LLM 가시성 신화: 스키마, llms.txt 및 언급

스키마 질문, 천천히

Schema.org 마크업은 페이지를 기계 읽기 가능한 방식으로 설명합니다. 간단합니다. 구글은 구조화된 데이터가 AI 기능에 필수적이지 않다고 말했지만, 여전히 리치 결과에 도움이 되므로 추가할 충분한 이유가 있습니다.

모델에 직접 피드하는지 여부는 알려지지 않았습니다. 벤더 외부의 누구도 모릅니다. 우리는 지루한 방식으로 테스트할 것입니다: 유사한 페이지 세트의 절반에 마크업을 추가하고, 나머지 절반은 그대로 두고 8주 동안 인용을 기록합니다.

실무자들은 혼합된 경험을 보고하며, 전체 마크업 후 많은 침묵도 포함됩니다. 침묵은 데이터입니다. 다른 태그 라운드 아래에 묻지 마십시오.

저자 프로필과 '전문가' 자격증도 동일한 취급을 받습니다.它们是 독자가 당신을 신뢰할지 결정하는 데 도움이 되며, 이는 충분한 이유입니다. 우리가 본 어떤 연구도 바이오가 존재하기 때문에 모델이 페이지를 선호한다는 것을 보여주지 않습니다.

신선도는 매번 제기됩니다. 최근 업데이트 날짜가 있는 페이지는 뉴스와 유사한 주제에 대한 AI 답변에서 자주 나타납니다. 구글은 오래전부터 그러한 쿼리에 신선도를 사용해 왔습니다. 그러나 내용을 변경하지 않고 날짜만 업데이트하는 습관은 우리가 의존하지 않을 것이며, 구글은 이를 좋아하지 않는다고 말했습니다.

언급: 더 저렴한 베팅

모델이 텍스트를 읽는다면 다른 사이트의 브랜드에 대한 명확한 설명이 링크 없이도 중요할 수 있습니다. 이러한 페이지를 찾는 것은 일반적인 아웃리치 작업입니다.

자신의 브랜드 이름으로 시작하십시오. 검색하고 이미 링크된 사이트를 제외하고 나머지를 나열하십시오. 그런 다음 링크나 더 평범한 설명을 요청하십시오. Ahrefs와 Semrush와 같은 도구는 언급 알림을 제공하며, 우리의 링크 프로필 추출은 당신이 부러워하는 경쟁자에게 링크하는 사람을 보여줍니다.

에이전시에 대한 마지막 경고. LLM 가시성 감사 판매는 새로운 사업 라인이며, 일부 보고서는 빈약합니다. 샘플링된 내용, 시기 및 결론을 변경했을 사항을 물어보십시오.

이 모든 것이 마크업을 무의미하게 만드는 것은 아닙니다. 주장된 효과가 측정되지 않았다는 것을 의미합니다. 1시간을 쓰세요, 분할을 쓰지 마세요, 그리고 사람들이 실제로 읽고 싶어하는 페이지에 주요 노력을 유지하세요.

스키마가 실제로 하는 일

마크업은 AI 질문이 열려 있을 때도 실제 작업을 수행합니다. 이러한 작업을 눈에 띄게 유지하면 인용에 대한 null 결과가 모든 것에 대한 null 결과로 오해되지 않습니다.

리치 결과 및 자격

구조화된 데이터는 마크업이 읽고 확인되는 클래식 구글 검색에서 리치 결과 기능에 대한 페이지의 자격을 부여할 수 있습니다. 이 이점은 구체적이며 AI 답변에 대한 어떤 주장에도 의존하지 않습니다.

그런 이유로 마크업을 추가하는 경우, 게시하기 전에 리치 결과 테스트 도구로 유효성을 검사하십시오. AI 답변에 대한 효과를 측정하지 않은 보너스로 취급하십시오.

파싱 및 명확성

마크업은 제품 이름, 저자 또는 날짜와 같은 고정 형식으로 사실을 명시합니다. 페이지를 읽는 파서는 추측 없이 이러한 필드를 가져올 수 있습니다. 이 명확성은 페이지 구조에서 작동하는 모든 도구에 도움이 됩니다.

명확성은 인용과 동일하지 않습니다. 페이지는 파싱하기 쉬울 수 있지만 인용되지 않을 수 있으며, 다른 페이지는 마크업 없이도 인용될 수 있습니다.

표시하지 않는 것

스키마는 모델이 계산하는 투표 목록이 아닙니다. 마크업 단독이 인용 변경으로 이어진다는 통제된 연구를 보지 못했으므로, 점프를 약속하는 사람은 그 뒤에 있는 샘플을 보여줘야 합니다.

마크업 추가 후 침묵은 테스트의 정상적인 결과입니다. 다음 섹션은 마크업이 무용함에도 불구하고 왜 발생할 수 있는지 설명합니다.

