در دنیای امروز بازاریابی دیجیتال، بهینهسازی برای موتورهای جستجوی مبتنی بر هوش مصنوعی (GEO) به یکی از اولویتهای اصلی برندها تبدیل شده است. ری مارتینز (Ray Martinez)، کارشناس برجسته بازاریابی دیجیتال، در گزارش اخیر خود چارچوبی کاربردی برای استفاده از نشانهگذاری اسکیما (Schema Markup) جهت مهندسی معکوس «شکافهای هویتی» (Entity Gaps) ارائه داده است. این رویکرد بر ساخت یک گراف دانش (Knowledge Graph) با استفاده از کدهای سفارشی JSON-LD و موجودیتهای پایگاه Schema.org در کنار جاسازیهای برداری (Vector Embeddings) و عاملهای هوشمند تمرکز دارد. هدف اصلی این استراتژی، آموزش مدلهای زبانی بزرگ مانند Gemini، Claude و ChatGPT برای درک عمیقتر و دقیقتر برندها است تا در نهایت ارجاعات ارگانیک و سهم صدای آنها در پاسخهای هوش مصنوعی افزایش یابد.
حسابرسى موجودیتها و شناسایی نقاط ضعف ساختاری
برای بررسی عملی این فرآیند، دو موسسه آموزشی که با چالشهای متفاوتی در حوزه سئو و حضور در نتایج هوش مصنوعی مواجه بودند، مورد تحلیل قرار گرفتند. در ابتدای پروژه، هر دو موسسه تنها ۱ درصد از سهم صدا (Share of Voice) را در پاسخهای هوش مصنوعی در مقایسه با رقبای خود در اختیار داشتند. این سهم ناچیز، نقطه شروع مناسبی برای ارزیابی اثربخشی بهینهسازی هویتی با موانع ورود کمتر بود.
برای هر دو شریک تجاری، یک فرآیند حسابرسی دقیق طراحی شد که کدهای سفارشی JSON-LD توسعهیافته توسط ArcherEDU را با اسکیماهای فعال و محتوای زنده وبسایتها مقایسه میکرد. هدف این تحلیل، شناسایی و دستهبندی موجودیتها به سه گروه اصلی بود: موجودیتهای خوانا (Legible)، مبهم (Ambiguous) و غیرقابل تایید (Unverifiable). این ممیزی با مقایسه جاسازیهای برداری سایتهای موجود با یک مجموعه داده ایدهآل برداریشده انجام شد تا در نهایت به محتوا، جاسازیهای فعلی و نشانهگذاریهای اسکیما امتیاز داده شود.
مطالعه موردی اول: دانشگاه بینالمللی چندزبانه (Partner A)
شریک اول (Partner A)، یک دانشگاه خصوصی بینالمللی با چندین پردیس دانشگاهی بود که برنامههای تحصیلات تکمیلی مدیریت بازرگانی ارائه میداد. این برند رویکرد منحصربهفردی در یادگیری بینالمللی داشت و مدل آموزشی آن در چهار کشور مختلف گسترش یافته بود. با این حال، حضور ارگانیک و ردپای دیجیتال این دانشگاه در بستر هوش مصنوعی بسیار ضعیف بود که منجر به دیدهشدن پایین آن در موتورهای پاسخدهی میشد. بررسیها نشان داد که این دانشگاه در میان یک گروه ۱۰ عضوی از موسسات رقیب، با تنها ۱ درصد سهم صدا در رتبه آخر قرار دارد، در حالی که رقیب پیشتاز ۲۲ درصد از این سهم را در اختیار داشت.
در مقایسه موجودیتهای این دانشگاه با یک مجموعه مرجع شامل ۸۵ موجودیت، مشخص شد که پوشش دانشگاه شامل بیش از ۵۰ موجودیت است. با این حال، یکسوم از این موجودیتها به عنوان مبهم یا غیرقابل تایید علامتگذاری شدند و بیش از ۲۰ موجودیت کلیدی در صفحات برنامههای آموزشی و محتوای پشتیبان غایب بودند. بزرگترین شکافهای دادهای در بخشهای مربوط به برنامه درسی، اعضای هیئت علمی، پذیرش و کمکهای مالی شناسایی شد.
تیم اجرایی برای حل این مشکل، خطاهای سطح اسکیما مانند قالببندیهای نادرست یا عدم اشاره به واحدهای درسی، معدل (GPA)، شیوه ارائه دوره (Modality) و دیگر شاخصهای برنامه را برطرف کرد. به عنوان مثال، عبارت مبهم «سابقه تحصیلی خوب» در شرایط پذیرش به یک عدد دقیق برای معدل (GPA) تغییر یافت و مدتزمان دورهها به استاندارد بینالمللی ISO 8601 تبدیل شد. البته به دلیل پیچیدگیهای ناشی از زمانهای ثبتنام شناور (Rolling Starts) در پردیسهای مختلف، تصمیم گرفته شد که موجودیت مربوط به مهلت ثبتنام (Application Deadline) تغییر نکند تا از ایجاد سردرگمی برای دانشجویان جلوگیری شود.
