست، اما آن را در استراتژی جامع سئو توصیه می‌کند. OpenAI نیز تأکید دارد که داده ساختاریافته محصول، بخشی از آنچه ChatGPT به خریداران نمایش می‌دهد را تأمین می‌کند.

چهار سطح هماهنگ برای ساخت مرجع قابل اعتماد

بنابراین بهترین پیاده‌سازی به تعداد ویژگی‌های استفاده‌شده بستگی ندارد؛ موتورهای جست‌وجو اسکیمای شما را با خود صفحه، فید تجاری، نظرات کاربران و آنچه درباره برند گفته می‌شود مقایسه می‌کنند و تنها وقتی همه ویژگی‌های کلیدی یک حرف واحد را تأیید کنند، نتیجه می‌گیرند.

مدل مشترکی که بیکر در این آموزش معرفی می‌کند به چهار سطح برمی‌گردد: خود صفحه وب که کاربر آن را می‌بیند، اسکیمای ماشین‌خوان، پلتفرم مرجع مانند پروفایل گوگل‌بیزنس برای کسب‌وکار محلی یا فید مرچنت سنتر (Merchant Center) برای فروش محصول، و منابع تأیید بیرونی مثل نظرات، دایرکتوری‌ها، پروفایل‌های حرفه‌ای، نشریات و مطالعات. وقتی این چهار سطح با هم هماهنگ باشند، یک مرجع قابل اتکا ساخته می‌شود و وقتی ناهماهنگ باشند، پیچیده‌ترین مارکاپ هم می‌تواند اعتبار را تخریب کند.

اسکیمای محلی و اهمیت شناسه پایدار کسب‌وکار

در سئوی محلی، همه‌چیز به موجودیت (Entity) و شناسه پایدار آن وابسته است. ساختار پیشنهادی در نه ستون تعریف می‌شود: NAP، مختصات جغرافیایی، ساعت کاری، خدمات، اقدام‌های تبدیل، نظرات، لینک‌های sameAs و سازگاری کلی. درباره محدوده خدمات هم باید دقت کرد؛ در گوگل‌بیزنس، Service Area یعنی محل ارسال یا اعزام، اما فیلد areaServed در اسکیما یعنی همه مناطقی که کسب‌وکار در آن‌ها خدمت ارائه می‌کند. در شهرهای چندشعبه، تکرار اسکیمای یکسان برای همه شعبه‌ها می‌تواند تمایزهایی را که موتور برای پیشنهاد شعبه مناسب نیاز دارد از بین ببرد.

در نمونه واقعی، وقتی ChatGPT به‌دنبال فیزیوتراپ فعال در هابوکن (Hoboken) گشت، برند یکی از مشتریان را همراه با ساعت کاری و خدماتی مانند توانبخشی ارتوپدی، آسیب‌های ورزشی و توانبخشی بعد از عمل معرفی کرد. این خدمات در متن صفحه همان شعبه وجود نداشت، اما در اسکیمای آن و پروفایل گوگل‌بیزنس ثبت شده بود و همین برای تصمیم‌گیری هوش مصنوعی کافی بود.

هماهنگی اسکیمای محصول با فید مرچنت سنتر

در تجارت الکترونیک، فید مرچنت سنتر (Merchant Center) نقش منبع اصلی حقیقت را دارد و اسکیما باید فیلد‌به‌فیلد با آن هماهنگ شود. نام، توضیحات، برند، تصاویر، SKU، MPN، GTIN و شناسه ثابت، مهم‌ترین فیلدها هستند و جزئیاتی مانند قیمت، واحد پول، وضعیت کالا، موجودی، هزینه ارسال، زمان تحویل، قوانین بازگشت و نسخه‌های مختلف محصول نیز باید در مارکاپ درج شوند.

