Czy dane strukturalne są przyszłością SEO?
W mojej ocenie dane strukturalne są traktowane przez specjalistów SEO trochę po macoszemu. Wprawdzie wykorzystywane są one przy optymalizacji stron internetowych, jednak mało kto wie, jaki potencjał się za nimi kryje. Zapraszam na pierwszy z cyklu artykułów poświęconych danym uporządkowanym w SEO.
- Autor:
- Daniel Jędrysik
- Czas czytania:
- 8 min
- Publikacja:
- 2 października 2023
- Aktualizacja:
- 2 października 2023
- Kategorie:
Przy pozycjonowaniu stron cel jest jeden — uplasować stronę jak najwyżej w wynikach wyszukiwania na wartościowe frazy, czy to te z największym ruchem, czy też te, które będą generować jak największą sprzedaż. Od lat przepis na skuteczne SEO się nie zmienił. Modyfikacji ulegały proporcje poszczególnych składników oraz stosowane techniki. Nadal trzeba dbać o sprawy techniczne na stronie, oryginalne i wartościowe treści oraz odnośniki, które prowadzą do naszej strony. Ale czy w przypadku wejścia do gry nowej generacji wyszukiwarek wspieranych sztuczną inteligencją tradycyjne metody SEO będą nadal wystarczające?
Z pewnością tak, ale w mojej ocenie, kluczem do generowania ruchu w nowej rzeczywistości mogą okazać się niedoceniane i owiane tajemnicą dane strukturalne.
Jeżeli chcesz poznać tajniki danych strukturalnych, zanim stanie się to modne, to trafiłeś w dobre miejsce. Z tego artykułu dowiesz się, dlaczego dane strukturalne to sekret sukcesu w nowej erze SEO i jak możesz je wykorzystać, by wyprzedzić konkurencję.
Zaczynajmy!
Czym są dane strukturalne?
Zanim zanurkujemy głębiej, przedstawię Ci, czym są dane strukturalne?
Dane strukturalne (z ang. structured data) to dane, które zorganizowane są w pewien z góry ustalony sposób — tabel, list czy grafów. Taki sposób organizacji pozwala komputerom w łatwy sposób je interpretować i analizować. Jest on też o wiele bardziej czytelny dla człowieka, niż informacje umieszczone bezpośrednio w tekście.
Inne nazwy, z którymi możesz się spotkać, to dane ustrukturyzowane lub dane uporządkowane.
Dane strukturalne i niestrukturalne
Jak już pewnie się domyślasz, dane niestrukturalne to wszelkiego rodzaju dane, które nie są zorganizowane i nie mają jasno określonego formatu.
Przykładami takich danych są treści czy zdjęcia, z których składają się strony internetowe. Bez głębszej analizy nie sposób jest określić wzorców czy relacji pomiędzy poszczególnymi danymi.
Z analizą danych niestrukturalnych radzimy sobie stosunkowo łatwo, jednak maszyny muszą do tego wykorzystywać zaawansowane algorytmy i techniki przetwarzania języka naturalnego (ang. Natural Language Processing — NLP). Postęp w tej dziedzinie w ostatnich latach jest zdumiewający, co umożliwia komputerom analizowanie i rozumienie coraz bardziej skomplikowanych tekstów czy obrazów. Nadal jednak proces ten nie jest idealny.
I tutaj właśnie upatruję szansę dla danych strukturalnych. Można je łatwo przeszukiwać i analizować z pomocą różnych narzędzi i technik. Są one idealne w przypadku aplikacji analitycznych, uczenia maszynowego i rozwoju sztucznej inteligencji.
W przeciwieństwie do danych niestrukturalnych dane strukturalne mają jasno określone wzorce i relacje między danymi.
Spójrz na przykład:
W firmie XYZ pracuje 3 pracowników. Joanna Nowak, która kończy we wrześniu 34 lata, Henryk Kowal mający 40 lat i prezes Zbigniew Wiśniewski obchodzący w tym roku półwiecze. Zarówno Joanna jak i Henryk mieszkają przy ulicy Bordowej — odpowiednio pod numerami 13 i 34. Z kolei Zbigniew mieszka przy ul. Grafitowej 2.
Poniższy tekst jest czytelny dla człowieka, choć trzeba chwilę się zastanowić, aby przyporządkować poszczególne informacje do konkretnych osób.
Uporządkujmy teraz ten tekst i stwórzmy tabelę z pracownikami tej firmy.
| Imię | Nazwisko | Wiek | Adres |
|---|---|---|---|
| Joanna | Nowak | 34 | ul. Bordowa 13 |
| Henryk | Kowal | 40 | ul. Bordowa 34 |
| Zbigniew | Wiśniewski | 50 | ul. Grafitowa 2 |
Jak widzisz, taka forma organizacji informacji jest o wiele łatwiejsze do analizy i interpretacji.
