Структурированные данные в 2024 году: ключевые закономерности открывают будущее открытий искусственного интеллекта [исследование данных]

Как опытный цифровой маркетолог с более чем десятилетним опытом работы за плечами, я должен сказать, что идеи, представленные в этом всестороннем анализе, являются не чем иным, как откровением. То, как структурированные данные формируют будущее взаимодействия поиска и искусственного интеллекта, поистине увлекательно.

В 2024 году произошли существенные изменения в структуре структурированных данных, в первую очередь под влиянием резкого роста использования искусственного интеллекта (ИИ) в функциях поиска, растущей актуальности контента, который может быть прочитан машинами, а также необходимости привязывать обширные языковые модели к фактическим данным. .

Основываясь на последних результатах веб-альманаха HTTP Archive, исследование структурированных данных примерно на 16,9 миллионах сайтов указывает на явный переход от традиционных стратегий SEO к созданию расширенных графов знаний, которые подпитывают системы обнаружения, управляемые искусственным интеллектом.

В 2023 году Google прекратил поддержку некоторых расширенных результатов, таких как часто задаваемые вопросы и инструкции, но в то же время представил исключительное разнообразие новых типов структурированных данных, которые теперь включают списки автомобилей, информацию о курсах, аренду на время отпуска, страницы профиля и 3D модели изделий.

В феврале 2024 года компания расширила свою поддержку по вариантам продуктов и GS1 Digital Link, после чего в марте последовал бета-выпуск организованных каруселей данных.

Как человек, проработавший много лет в технологической отрасли, я могу с уверенностью сказать, что быстрая эволюция, которую мы наблюдаем в нашей экосистеме данных, действительно поразительна. Речь идет уже не только об улучшении результатов поиска; речь идет о создании прочной основы для реальных ответов ИИ, обучения языковых моделей и создания расширенного цифрового опыта.

Анализ и методология

Информация, представленная в этой статье, взята из раздела «Структурированные данные» веб-альманаха HTTP Archive за 2024 год. В этом годовом отчете рассматривается текущее состояние Интернета путем оценки использования структурированных данных примерно на 16,9 миллионах веб-сайтов. Доступ к этим наборам данных можно получить публично через BigQuery в таблицах под `httparchive.all.*` на дату `date = ‘2024-06-01’`. В отчете используются такие инструменты, как WebPageTest, Lighthouse и Wappalyzer, для сбора показателей форматов структурированных данных, уровня внедрения и производительности.

Тенденции внедрения структурированных данных

Анализ показывает убедительный рост основных форматов структурированных данных:

JSON-LD достиг 41% внедрения (+7% в годовом сопоставлении).
РДФа сохраняет лидерство с присутствием 66% (+3% г/г).
Внедрение Open Graph выросло до 64% (+5% г/г).
Использование метатегов X (Twitter) увеличивается до 45 % (+8 % в годовом сопоставлении).

Широкое использование подразумевает, что компании не только вкладывают деньги в структурированные данные для улучшения рейтинга в поисковых системах, но и для того, чтобы помочь ИИ и веб-сканерам понять и улучшить свои цифровые взаимодействия.

Графики открытий и знаний искусственного интеллекта

Отношения между структурированными данными и системами искусственного интеллекта развиваются сложным образом.

Хотя несколько многообещающих поисковых систем с генеративным искусственным интеллектом совершенствуют свои методы для использования структурированных данных, устоявшиеся системы, такие как Bing Copilot, Google Gemini и такие инструменты, как SearchGPT, похоже, демонстрируют ценность сущностно-ориентированного понимания, особенно для локальных целях поиска и проверки фактов.

Обучение и понимание сущностей

Поисковые системы с генеративным ИИ активно изучают большие базы данных, содержащие аннотации структурированных данных. Этот процесс обучения формирует то, как они работают и достигают результатов.

Распознавайте и классифицируйте объекты (продукты, местоположения, организации).
Реакция земли. Мы видим это в таких системах, как DataGemma, которые используют структурированные данные для обоснования ответов на проверяемых фактах.
Типы запросов, специфичные для процесса, такие как поиск местного бизнеса и продуктов.

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

Локальные бизнес-запросы, в которых атрибуты сущностей соответствуют шаблонам структурированных данных.
Запросы продуктов, отражающие структурированные данные, предоставленные продавцом.
Информация панели знаний, соответствующая определениям сущностей.