نتایج این اصلاحات بسیار چشمگیر بود. ارجاعات هوش مصنوعی این دانشگاه از ۲۴,۰۰۰ مورد در ژانویه ۲۰۲۶ به ۴۲,۰۰۰ مورد در ژوئیه همان سال رسید که نشاندهنده رشد ۷۵ درصدی در طول شش ماه است. اگرچه حجم کلی سرنخها (Leads) کاهش یافت و رشد ثبتنام سالانه ثابت ماند، اما کیفیت سرنخها به شدت بهبود یافت. تیم پذیرش توانست به دلیل آگاهی بهتر دانشجویان از شرایط دوره، قراردادهای بیشتری را نهایی کند؛ به طوری که نرخ تبدیل سرنخ به پرداخت ۲۰ درصد و نرخ تبدیل درخواست به پرداخت ۲۶ درصد افزایش یافت.
مطالعه موردی دوم: برنامه پرستاری آنلاین (Partner B)
شریک دوم (Partner B)، یک برنامه پرستاری آنلاین متعلق به یک کالج منطقهای بود. این برنامه برای مدتهای طولانی بر ترافیک ارگانیک تسلط داشت و حدود ۸۰ درصد از حجم سرنخهای کل سبد آنلاین کالج را تامین میکرد. با این حال، این برنامه اخیراً با کاهش کلیکهای ارگانیک و افزایش رقبایی با خدمات مشابه مواجه شده بود. این برنامه نیز در میان شش رقیب ملی خود، با تنها ۲ درصد سهم صدا در رتبه آخر قرار داشت (رقیب برتر ۲۹ درصد سهم صدا را در اختیار داشت).
حسابرسان ۵۸ موجودیت را برای این برنامه شناسایی کردند که بیش از نیمی از آنها مبهم و ۲۷ مورد در سراسر برنامه پرستاری غیرقابل تایید بودند. برای حل این مشکل، تمرکز بر رفع شکافهای محتوایی پیرامون نتایج شغلی فارغالتحصیلان، اطلاعات پذیرش و برنامه درسی قرار گرفت. تیم بازاریابی صفحات برنامه را بر اساس کنوانسیونهای نامگذاری مدرک، اطلاعات پذیرش و دستاوردهای برنامه بهروزرسانی کرد. همچنین مقالات وبلاگ موجود بازنویسی شده و با لینکسازی داخلی به صفحه اصلی برنامه متصل شدند تا این موجودیتها تقویت شوند. به دلیل عدم دسترسی و هماهنگی با اساتید، موجودیتهای مربوط به اعضای هیئت علمی در این مرحله نادیده گرفته شدند.
در سال ۲۰۲۶، این برنامه توانست روند نزولی حجم سرنخهای خود در سالهای ۲۰۲۴-۲۰۲۵ را معکوس کند و به رشد ۱۸ درصدی در حجم سرنخهای ارگانیک نسبت به سال قبل دست یابد. حجم درخواستهای ثبتنام نیز ۲۲ درصد افزایش یافت. در بخش هوش مصنوعی، ارجاعات ۱۱ درصد نسبت به سال قبل و حدود ۷۷ درصد نسبت به شش ماه گذشته رشد داشت و سهم صدای برنامه نیز یک درصد در برابر رقبا بهبود یافت.
ضرورت نگاه زیرساختی به سئو هویتی
نتایج این دو پروژه نشان میدهد که کار بر روی موجودیتها نباید به عنوان یک ترفند موقت برای بهینهسازی موتورهای هوش مصنوعی (GEO Hack) دیده شود، بلکه باید به عنوان یک زیرساخت اساسی به آن نگریست. اصلاح موجودیتها حتی با وجود بهبود محدود در سهم صدای هوش مصنوعی، میتواند کیفیت تبدیل مخاطبان را به طور چشمگیری ارتقا دهد.
blockquote>نشانهگذاری اسکیما به تنهایی تضمینکننده رشد نیست؛ اما زمانی که با یک استراتژی محتوایی منسجم ترکیب شود، تطبیق موجودیتها میتواند کیفیت تبدیل را بهبود بخشیده و به کاربران کمک کند تا پاسخهای مورد نیاز خود را سریعتر دریافت کنند.علاوه بر این، بازاریابان باید بدانند که این فرآیند یک هدف متحرک و همیشگی است. اطلاعات و حقایق موجود در وبسایتها ممکن است به مرور زمان دچار انحراف یا کهنگی شوند. بنابراین، تطبیق و اصلاح موجودیتها باید به عنوان بخشی روتین از جریان کاری بازاریابی دیجیتال قرار گیرد تا اطمینان حاصل شود که اطلاعات همواره برای مخاطبان هدف تازه و معتبر باقی میمانند.