<стр>Узнайте об эволюции структурированных данных в 2024 году и их влиянии на SEO, от разработки графа знаний до новых типов данных.

<стр>В 2024 году ландшафт структурированных данных претерпел значительные изменения, вызванные ростом поиска с помощью искусственного интеллекта, растущей важностью машиночитаемого контента и необходимостью основывать большие языковые модели на фактических данных.

Согласно последнему веб-альманаху HTTP Archive, анализ структурированных данных по 16,9 миллионам веб-сайтов показывает явный отход от традиционной реализации SEO. к более сложной разработке графов знаний, которые обеспечивают работу систем обнаружения ИИ.

Хотя в 2023 году Google отказался от некоторых расширенных результатов, таких как часто задаваемые вопросы и инструкции, он одновременно представил беспрецедентное количество новых структурированных типов данных, включая списки автомобилей, информацию о курсах, аренду на время отпуска, страницы профилей и 3D-модели продуктов.

В феврале 2024 года была расширена поддержка вариантов продукта и GS1 Digital Link, после чего в марте последовал бета-запуск каруселей структурированных данных.

<стр>Такая быстрая эволюция свидетельствует о взрослении экосистемы, в которой структурированные данные служат не только поисковой видимостью, но и формируют основу для фактических ответов ИИ, обучения языковым моделям и улучшения качества цифровых продуктов. <ч3>Анализ и методология <п>Информация, представленная в этой статье, основана на главе «Структурированные данные» издания 2024 года веб-альманаха HTTP Archive. В годовом отчете анализируется состояние Интернета путем оценки внедрения структурированных данных на 16,9 миллионах веб-сайтов. Эти наборы данных доступны для публичного запроса в BigQuery в таблицах в  `httparchive.all.*` таблицах для даты date = '2024-06-01'&nbsp ;и полагается на такие инструменты, как WebPageTest, Lighthouse и Wappalyzer, для сбора показателей форматов структурированных данных, тенденций внедрения и производительность.

Тенденции внедрения структурированных данных

Анализ показывает убедительный рост основных форматов структурированных данных:

Такое широкое распространение указывает на то, что организации инвестируют в структурированные данные не только для обеспечения видимости при поиске, но и для того, чтобы ИИ и сканеры могли понять и улучшить свой цифровой опыт.

<х2>Графики открытий и знаний ИИ <стр>Отношения между структурированными данными и системами искусственного интеллекта развиваются сложным образом.

Хотя многие поисковые системы с генеративным ИИ все еще разрабатывают свой подход к использованию структурированных данных, признанные платформы, такие как Bing Copilot, Google Gemini, и специализированные инструменты, такие как SearchGPT, похоже, уже демонстрируют ценность понимания на основе сущностей, в частности для местных запросов и проверки фактов.

<ч3>Тренировка и понимание сущностей

Генераторные поисковые системы ИИ обучены работе с обширными наборами данных, которые включают в себя разметку структурированных данных, что влияет на то, как они:

<ул>

Распознавать и классифицировать объекты (продукты, местоположения, организации).

Отклики земли. Мы видим это в таких системах, как DataGemma, которые используют структурированные данные для обоснования ответов на проверяемых фактах.

Понимать взаимосвязь между различными точками данных. Это особенно очевидно, когда сайт Schema.org используется для агрегирования наборов данных из авторитетных источников со всего мира.

Типы запросов, специфичные для процесса, такие как поиск местных предприятий и продуктов.

<стр>Это обучение формирует то, как системы ИИ интерпретируют запросы и отвечают на них, что особенно заметно в: <ул>

Локальные бизнес-запросы, в которых атрибуты объектов соответствуют шаблонам структурированных данных.

<ли>Запросы продуктов, отражающие структурированные данные, предоставленные продавцом.

Информация панели знаний, соответствующая определениям сущностей.

Интеграция с поисковыми системами

Различные платформы демонстрируют влияние структурированных данных через:

<ул>

Традиционный поиск: Богатые результаты и панели знаний, основанные непосредственно на структурированных данных.

Интеграция поиска AI: <ул>

Bing Copilot показывает улучшенные результаты для структурированных сущностей.

Google Gemini отражает информацию графа знаний.

Специализированные движки, такие как Perplexity.ai, демонстрирующие понимание сущностей в запросах местоположения.

Последний эксперимент Google с ИИ-консультантом по продажам, интегрированным в поисковую выдачу для запросов о покупках (это грандиозно! Вот на X, обнаружено с помощью SERP Alert).

Панель Entity Knowledge Graph компании WordLift в поиске Google – Год основания.

