تقریباً دو دهه، جستجو با یک مدل تطبیق کلمه به کلمه کار کرده است. کاربر یک کلمه میزند. سایت حول همان کلمه بهینه شده. سایتی که بهترین تطبیق را دارد، همراه با backlink و سیگنالهای on-page، جایگاه اول را میگیرد.
چیزی که الان داریم میبینیم یک حرکت تدریجی به سمت یک مدل متفاوت است. جستجو کمکم کمتر شبیه تطبیق کلمه به کلمه و بیشتر شبیه تطبیق دیتابیس به دیتابیس رفتار میکند. پیامدهای این تغییر، بهخصوص برای کسبوکارهای مکانمحور، هنوز توسط بیشتر صنعت درست فهمیده نشده.
حالا جستجوگر هم یک دیتابیس همراهش دارد
یکی از جنبههای کمتر بحثشدهی این تغییر، چیزی است که در سمت کاربر اتفاق افتاده. وقتی کسی از یک دستیار AI برای جستجو استفاده میکند، دیگر صرفاً یک کلمه در نوار جستجو تایپ نمیکند. او با یک دیتابیس شخصی از context وارد میشود که نحوهی تفسیر کوئری را شکل میدهد.
ChatGPT memory ترجیحات کاربر، مکالمات قبلی، فکتهای ذخیرهشده و تمهای تکرارشونده را در هر session ذخیره میکند. وقتی کاربر سؤالی میپرسد، ChatGPT پاسخ را بر اساس تازگی، تکرار و تطبیق context با آن حافظهی ذخیرهشده اولویتبندی میکند.
Perplexity AI Profiles یک قدم جلوتر میرود. کاربرها فعالانه موقعیت، علایق، نیازهای غذایی، زبان ترجیحی، سبک ارتباط و context شخصیشان را وارد میکنند. Perplexity این context را قبل از این که موتور جستجو حتی شروع به کار کند، داخل هر کوئری لود میکند.
ChatGPT حالا موقعیت real-time را هم به اشتراک میگذارد تا پاسخهای محلی دقیقتری بدهد. Gemini به اکوسیستم گستردهتر سیگنالهای کاربری Google وصل است. هر موتور جستجوی AI با هر تعامل، یک دیتابیس کاربری غنیتر و شخصیتر میسازد.
تا زمانی که یک کوئری ارسال میشود، دستیار AI از قبل با یک پروفایل ساختاریافته از این که کاربر کیست، کجاست و معمولاً دنبال چه چیزی میگردد کار میکند. ورودی دیگر یک کلمه نیست. یک دیتاست متنی است.
سمت وبسایت این معادله
اینجاست که یک عدم تقارن ظاهر میشود. خیلی از سایتها هنوز عمدتاً حول سیگنالهای کلمهمحور بهینه شدهاند: title tag، meta description و backlink، که هنوز در کشف و اعتماد نقش دارند. چیزی که اغلب کمتر توسعهیافته است، لایهی دیتابیس ساختاریافتهای است که سیستمهای AI حالا برای تفسیر و ذکر محتوا به آن متکی هستند.
یک کلمه میگوید: «این صفحه دربارهی پارکینگ است.»
یک دیتابیس میگوید: «این محل ۴۰ جای پارک در عرض جغرافیایی 41.9028 و طول جغرافیایی 12.4964 دارد. ارتفاع مجاز ۲.۱ متر است. نرخ ساعتی ۳ یورو است. نزدیکترین گزینهی جایگزین ۲۰۰ متر به سمت شرق است. ملک در فاصلهی پیادهروی ۱۲ رستوران در ۳۰۰ متری است. در محلهی Trastevere قرار دارد. در ۴ دقیقه به خط B مترو متصل میشود.»
موضوع یکی است. قدرت سیگنال کاملاً متفاوت.
