Yapay Zeka Alıntı Faktörleri: Kararı Veren Üç Katman (Domain, Schema

Yapay zeka arama sıralaması hakkındaki çoğu rehber iki katmanı ele alır: domain authority ve schema markup. Bu rehberler yanlış değildir, ancak özellikle listeleme sayfalarını, mülk portallarını, tatil kiralama platformlarını ve envanteri konum tabanlı olan herhangi bir siteyi zararlı şekilde tamamlanmış bir şekilde ele alırlar.

Üçüncü katman coğrafi verileridir. En az belgelenmiş, en sık eksik olan ve sayfalarınızın konum tabanlı sorguları cevaplamada başarılı olup olamayacağını belirleyen katmandır. AEO'nun gerçekte ne anlama geldiğini anlamak başlangıç noktasıdır, ancak bu rehber bireysel sayfaların alıntılanıp alıntılanmayacağını belirleyen yapısal faktörleri daha derinlemesine inceleme yapır.

Katman 1: Domain ve Entity Authority

Domain authority, giriş gereksinimidir, sıralama sinyali değildir. Bunu bir eşik olarak düşünün. Kabaca DA 20 ila 30 altında bulunan alanlardan gelen sayfalar, içerik kalitesine bakılmaksızın, rekabetçi sorgular için nadiren yapay zeka alıntı havuzlarında görünür. Bu eşiğin üstünde, ham DA'nın alıntı sıklığı ile ilişkisi zayıflar.

DA tabanının üstündeki birincil sinyali değiştiren şey, entity authority'dir: yapay zeka modellerinin sitenizin ne olduğunu, neyi kapsadığını ve kime hizmet ettiğini ne kadar açık ve tutarlı bir şekilde anlaması.

Web genelinde tutarlı entity kimliği. Kuruluş adınız, adresiniz, URL'niz ve kategoriniz, kendi site şemanız, Google Business Profile'ınız, endüstri dizinleri ve alıntı kaynaklarında tam olarak aynı şekilde görünmelidir. NAP tutarsızlığı, entity kimliğinizi doğrudan bir güçlü temsilin yerine birden çok zayıf temsile böler.

Tematik uyum. Yapay zeka modelleri, sitenizin net, tutarlı bir konu kümesine sahip olup olmadığını değerlendirir. Dar bir niş içinde 30 makalesi olan bir site, aynı DA'nın 20 ilişkisiz konu arasına yayılmış bir siteden daha fazla entity-otoriter'tir.

sameAs referansları. JSON-LD'nizdeki sameAs özelliği, entity'nizi Wikidata, Crunchbase, LinkedIn ve diğer otoriter grafiklerdeki temsilleriyle bağlar. Yapay zeka modelleri, bunu düşündükleri entity'nin birden çok kaynakta açıklanan aynı entity olduğunu doğrulamak için kullanırlar. Tam LocalBusiness JSON-LD uygulama rehberi bunu doğru şekilde nasıl yapılandıracağınızı kapsar.

Alanınız DA tabanını aşarsa, entity authority iyileştirmeleri yapay zeka alıntısı için ek bağ kurulumundan daha fazla fayda sağlayacaktır.

Katman 2: Schema Markup

Schema markup, sayfalarınız ile yapay zeka alma sistemleri arasındaki iletişim katmanıdır. Yapılandırılmış verileri olan sayfalar, şeması olmayan sayfalardan önemli ölçüde daha yüksek oranlarda alıntılanır. Google AI Overviews yapılandırılmış verileri olan sayfaları tercih eder ve seçim artışı rekabetçi sorgular için önemlidir.

Çoğu uygulama, Google's Rich Results Test'i karşılayan alanlarda durur; bu, yapay zeka alıntı sistemlerini karşılamakla aynı şey değildir.

Çoğu uygulamanın doğru yaptığı: @type, name, description, url, openingHours, telephone, address, FAQ schema.

Çoğu uygulamanın listeleme sayfaları için kaçırdığı: Listeleme envanteri için tasarlanan schema türleri, çoğu rehberin tartıştığı türlerden farklı özellikler gerektirir.

Gayrimenkul, tatil kiralama ve otelcilik listeleme sayfaları için ilgili türler RealEstateListing, LodgingBusiness, Hotel, VacationRental, Apartment ve SingleFamilyResidence, her biri fiyatlandırma ve kullanılabilirlik için Offer ile iç içe geçmiş. Bu türler yalnızca doğru konum özellikleriyle birleştirildiğinde yapay zeka alması için işlevlerini gerçekleştirirler.