Интеграция с поисковыми системами

Различные платформы демонстрируют влияние структурированных данных посредством:

Традиционный поиск. Богатые результаты и панели знаний, основанные непосредственно на структурированных данных.
Интеграция поиска с использованием искусственного интеллекта:
<ул>
Bing Copilot показывает улучшенные результаты для структурированных объектов.
Google Gemini отражает информацию о диаграмме знаний.
Специализированные системы, такие как Perplexity.ai, демонстрируют 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).

Структурированные данные в 2024 году: ключевые закономерности открывают будущее открытий искусственного интеллекта [исследование данных]

Вот пример того, как Gemini и Google Search используют один и тот же факт.

Проверка и проверка данных

Структурированные данные обеспечивают механизмы проверки посредством:

График знаний. Такие системы, как Data Commons Google, 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 результатов ИИ.

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

Данные обучения, включающие структурированную разметку.
Определения классов сущностей, которые помогают понять.
Интеграция с традиционными расширенными результатами поиска.

Поскольку структурированные данные становятся все более важными, жизненно важно обеспечить их видимость как в обычных, так и в интеллектуальных поисковых системах, основанных на искусственном интеллекте.

В эпоху развития искусственного интеллекта инвестиции в организованные данные больше не предназначены только для поисковой оптимизации. Вместо этого речь идет о создании значимой основы или семантического слоя, который позволит машинам эффективно понимать и точно отображать вашу сущность.

Эволюция семантического SEO: от структурированных данных к семантическим данным

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

Оптимизация на основе сущностей

Сосредоточьтесь на четких определениях сущностей и отношениях.
Реализация комплексных атрибутов объекта.
Стратегическое использование свойств SameAs для устранения неоднозначности сущностей.

Контентные сети

Разработка взаимосвязанных контент-кластеров.
Четкая разметка авторства и указания авторства.
Определения мультимедийных отношений.

Ключевые шаблоны реализации в JSON-LD

Публикация контента

Изучение структур данных на многочисленных веб-сайтах, которых насчитывается в общей сложности миллионы, позволяет выделить три основные стратегии, которые часто используют контент-провайдеры.

Структура и навигация веб-сайта (+6 миллионов внедрений)

Преобладание веб-страниц, принадлежащих веб-сайтам (более 5,8 миллиона), и наличие веб-страниц, связанных с хлебными списками (около 4,8 миллиона), ясно указывают на сильный акцент на структурированном макете сайта и удобной навигации на крупных онлайн-платформах.

Структура сайта служит основой для реализации структурированных данных, а это означает, что поисковые системы придают большое значение этим показателям при интерпретации порядка информации и ее релевантности.

Атрибуция и авторитет контента

Вокруг атрибуции контента возникают устойчивые закономерности:

Статья → автор → Человек (925 000).
Статья → Издатель → Организация (597 000).
Публикация в блоге → автор → Человек (217 000).

Акцент на том, кто создал часть контента, и на авторитете ее организации становится все более важным, поскольку поисковые системы придают большее значение показателям экспертности, авторитетности, надежности (E-A-T) и общей авторитетности контента в своих системах ранжирования.

Мультимедийная интеграция

Последовательная реализация разметки изображений для всех типов контента:

Веб-страница → PrimaryImageOfPage → ImageObject (3 миллиона)
Статья → изображение → ImageObject (806 000)

Большое количество связей между СМИ позволяет предположить, что они признают важность хорошо организованного визуального контента, поскольку это повышает их видимость при поиске и улучшает взаимодействие с пользователем.

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 искусственного интеллекта.

Местный бизнес и розничная торговля

Анализ того, как местные предприятия реализовали свои структурированные данные, показывает три основных шаблона, которые наиболее распространены, когда речь идет о разметке на основе местоположения.

Расположение и доступность (+1,4 миллиона внедрений)

Широкое распространение разметки физического местоположения демонстрирует ее фундаментальную важность:

LocalBusiness → адрес → PostalAddress (745 000).
Место → адрес → Почтовый адрес (658 000).
Организация → contactPoint → ContactPoint (334 000).
LocalBusiness → Спецификация открытияHoursSpecification (519 000).

Ярким свидетельством того, что эти важные оперативные аспекты играют жизненно важную роль в обеспечении заметности местных обысков, является их солидный внешний вид.

Географическая точность

Значительная реализация географических координат показывает сосредоточенность на точном местоположении:

Место → гео → Геокоординаты (231 000).
LocalBusiness → geo → GeoCoordinates (205 000).