موتورهای جستجوی AI بیشتر به entity extraction تکیه میکنند تا تطبیق الگوی متنی خالص. آنها entity ها را از دادهی ساختاریافته بیرون میکشند و با context کاربر تطبیق میدهند. فقط Google Knowledge Graph تقریباً ۱.۶ تریلیون فکت در مورد ۵۴ میلیارد entity دارد، که کمی ایده میدهد از مقیاس دیتابیسی که سیستمهای AI با آن تطبیق میدهند.
وقتی یک سایت دادهی خودش را در فرمت ساختاریافته و machine-readable در معرض دید نگذارد، برای AI سخت میشود که آن را در این فرایند تطبیق بگنجاند. نتیجهاش خیلی افت رتبه نیست، بلکه کاهش احتمال این است که اصلاً در نظر گرفته شود.
دادهها چه میگویند
تفاوت عملکرد بین محتوای کلمهمحور و محتوای entity محور یا ساختاریافته قابل توجه است. در یک مطالعه روی دقت GPT-4 روی محتوا با و بدون دادهی ساختاریافته، نرخ پاسخ درست از ۱۶ درصد به ۵۴ درصد بالا رفت. مدل و سؤال یکسان بود. زیرساخت داده یکسان نبود.
یافتههای دیگر هم همین جهت را نشان میدهند. Schema markup با ۶۷۷ درصد افزایش در ظاهر شدن featured snippet مرتبط است. محتوای entity-optimized تقریباً ۵۰ درصد بیشتر احتمال دارد در featured snippet ظاهر شود. محتوای محاورهای و ساختاریافته حدوداً ۴ برابر نرخ citation AI محتوای کلمهمحور سنتی را میگیرد.
یک عدد بهخصوص ارزش توجه دارد: ۸۳.۳ درصد citation های AI Overview از صفحاتی میآیند که خارج از ۱۰ نتیجهی ارگانیک اول سنتی هستند.
این نشان میدهد که رتبهی ارگانیک سنتی و citation AI دارند تا حدی از هم جدا میشوند. صفحاتی که در جستجوی معمولی خوب رتبه میگیرند لزوماً همان صفحاتی نیستند که سیستمهای AI ذکر میکنند. به نظر میرسد دادهی ساختاریافته و entity-rich نقش رو به رشدی در تعیین اینکه کدام صفحات دیده میشوند دارد.
مطالعات موردی از استراتژیهای entity-first افزایش visibility تا ۱۴۰۰ درصد در عرض شش ماه را ثبت کردهاند، هرچند نتایجی با این بزرگی در بالای بازهی گزارششده هستند.
وقتی دو دیتابیس همراستا میشوند
وقتی context سمت کاربر و دادهی ساختاریافتهی سمت وبسایت خوب همراستا باشند، AI نیاز کمتری به استنباط یا پر کردن جاهای خالی دارد. میتواند فکتهای ساختاریافته را از سایت بیرون بکشد، آنها را با پروفایل و نیت کاربر مقایسه کند و با اطمینان و دقت بالاتر پاسخ بدهد.
یک کاربر در لیسبون را تصور کنید که Perplexity Profile اش شامل ترجیح برای شهرهای قابل پیادهروی و کافههای روباز است. او دنبال یک محلهی آرام برای اقامت آخر هفته میگردد.
به جای این که دستیار دنبال عبارت «محلهی آرام» بگردد، میتواند ترجیحات ذخیرهشده (walkability، outdoor seating، context کار از راه دور) را با دادهی ساختاریافتهی املاک موجود تطبیق بدهد: فاصلههای پیادهروی isochrone، امتیاز تراکم، تعداد کافههای اطراف، سطوح سروصدا، دسترسی به حملونقل.
در این سناریو، listing ای که بالا میآید لزوماً آن نیست که قویترین متن مارکتینگ یا بیشترین تعداد نظر را دارد. آن است که دادهی ساختاریافتهاش نزدیکترین همراستایی را با context کاربر دارد.