FAQ Schema Hatası

FAQ schema, editoryal içerik için değerlidir. Yapay zeka motorlarına tam olarak hangi soruya bir içerik parçasının cevap verdiğini söyler. Listeleme sayfaları editoryal içerik değildir. Bir mülk listesi, tatil kiralama hakkında genel bir soruya cevap vermez. Belirli bir konumdaki belirli bir varlığı temsil eder. FAQ schema, yapay zeka motorunun bu listeyi "metro yakınında 2 yatak odalı daire"ye uyarlamasına yardımcı olmaz. Listeleme sayfaları için doğru schema, soru-cevap şekli değil, entity ilişkiseldir.

Katman 3: Geo Data (Belgelenmemiş Katman)

Konum tabanlı sorulara cevap veren yapay zeka modelleri ("Yellowstone yakınında tatil kiralama," "şehir merkezinin 10 dakika içindeki daireler") örtülü jeospatyal eşleştirme yapıyor. Sorgulanan konum ile alma havuzlarındaki entity'ler arasındaki coğrafi ilişkileri çözüyorlar. Bunun işe yaraması için, listeleme sayfalarınızın bu ilişkileri yapılandırılmış verilerde açıkça kodlaması gerekir.

Her Listeleme Sayfasında Kesin GeoCoordinates

GeoCoordinates geo özelliği en az dört ondalık basamağa sahip latitude ve longitude ile temel sinyaldir. Bunu olmadan, yapay zeka motorları adres dizenizi kodlar, bu işlem herhangi bir tutarsızlıkta başarısız olur ve çok daha düşük hassasiyet üretir. geo'yı hiç de içeren uygulamaların çoğu onu yalnızca site düzeyinde LocalBusiness şemasına uygulanır, bireysel listeleme sayfalarına değil. Her listeleme sayfası kendi çözülebilir coğrafi varlık olmalıdır.

"geo": {
  "@type": "GeoCoordinates",
  "latitude": 48.8566,
  "longitude": 2.3522
}

containedInPlace: Mülkü Coğrafi Hiyerarşiye Bağlama

containedInPlace özelliği, listelenmenizi, mahalle, bölge, şehir ve bölge entity'lerine bağlar. Yapay zeka motorlarının "Marais'de daireler" gibi sorulara cevap vermesinin bu olduğu, sadece "[sokak adı]'daki daireler" değil. Bunu olmadan, bir mülk bir adres olarak var fakat hiçbir coğrafi entity'nin üyesi değil.

"containedInPlace": {
  "@type": "Place",
  "name": "Le Marais",
  "containedInPlace": {
    "@type": "City",
    "name": "Paris"
  }
}

Yakın Place Varlıkları: Transit, Okullar, Yer İşaretleri

Bir kullanıcı "metro yakınında kiralamalar" sorduğunda, yapay zeka mülk ile transit altyapısı arasındaki açık makine tarafından okunabilir ilişkileri arıyor. Açıklamanızda "Metro Line 4'e 5 dakikalık yürüyüş" söylemek yapay zeka alması için hiçbir şey yapmaz. Place varlığı olarak yapılandırılmış aynı bilgiler amenityFeature aracılığıyla bağlanmış halde alınabilir.

Neden Listeleme Veritabanları Bu Verileri Yerel Olarak Taşımaz

Çoğu mülk yönetim sistemi ve listeleme veritabanı, operatörlerin girdiklerini saklayır: adres, fiyat, yatak odası, banyo, fotoğraflar. İnsan portalı gezenleri için, makine tarafından okunabilir coğrafi bağlamı değil. Bir harita API'si bu boşluğu doldurur. Geocoding API'leri adresleri kesin koordinatlara dönüştürür. İlgi noktaları API'leri, belirli bir yarıçap içinde transit duraklarını, okulları, parkları ve yer işaretlerini döndürürler. Çıktı doğrudan schema.org türlerine eşlenir ve ölçekte listeleme sayfası JSON-LD'sine gömülebilir.

Üç Boşluğun da Kapanması Nasıl Görünür

Yapay zeka alması konusunda iyi performans gösteren bir listeleme sayfası:

1. Tutarlı entity kimliği, sameAs referansları ve net tematik küme ile alan üzerinde yaşar
2. Fiyatlandırma için Offer ile iç içe geçmiş en spesifik uygulanabilir schema türünü kullanır
3. Listeleme sayfasında GeoCoordinates, komşu şehir entity'lerine bağlayan containedInPlace ve transit, okullar ve yer işaretleri için yapılandırılmış yakın Place verileri içerir

Çoğu listeleme sayfası Layer 1'in parçalarını ve Layer 2'nin temel parçalarını kapsar. Hemen hemen hiçbiri Layer 3'ü kapsamaz. Üçünü de kapsayan sayfalar, konum tabanlı sorgular için yapay zeka cevaplarında görünen sayfalarıdır.

Mevcut olarak yalnızca 1,2% yerel işletme yapay zeka arama önerilerine görülür. Ortalama olarak, en yüksek domain authority'ye sahip olanlar değildir. Üçün de açığını kapayanlar.