Ta tabela może zostać zapisana w postaci pliku CSV (ang. Comma-Separated Values), który wykorzystywany jest właśnie do przechowywania danych ustrukturyzowanych. Każda linijka w takim zapisie to jeden rekord (w tym przypadku jedna osoba), a poszczególne wartości oddzielone są przecinkami.
Zaletą tego formatu jest łatwość tworzenia i obsługi przez ludzi i komputery.
Pewnie się zastanawiasz, czy można uporządkować te same dane z zastosowaniem innego formatu?
Oczywiście. Innym popularnym formatem jest JSON (ang. JavaScript Object Notation — Notacja Obiektów JavaScript). Tutaj zapis jest nieco bardziej skomplikowany, jak w przypadku tabeli, jednak daje on większe możliwości.
Przyjrzyj się poniższej strukturze:
{
"osoby":
[
{
"imie": "Joanna",
"nazwisko": "Nowak",
"wiek": 34,
"adres": "ul. Bordowa 13"
},
{
"imie": "Henryk",
"nazwisko": "Kowal",
"wiek": 40,
"adres": "ul. Bordowa 34"
},
{
"imie": "Zbigniew",
"nazwisko": "Wiśniewski",
"wiek": 50,
"adres": "ul. Grafitowa 2"
}
]
}Co możesz zauważyć?
Każda osoba to obiekt, który ma swoje właściwości: imię, nazwisko, wiek i adres. Informacje te umieszczone są w nawiasach klamrowych, a pojedyncze obiekty zagnieżdżone są w obiekcie nadrzędnym „osoby”.
Taki sposób porządkowania danych jest bardziej elastyczny, ponieważ umożliwia tworzenie złożonych struktur, a także ukazuje relacje pomiędzy poszczególnymi obiektami. JSON jest także bardziej odpowiedni do przetwarzania danych przez komputery, a języki programowania posiadają gotowe biblioteki do pracy z danymi zapisanymi w tym formacie.
Oczywiście to nie jedyne sposoby na strukturyzowanie danych. Informacje w uporządkowanej strukturze przechowywać możemy:
- w formacie XML (Extensible Markup Language),
- w formacie YAML (YAML Ain't Markup Language),
- w relacyjnych bazach danych,
- w bazy danych NoSQL,
- w formacie binarnym,
- w tabelach arkuszy kalkulacyjnych.
Co ciekawe, niektóre branże wykształciły własne specyficzne formaty, dostosowane do ich potrzeb. Przykładem tutaj może być format HL7 (Health Level Seven), który umożliwia wymianę informacji klinicznych, finansowych i administracyjnych między systemami informatycznymi organizacji medycznych.
Zalety wykorzystywania danych ustrukturyzowanych
Stosowanie danych strukturalnych niesie ze sobą wiele korzyści. Oto najważniejsze z nich.
Efektywne zarządzanie danymi
Stosowanie danych uporządkowanych pozwala na bardziej efektywne zarządzanie danymi. Określona struktura umożliwia maszynom wykonywanie na zawartych w niej danych szeregu operacji takich jak sortowanie, filtrowanie czy kategoryzowanie. I robi to znacznie wydajniej niż w przypadku danych niestrukturalnych, które najpierw trzeba wstępnie ustrukturyzować. Ponadto wyszukiwanie w zbiorze ustrukturyzowanym jest bardziej precyzyjne.
Wymiana danych
Dzięki wykorzystywaniu popularnych formatów (bazy relacyjne, pliki CSV czy JSON) możliwa jest łatwa wymiana danych między aplikacjami czy systemami informatycznymi. Między innymi pozwoliło na dynamiczny rozwój technologii w ostatnich latach.
Łatwiejsza analiza
Takie dane lepiej się analizuje i wyciąga z nich wnioski. Można je poddać zaawansowanym technikom analitycznym, takim jak data mining (odkrywanie ukrytych wzorców czy informacji w dużych zbiorach danych) czy uczenie maszynowe (tworzenie algorytmów i modeli, które umożliwiają komputerom „uczenie się” na podstawie danych i doświadczeń). Te techniki z kolei pomagają podejmować m.in. trafniejsze decyzje biznesowe.
Wiarygodność i spójność
Dane strukturalne są bardziej wiarygodne i spójne. Dzięki jasno określonym regułom można szybciej wykrywać błędy i z większą skutecznością je naprawiać. Ostatecznie podnosi to jakość danych umieszczonych w usystematyzowanej strukturze.