ملاحظات عملی برای کسبوکارها
۱. برخورد با سایت به عنوان یک دیتابیس. مفید است که هر صفحه را کمتر به عنوان یک سند مارکتینگ و بیشتر به عنوان مجموعهای از رکوردها ببینید. در این قاببندی، هر پاسخ FAQ یک فکت machine-readable میشود و هر فیلد با یک data point ساختاریافته متناظر است. FAQ های مکانمحور شروع خوبی برای این تغییر طرز فکر هستند.
۲. JSON-LD به عنوان فرمت استاندارد. JSON-LD توسط تقریباً ۷۰ درصد سایتهایی که دادهی ساختاریافته پیاده میکنند استفاده میشود، عمدتاً چون فرمتی است که سیستمهای AI با کمترین اصطکاک میتوانند از آن استخراج کنند. JSON-LD همچنین نشان داده که حدوداً ۶۰ درصد مؤثرتر از microdata برای تشخیص AI است. entity های اصلی مثل business، location، service، FAQ، product و event از این که در schema مناسب پیچیده شوند سود میبرند. راهنمای ما برای JSON-LD schema برای citation AI کسبوکار محلی جزئیات سطح فیلد را پوشش میدهد.
۳. اولویت با entity های مکانی. برای کسبوکارهای مکانمحور، فیلد geo داخل JSON-LD schema وزن خاصی دارد. مختصات، service area، ساعات کاری، دسترسی به حملونقل و context محله یک آدرس ساده را به یک entity مکانی machine-readable تبدیل میکنند. MapAtlas GeoEnrich دادهی proximity تأییدشدهای که این فیلدها را پر میکند تولید میکند و Geocoding آدرس خام را در مقیاس به مختصات دقیق تبدیل میکند.
۴. یکسانی داده بین پلتفرمها. ناسازگاری بین Google Business Profile، سایت، Yelp و منابع مشابه به نظر میرسد امتیاز اعتماد را در سیستمهای AI کاهش میدهد. دادهی یکسان بین پلتفرمها معمولاً از هر سیگنال تکی تأثیرگذارتر است. یکسانی NAP برای جستجوی AI مکانیزم را با جزئیات بیشتر پوشش میدهد.
۵. audit کردن exposure دادهی موجود. اندازهگیری این که واقعاً چه چیزی در معرض AI است معمولاً نقطهی شروع مفیدی است. ابزار رایگان MapAtlas AEO Checker یک listing را در برابر ۲۹ سیگنال ساختاریافته ارزیابی میکند و نشان میدهد کدامها الان گم هستند.
تغییر بزرگتر
جهت حرکت با مجموعهای ثابت از data point ها پشتیبانی میشود. ترافیک جستجوی AI تقریباً ۷۲۱ درصد سال به سال رشد کرده. تخمین زده میشود تا سال ۲۰۲۶، ۳۰ درصد از تعاملات جستجو از طریق AI اتفاق بیفتد. Gartner پیشبینی کرده که حجم موتور جستجوی سنتی ممکن است حدود ۲۵ درصد کاهش پیدا کند چون کاربرها به سمت دستیارهای AI حرکت میکنند.
روی هم رفته، این ترندها چیزی ساختاریتر از یک تاکتیک SEO جدید یا تنظیم در روشهای موجود schema را نشان میدهند. به نظر میرسد مکانیزم تطبیق بین کاربرها و کسبوکارها در سطح بنیادیتری دارد تغییر میکند.
جایی که SEO کلمهمحور هدفش برنده شدن کوئریهای خاص بود، بهینهسازی در سطح entity تمایل دارد موضوعات وسیعتری را پوشش بدهد. همراستایی دیتابیس به دیتابیس، به عنوان یک قاببندی نوظهور، به کل مکالمه بین context کاربر و دادهی ساختاریافتهی یک کسبوکار میپردازد.