На вопрос «Когда был основан WordLift?» в Google Близнецы. <стр>Вот пример Gemini и Google Search, использующих один и тот же факт.

AI-консультант по продажам через ‘Магазин’ Призыв к действию на фирменных дополнительных ссылках.

Проверка и проверка данных

<п>Структурированные данные обеспечивают механизмы проверки через:

<ул>

График знаний: Такие системы, как Google&squo;s Data Commons, используют структурированные данные для проверки фактов.

Обучающие наборы: Разметка Schema.org создает надежные обучающие примеры для распознавания объектов.

Конвейеры проверки: Инструменты создания контента, такие как WordLift, используют структурированные данные для проверки выходных данных ИИ.

Ключевое отличие состоит в том, что структурированные данные не влияют напрямую на ответы LLM, а скорее формируют поисковые системы ИИ посредством:

<ол>

Обучающие данные, включающие структурированную разметку.

Определения классов сущностей, помогающие понять.

Интеграция с традиционными расширенными результатами поиска.

Это делает реализацию структурированных данных все более важной для обеспечения видимости как на традиционных поисковых платформах, так и на поисковых платформах на основе искусственного интеллекта.

По мере того, как мы вступаем в новую эру AI Discovery, инвестиции в структурированные данные больше не ограничиваются только SEO – речь идет о создании семантического слоя, который позволяет машинам по-настоящему понимать и точно представлять, кем вы являетесь.

Эволюция семантического SEO: от структурированных данных к семантическим данным

<п>Практика SEO превратилась в семантическое SEO, выходя за рамки традиционной оптимизации ключевых слов и охватывая семантическое понимание:

Оптимизация на основе объектов

<ул>

Сосредоточьтесь на четких определениях и отношениях сущностей.

Реализация полных атрибутов объекта.

Стратегическое использование свойств SameAs для устранения неоднозначности объектов.

Сети контента

<ул>

Разработка взаимосвязанных кластеров контента.

Четкая разметка авторства и указания авторства.

Определения мультимедийных отношений.

Основные шаблоны реализации в JSON-LD

<ч3>Публикация контента <стр>Анализ шаблонов структурированных данных на миллионах веб-сайтов выявил три доминирующие тенденции внедрения для издателей контента.

Шаблоны JSON-LD для издателей контента. (Изображение автора, ноябрь 2024 г.)

Структура сайта &amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp; Навигация (+6 миллионов реализаций)

Доминирование веб-страниц → isPartOf → WebSite (5,8 миллиона) и WebPage → хлебные крошки → Отношения BreadcrumbList (4,8 миллиона) показывают, что основные веб-сайты отдают приоритет четкой архитектуре сайта и путям навигации.

Атрибуция контента иamp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp; Авторитет

Яркие закономерности возникают в отношении атрибуции контента:

<ул>

Статья → автор → Человек (925 000).

Статья → издатель → Организация (597,000).

Публикация в блоге → автор → Человек (217 000).

Такой акцент на авторстве и атрибуции организации отражает растущую важность сигналов E-E-A-T и авторитетности контента в поисковых алгоритмах.

<ч4>Интеграция мультимедийных материалов <п>Согласованная реализация разметки изображений для всех типов контента:

<ул>

Веб-страница → PrimaryImageOfPage → ImageObject (3 миллиона)

Статья → изображение → ImageObject (806 000)

Высокая частота контактов со СМИ указывает на то, что издатели признают ценность структурированного визуального контента как для видимости в поиске, так и для удобства пользователей.

Данные показывают, что издатели выходят за рамки базовой SEO-разметки и создают комплексные машиночитаемые графики контента, которые поддерживают как традиционный поиск, так и новые системы обнаружения AI.

Местный бизнес &amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp; Розничная торговля

Анализ реализации структурированных данных местного бизнеса выявил три критические группы шаблонов, которые доминируют в разметке на основе местоположения.

Шаблоны JSON-LD для местного бизнеса и розничной торговли. (Изображение автора, ноябрь 2024 г.) <ч4>Местоположение и усилитель; Доступность (+1,4 миллиона реализаций)

Широкое распространение разметки физического местоположения демонстрирует ее фундаментальную важность:

<ул>

Местный бизнес → адрес → Почтовый адрес (745 000).

Место → адрес → Почтовый адрес (658 000).

Организация → contactPoint → ContactPoint (334 000).

Местный бизнес → Спецификация часов открытия (519 000).

Большое присутствие этих основных операционных деталей предполагает, что они являются ключевыми факторами ранжирования для видимости в локальном поиске.

Географическая точность

Значительная реализация географических координат показывает фокус на точном местоположении:

<ул> <ли>Место → гео → Геокоординаты (231 000).