사람들이 변화를 보지 못하는 이유

LLM 가시성은 여러 가지 요소에 동시에 의존하며, 단일 변경은 거의 두드러지지 않습니다. 결과를 판단하기 전에 이를 염두에 두십시오.

레버는 다른 곳에 있을 수 있습니다

페이지가 인용될 확률은 크롤링 가능성, 콘텐츠, 링크 및 쿼리 자체에 따라 달라집니다. 마크업은 이러한 요소 중 하나에 영향을 미칩니다. 다른 모든 것이 동일하게 유지될 때, 마크업만 변경하면 너무 작아서 볼 수 없을 수 있습니다.

마크업 탓하기 전에 기본 사항을 확인하십시오. 페이지가 색인화되었는지 확인하고, 텍스트가 스크립트 실행 후에만 나타나는 것이 아니라 HTML에 나타나는지 확인하십시오.

쿼리 팬아웃은 사람들을 다른 곳으로 보냅니다

일부 실무자는 하나의 질문이 여러 하위 검색이 되는 쿼리 팬아웃을 설명합니다. 모델이 소스를 수집하는 방식이 그렇다면, 마크업된 페이지는 추적하지 않은 하위 쿼리에 대해 인용될 수 있습니다. 이것이 단일 프롬프트 확인이 오해를 불러일으키는 이유 중 하나입니다.

프롬프트 세트에 몇 가지 하위 질문을 포함하고, 각 쿼리에 어떤 페이지가 나타나는지 기록하십시오.

결론 내리기 전에 측정하십시오

결과에는 샘플과 기준선이 필요합니다. 8주 동안 로그된 프롬프트를 두 그룹으로 나누는 것은 여전히 잘못될 수 있는 적당한 테스트입니다. 결과 옆에 한계를 기록하십시오.

널도 게시하십시오. 아무것도 찾지 못한 테스트도 같은 질문을 하는 다음 사람에게 여전히 유용합니다.

렌더링 및 모델이 읽을 수 있는 것

텍스트는 모델이 작업하는 재료이므로, 읽을 수 있는지에 대한 가정보다는 테스트할 가치가 있습니다.

스크립트 실행 후 나타나는 콘텐츠

일부 콘텐츠는 스크립트 실행 후에만 나타납니다. 특정 어시스턴트가 해당 콘텐츠를 볼 수 있는지 여부를 테스트할 수 있습니다. 어시스턴트가 인용하는 텍스트와 일반 HTML 가져오기가 반환하는 텍스트를 비교하십시오.

인용된 텍스트가 일반 HTML에 없으면 페이지는 렌더링에 의존합니다. 이는 마크업을 추가하기 전에 아는 가치가 있습니다.

토큰으로 읽는 마크업

일부 실무자는 모델이 JSON-LD를 토큰으로 분해하여 구조를 잃으므로 마크업이 거의 추가되지 않는다고 주장합니다. 이 주장은 타당하며, 우리가 아는 한 테스트되지 않았습니다. 어느 쪽도 공정한 샘플로 보여주지 않았습니다.

이를 클라이언트 보고서에서 인용할 규칙이 아니라 자체 테스트를 위한 가설로 취급하십시오.

마크업 및 AI 답변에 대한 질문

사람들이 자신의 페이지에 마크업을 테스트하기 시작하면 한 번 제기되는 몇 가지 질문.

AI 답변에 도움이 되지 않으면 스키마를 제거해야 합니까?

이 증거로는 아닙니다. 마크업은 여전히 클래식 검색 기능을 제공하며 페이지를 파서에 더 명확하게 만듭니다. 잘못되었거나, 오래되었거나, 오해의 소지가 있을 때만 제거하십시오.

llms.txt 파일은 1시간의 가치가 있습니까?

아마도, 저렴한 실험으로. 제안은 2024년 9월에 시작되었으며, 주요 벤더가 파일을 읽는 것을 확인한 것을 보지 못했으므로, 눈에 띄는 결과를 기대하지 마십시오.

저자 프로필은 인용에 도움이 됩니까?

우리가 아는 어떤 연구도 이를 보여주지 않습니다. 바이오는 독자가 페이지를 판단하는 데 도움이 될 수 있으며, 이는 유지할 합당한 이유이지만, 인용 효과는 테스트되지 않았습니다.

테스트에는 몇 페이지가 포함되어야 합니까?

한 페이지가 결과를 지배하지 않고 두 그룹을 비교할 수 있을 만큼 충분히. 10~20개의 유사한 페이지는 첫 번째 테스트를 위한 합리적인 시작이지만, 올바른 숫자는 프롬프트가 얼마나 다양하느냐에 따라 달라집니다.