بهخصوص برای کسبوکارهای مکانمحور، در معرض گذاشتن دادهی تمیز و ساختاریافته و همراستا کردن اطلاعات entity با نحوهی خواندن وب توسط سیستمهای AI احتمالاً در سالهای آینده بخش مهمی از استراتژی کشف خواهد شد.
مطالعهی بیشتر:
- راهنمای کامل AEO برای کسبوکارهای محلی
- عوامل citation توسط AI: دامنه، schema و دادهی جغرافیایی
- چطور AI سایت شما را در ۲۰۲۶ پیدا میکند
- امتیاز visibility AI سایتتان را رایگان چک کنید
سوالات متداول
«SEO دیتابیس به دیتابیس» یعنی چه؟
این اصطلاح تغییر از تطبیق کلمه به کلمه در جستجوی سنتی به تطبیق entity به entity در جستجوی AI را توصیف میکند. کاربر با یک پروفایل ساختاریافته شامل ترجیحات، موقعیت و context وارد دستیار AI میشود. وبسایتها هم باید یک لایهی متناظر از دادهی ساختاریافته داشته باشند، یعنی مختصات، POI های اطراف، ساعات کاری و context محله، تا AI با اطمینان آنها را در پاسخش بیاورد. ارتباط بر اساس میزان همراستایی دو دیتاست تعیین میشود، نه تعداد تکرار یک کلمه در صفحه.
چرا SEO صرفاً کلمهمحور دیگر مؤثر نیست؟
SEO کلمهمحور برای عبارتی که کاربر تایپ میکند بهینه میشود. اما دستیارهای AI دیگر فقط روی یک عبارت کار نمیکنند. آنها حافظهی ذخیره شده، دادهی پروفایل، موقعیت به اشتراک گذاشته شده و تاریخچهی مکالمه را در یک دیتاست متنی ترکیب میکنند. صفحهای که عبارت «محلهی آرام» را تکرار میکند چیز زیادی به AI نمیگوید. اما صفحهای با امتیاز walkability ساختاریافته، دادهی سروصدا، دسترسی به حملونقل و فاصله تا کافهها در سطح entity با context کاربر تطبیق پیدا میکند و احتمال ذکر شدنش بیشتر است.
کدام فرمتهای دادهی ساختاریافته بیشترین تأثیر را در citation توسط AI دارند؟
JSON-LD فرمت غالب است. حدود ۷۰ درصد سایتهایی که دادهی ساختاریافته پیاده میکنند از JSON-LD استفاده میکنند و تقریباً ۶۰ درصد مؤثرتر از microdata برای تشخیص توسط AI است. برای کسبوکارهای مکانمحور، فیلدهای `geo`، `address`، `amenityFeature`، `nearbyAttraction` و `publicAccess` داخل تایپهای Schema.org مثل `LodgingBusiness`، `Hotel`، `Restaurant` و `LocalBusiness` بیشترین وزن را دارند.
چطور دادهی ساختاریافتهی سایتم را audit کنم؟
ابزار رایگان MapAtlas AEO Checker را در mapatlas.eu/ai-seo-checker اجرا کنید. این ابزار یک listing را در برابر ۲۹ سیگنال ساختاریافته که سیستمهای AI برای تصمیمگیری در citation استفاده میکنند ارزیابی میکند و نشان میدهد کدام فیلدها گم هستند، ناقصاند یا با بقیهی منابع عمومیتان همخوانی ندارند.
بیشترین تأثیرگذارترین اولین قدم برای یک کسبوکار مکانمحور چیست؟
یک proximity inventory تأییدشده برای هر مکان تولید کنید. POI های دقیق اطراف، فاصله تا حملونقل و context محله فیلدهایی هستند که دستیارهای AI بیشترین استفاده را برای تطبیق یک کسبوکار با یک کوئری محاورهای از آنها میکنند و معمولاً هم همین فیلدها در صفحات listing گم هستند. MapAtlas GeoEnrich این داده را در مقیاس تولید میکند تا مستقیماً داخل markup Schema.org و متن صفحه جاسازی شود.