وضعیت موجودی کالا روی درآمد تأثیر مستقیم دارد؛ اگر اسکیما به‌محض صفرشدن موجودی به OutOfStock تغییر کند، گوگل ممکن است تصور کند آن محصول دیگر فروخته نمی‌شود و رتبه صفحه از بین برود، حتی اگر به‌زودی موجود شود. برای وضعیت‌های موقت باید از مقادیر استاندارد Schema.org استفاده کرد. ویژگی‌های عمیق محصول هم اهمیت بیشتری پیدا کرده‌اند، چون جست‌وجوی هوش مصنوعی جزئی‌تر از جست‌وجوی سنتی است؛ کاربر ممکن است به‌دنبال کفشی با سایز ۱۵، رنگ آبی آسمانی، تحویل تا جمعه و راحتی برای مچ پایی آسیب‌دیده باشد و جزئیاتی مانند جنس، وزن، ضدآب بودن، سرعت ارسال و قوانین بازگشت به موتورها کمک می‌کند همین خواسته‌ها را به محصول شما وصل کنند.

نقش اسکیمای Person در اثبات اعتبار نویسنده

اسکیمای Person کسی را متخصص نمی‌کند، اما اعتباری را که واقعاً وجود دارد برای موتورها قابل راستی‌آزمایی می‌کند. برای مثال، مشتری بیکر که در فناوری باغبانی داخلی فعالیت می‌کند، پستی درباره فراخوان کاهو و ایمنی مواد غذایی منتشر کرده بود. هنگام شیوع بیماری غذایی و افزایش جست‌وجوهای مرتبط، همان پست در AI Overview در کنار FDA و CDC نمایان شد و در نتایج ارگانیک پس از FDA در رتبه دوم قرار گرفت و حدود ۱۳۰۰ کلیک گرفت. مدارک، مقاله‌های منتشرشده و سوابق نویسنده نیز در مارکاپ صفحه نویسنده و خود پست ثبت شده بود.

در نمونه دیگر، نام برند یک مشتری با چند شرکت دیگر مشترک بود و جست‌وجوی مدیرعامل، او را نمایش نمی‌داد. پس از ساخت اسکیمای کامل Person در صفحه بیوگرافی و اتصال آن به پروفایل و مشخصات درست، AI Overview ظرف چند روز فرد صحیح را شناسایی کرد.

پیاده‌سازی مقیاس‌پذیر اسکیما بر پایه اعتبار واقعی

اسکیما نمی‌تواند محتوای کم‌عمق، مدارک جعلی یا پروفایل رهاشده را جبران کند و رابطه‌ای بی‌استفاده را به منبع تأیید تبدیل نمی‌کند. ابتدا باید اعتبار واقعی ساخته شود، بعد به شکل شفاف بیان و در نهایت قابل راستی‌آزمایی شود.

برای مقیاس‌پذیری باید از یک صفحه شروع کرد و آن را به الگو تبدیل کرد. ابتدا دقیق‌ترین نوع Entity برای آن صفحه انتخاب می‌شود، شناسه پایدار تعریف می‌شود و اطلاعات از محتوای قابل مشاهده و پلتفرم مرجع استخراج می‌شود؛ تنها مقادیری که قابل پشتیبانی باشند باید وارد مارکاپ شوند و پیش از تحویل به توسعه، اعتبارسنجی انجام شود. بعد از آن، گروهی از صفحات یک مکان، خانواده محصول یا صفحه‌های نویسنده می‌توانند سریع‌تر از بازطراحی کل سایت جلو بروند و نتیجه کار قابل اندازه‌گیری باشد.

در بخش پرسش‌وپاسخ نیز موضوع‌هایی مانند سرعت شناسایی تغییر نقش یک فرد توسط هوش مصنوعی، ابزارهای ساخت و توسعه اسکیما در مقیاس سایت مشتری و روش E-E-A-T در صنعت دارویی برندمحور که اغلب نویسنده مشخصی برای مارکاپ ندارد، مطرح شد. پاسخ این پرسش‌ها در فایل ضبط‌شده جلسه آمده است و اسلایدها و سه چک‌لیست سئوی محلی، محصول و E-E-A-T برای اعضای SEJ Pro در دسترس قرار گرفته است.