Местный бизнес → гео → Геокоординаты (205 000).

Этот двойной подход к местоположению (адрес + координаты) указывает на то, что поисковые системы ценят точное географическое позиционирование для точности локального поиска.

Сигналы доверия

Меньшая, но заметная группа паттернов фокусируется на репутации:

<ул>

Местный бизнес → обзор → Обзор (94 000)

Местный бизнес → совокупный рейтинг → Совокупный рейтинг (70 000)

Местный бизнес → фотографии → ImageObject (42 000)

Местный бизнес → делаетПредложение → Предложение (56,000)

Хотя эти элементы построения доверия реализуются реже, они создают более богатые местные бизнес-структуры, которые поддерживают как видимость поиска, так и принятие решений пользователями.

Электронная торговля (расширенный список)

<п>Анализ структурированных данных электронной коммерции выявляет сложные шаблоны реализации, ориентированные на обнаружение продуктов и оптимизацию конверсий.

Шаблоны JSON-LD для веб-сайтов электронной коммерции. (Изображение автора, ноябрь 2024 г.)

Информация об основном продукте (+4,7 миллиона внедрений)

Доминирование базовой наценки на товар показывает ее фундаментальную важность:

<ул>

Продукт → предлагает → Предложение (3,1 миллиона).

Предложение → продавец → Организация (2,2 миллиона).

Продукт → mainEntityOfPage → Веб-страница (1,5 миллиона).

Такой высокий уровень внедрения основных взаимоотношений с продуктами указывает на их решающую роль в обнаружении продукта и видимости для продавцов.

<ч4>Доверие &amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp; Социальное доказательство

Значительная реализация разметки, связанной с рецензиями:

<ул>

Продукт → обзор → Обзор (490 000).

Продукт → совокупный рейтинг → Совокупный рейтинг (201 000).

Обзор → обзорРейтинг → Рейтинг (110 000).

Существенное присутствие разметки отзывов позволяет предположить, что социальное доказательство по-прежнему имеет решающее значение для конверсии в электронной торговле.

<ч4>Расширенный контекст продукта

Реализация богатых атрибутов продукта показывает акцент на подробной информации о продукте:

<ул>

Продукт → бренд → Марка (315 000).

Продукт → дополнительное свойство → PropertyValue (253 000).

Продукт → изображение → ImageObject (182 000).

Предложение → Подробности доставки → ПредложениеДетали доставки (151,000).

<ли>Предложение → ценаСпецификация → ЦенаСпецификация (42 000).

Совокупное предложение → предлагает → Предложение (69 000).

Этот многоуровневый подход к атрибутам продукта создает комплексные сущности продукта, которые поддерживают как видимость поиска, так и принятие решений пользователем.

<ч2>Перспективы на будущее

Роль структурированных данных выходит за рамки их традиционной функции в качестве инструмента SEO для создания расширенных фрагментов и конкретных функций поиска. В эпоху открытия искусственного интеллекта структурированные данные становятся важнейшим фактором машинного понимания, меняя способы интерпретации и подключения контента в сети. Этот сдвиг заставляет отрасль <сильно><ем>думать за пределами оптимизации, ориентированной на Google, используя структурированные данные в качестве основы. компонент семантической сети, интегрированной с искусственным интеллектом.

Структурированные данные обеспечивают основу для создания взаимосвязанных машиночитаемых структур, которые жизненно важны для новых приложений искусственного интеллекта, таких как диалоговый поиск, графы знаний и системы генерации (Graph) с расширенным поиском (GraphRAG или RAG). . Эта эволюция требует двойного подхода: использование действенных типов схем для немедленных преимуществ SEO (богатых результатов) и инвестирование в комплексные описательные схемы, которые создают более широкую экосистему данных.

Будущее лежит за пересечением структурированных данных, семантического моделирования и систем обнаружения контента на основе искусственного интеллекта. Приняв более целостный подход, организации могут перейти от использования структурированных данных в качестве тактического дополнения к поисковой оптимизации к позиционированию их в качестве стратегического уровня для обеспечения взаимодействия ИИ и обеспечения возможности поиска на различных платформах.

Благодарности и благодарности

Этот анализ был бы невозможен без самоотверженной работы команды HTTP Archive и участников Веб-альманаха. Особая благодарность:

<стр>В полной главе «Структурированные данные Веб-альманаха» предлагается еще более глубокое понимание развивающейся ситуации в области реализации структурированных данных. <стр>По мере того, как мы приближаемся к будущему, основанному на искусственном интеллекте, стратегическая важность структурированных данных будет продолжать расти.