Использование адреса и координат при поиске местоположения подчеркивает важность, которую поисковые системы придают точному географическому расположению, повышая точность результатов локального поиска.

Сигналы доверия

Меньшая, но заметная группа шаблонов фокусируется на репутации:

LocalBusiness → обзор → Обзор (94 000)
LocalBusiness → AggregateRating → AggregateRating (70 000)
LocalBusiness → фотографии → ImageObject (42 000)
LocalBusiness → makeOffer → Offer (56 000)

Включение этих функций укрепления доверия, хотя и не всегда используется, обогащает местный бизнес, расширяя его присутствие в Интернете, а также помогая пользователям принимать обоснованные решения.

Электронная торговля (расширенный список)

Изучение организованной информации в интернет-магазинах показывает, что используются передовые стратегии, в первую очередь направленные на облегчение поиска продуктов и повышение шансов на продажу.

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

Доминирование базовой товарной наценки показывает ее принципиальную важность:

Товар → предложения → Предложение (3,1 млн).
Предложение → Продавец → Организация (2,2 млн).
Продукт → mainEntityOfPage → Веб-страница (1,5 миллиона).

Быстрое признание этих фундаментальных связей между продуктами позволяет предположить, что они играют решающую роль в процессе изучения продукта и его воздействия на продавцов.

Доверие и социальное доказательство

Значительная реализация разметки, связанной с отзывами:

Товар → обзор → Обзор (490 000).
Продукт → AggregateRating → AggregateRating (201 000).
Обзор → ОбзорРейтинг → Рейтинг (110 000).

Как специалист по цифровому маркетингу, я не могу не отметить важную роль, которую разметка отзывов играет в повышении конверсий в электронной коммерции. Другими словами, похоже, что социальное доказательство по-прежнему имеет огромное значение, когда дело доходит до решений о покупках в Интернете.

Расширенный контекст продукта

Реализация расширенных атрибутов продукта демонстрирует акцент на подробной информации о продукте:

Товар → бренд → Бренд (315 000).
Продукт → Дополнительное свойство → Значение свойства (253 000).
Товар → изображение → ImageObject (182 000).
Предложение → Сведения о доставке → ПредложениеСведения о доставке (151 000).
Предложение → Спецификация цены → Спецификация цены (42 000).
Совокупное предложение → предложения → Предложение (69 000).

Использование многоуровневой стратегии для функций продукта создает подробные профили продуктов, повышая их обнаруживаемость при поиске, а также помогая пользователям принимать обоснованные решения.

Перспективы на будущее

Значимость структурированных данных выходит за рамки их первоначальной цели в качестве SEO-актива для создания расширенных фрагментов и специализированных функций поиска. В эпоху искусственного интеллекта структурированные данные становятся важнейшим средством машинного понимания, меняя способы понимания и связывания контента в Интернете. Этот переход заставляет отрасль сосредоточиться на стратегиях оптимизации, которые выходят за рамки подходов, ориентированных на Google, и ценят структурированные данные как ключевой элемент семантической сети, интегрированной с искусственным интеллектом.

Структурированные данные служат основой для создания взаимосвязанных, понятных систем, предназначенных для машин. Эти системы имеют решающее значение для современных приложений искусственного интеллекта, таких как диалоговый поиск, карты знаний и системы, которые улучшают генерацию с использованием графов (GraphRAG или RAG). Эта разработка требует двойной стратегии: использование практических типов схем для получения немедленных преимуществ SEO (богатых результатов) и одновременной разработки подробных описательных схем для создания более широкой сети данных.

Как профессионал в области цифрового маркетинга, я твердо верю, что будущее нашей области лежит на перекрестке структурированных данных, семантического моделирования и интеллектуальных систем обнаружения контента. Перейдя к более комплексному подходу, организации могут превратить использование структурированных данных из тактического улучшения SEO в стратегическую основу для обеспечения взаимодействия ИИ и обеспечения прозрачности на нескольких платформах.

Кредиты и Благодарности

Полная глава «Структурированные данные веб-альманаха» предлагает еще более глубокое понимание меняющейся ситуации в области реализации структурированных данных.

На нашем пути к будущему, в котором доминирует искусственный интеллект, значимость хорошо организованных данных будет только возрастать с точки зрения их стратегической ценности.

Смотрите также

2024-12-03 15:39