Wady i ograniczenie danych strukturalnych
Oczywiście dane strukturalne mają także swoje wady i ograniczenia. Przyjrzyjmy się im.
Niska elastyczność
Jeżeli chcielibyśmy do istniejącego schematu wprowadzić nowy typ danych, możemy napotkać duży problem. W takim przypadku schemat wymagać będzie przebudowy, co z kolei pociąga za sobą dodatkowe koszty.
Ograniczona złożoność
Za pomocą danych strukturalnych nie zawsze uda się nam w pełni oddać sytuację ze świata rzeczywistego.
Ograniczony kontekst
Niejednokrotnie danym strukturalnym brakuje kontekstu (który łatwo wyłapać w danych niestrukturyzowanych). Utrudnia to zrozumienie znaczenia i istotności takich danych.
Koszty
Budowanie, przechowywanie czy przetwarzanie danych w postaci ustrukturyzowanej wymaga zastosowania tabel relacyjnych i innych powiązanych technologii, co może być drogie.
Dane strukturalne a wyszukiwarki
Przejdźmy do sedna artykułu, czyli do stosowania danych strukturalnych na stronach internetowych.
Na jednej ze stron Centrum wyszukiwarki Google przeczytać możemy:
Google wykorzystuje znalezione w internecie uporządkowane dane do rozpoznawania treści na stronie oraz do gromadzenia ogólnych informacji o sieci i świecie, takich jak informacje o ludziach, książkach lub firmach, uwzględnione w znacznikach
Oznacza to, że Google poza analizą zawartości stron za pomocą zaawansowanych algorytmów przetwarzających język naturalny, wykorzystuje także dane strukturalne, aby lepiej zrozumieć poszczególne pojęcia i relacje między nimi. Dodając na stronę dane uporządkowane, ułatwiamy pracę wyszukiwarce, co prowadzi do lepszego sklasyfikowania przez nią strony.
Zastosowanie odpowiednich danych strukturalnych na stronie internetowej pozwala też na wyświetlenie bardziej szczegółowych wyników wyszukiwania czy fragmentów treści w wynikach organicznych. Google pokazuje dodatkowe informacje w postaci tzw. Rich Snippets — wyników rozszerzonych, które oprócz standardowych informacji (tytuł i opis strony) zawierać mogą jeszcze m.in.:
- datę publikacji,
- cenę,
- ocenę,
- dostępność produktu,
- liczbę kalorii czy czas przygotowania posiłku.
Czy dane strukturalne są czynnikiem rankingowym?
Nie. Sama obecność danych uporządkowanych nie powoduje nagłego wzrostu wartości strony dla wyszukiwarki i wyświetlania jej na wyższych pozycjach.
Czy warto więc je dodawać?
Jak najbardziej tak. Dodanie odpowiednich danych strukturalnych, które powodują wyświetlenie wyników rozszerzonych, może podnieść CTR, czyli stosunek kliknięć linku do jego wyświetleń w wynikach wyszukiwania. Z kolei większe zainteresowanie danym linkiem prowadzi do tego, że wyszukiwarka zaczyna również uważać go za bardziej wartościowy. A to już prosta droga do osiągnięcia topowych pozycji na pożądane frazy.
Przyszłość danych strukturalnych
Sposób, w jaki obecnie patrzymy na dane strukturalne, może się znacząco zmienić za sprawą Search Generative Experience — testowej wyszukiwarki, która działa z wykorzystaniem sztucznej inteligencji do przygotowywania odpowiedzi na bardziej złożone pytania użytkowników. W mojej ocenie przewagę tutaj mogą mieć strony, które już na starcie „nakarmią” algorytmy ustrukturyzowanymi danymi pokazującymi relację pomiędzy poszczególnymi obiektami (encjami z ang. entity).
Wprowadzenie na stronę danych strukturalnych sprawia, że tworzymy własny graf wiedzy, a on z kolei może posłużyć wyszukiwarce do udzielania precyzyjnych odpowiedzi. Jeżeli to z naszej strony będą pochodzić informacje, Google nagrodzi nas wysokim miejscem w nowej wersji wyszukiwarki.
Budowa grafu wiedzy z użyciem danych strukturalnych nie jest zadaniem prostym, jednak jestem przekonany, że będzie to tajna broń w nadchodzącej bitwie o czołowe pozycje w Google.
W kolejnych artykułach przybliżę Ci, w jaki sposób zacząć tworzyć własny graf i jak łączyć go z już istniejącymi.
Od 2018 roku związany jestem z marketingiem internetowym. Specjalizuję się w optymalizacji stron internetowych i sklepów. Obecnie pełnię funkcję Marketing Managera w Agencji KS. Prywatnie jestem miłośnikiem fantastyki oraz zapalonym czytelnikiem.