Schema markup (dane strukturalne)
Schema markup to ustrukturyzowane słownictwo ze strony schema.org, które dodajesz do strony internetowej, by opisać jej zawartość dla maszyn: wyszukiwarki i silniki odpowiedzi AI wiedzą wtedy dokładnie, czym jest każdy element na stronie, mogą wyświetlać wyniki rozszerzone oraz rozpoznawać stronę jako konkretny obiekt w swoich indeksach.
Zwykły HTML mówi przeglądarce, jak wyświetlić tekst, ale nie wskazuje, czy dana liczba to cena, ocena czy numer telefonu. Schema markup wypełnia tę lukę, oznaczając treść uzgodnionymi typami i właściwościami, zazwyczaj zapisanymi jako JSON-LD w tagu script w sekcji head strony. Każdy typ to słownik z określonymi właściwościami: typ Product zawiera nazwę, markę, zdjęcie i blok offers; typ Offer zawiera cenę, walutę i dostępność; typ Review zawiera autora, ocenę i treść. Markup istnieje obok widocznej strony, nie zastępuje jej, więc ten sam opis produktu, który czyta klient, jest jednocześnie opisany w formie czytelnej dla maszyny bez konieczności zgadywania.
Dla sklepu najbardziej użyteczne typy to Product, Offer, Review, AggregateRating, Organization, BreadcrumbList i FAQPage: każdy z nich przypisuje fragment strony do znaczenia, na którym maszyna może działać. Wyobraź sobie sprzedawcę na Shopify, który sprzedaje zestaw kosmetyków naturalnych za 249 złotych i zebrał 211 opinii ze średnią 4,6 gwiazdki. Bez markup pająk widzi nagłówek, kilka akapitów i grafikę z gwiazdkami, której nie potrafi odczytać. Dzięki blokowi Product zawierającemu Offer (price 249,00, currency PLN, availability InStock) i AggregateRating (ratingValue 4,6, reviewCount 211) strona podaje te fakty wprost i staje się kwalifikowana do wyświetlania ceny oraz oceny w gwiazdkach bezpośrednio pod tytułem w wynikach wyszukiwania.
Korzyści są dwojakie. Pierwsza to kwalifikacja do wyników rozszerzonych: oceny w gwiazdkach, ceny i rozwijane sekcje FAQ w wynikach Google, które przyciągają więcej uwagi niż zwykły niebieski link. Druga to wyraźniejsze rozpoznawanie obiektów, co coraz częściej zasila silniki odpowiedzi AI streszczające i cytujące źródła zamiast rankować dziesięć wyników. Gdy ChatGPT, Perplexity lub Google AI Overviews zbierają odpowiedź o produkcie, structured data dostarcza im czyste, jednoznaczne fakty do zacytowania, więc cena lub ocena przytoczona w odpowiedzi z większym prawdopodobieństwem będzie twoja i prawidłowa. Liczy się to najbardziej przy konkretnych, porównywalnych stwierdzeniach, na których opierają się te systemy: cenie, dostępności i ocenie.
Zasada, która sprawia najwięcej trudności, to zgodność z widoczną treścią: markup musi opisywać to, co użytkownik rzeczywiście widzi na stronie. Oznaczanie opinii lub ocen, których na stronie nie ma, albo zawyżanie liczb narusza wytyczne Google i może skutkować ręczną akcją na dane strukturalne, która całkowicie pozbawia stronę wyników rozszerzonych. Właściwe podejście to dodanie słownictwa schema.org odzwierciedlającego to, co już jest na stronie, aktualizowanie go przy każdej zmianie ceny lub liczby opinii oraz walidacja za pomocą Rich Results Test przed wdrożeniem. Markup nie gwarantuje wyniku rozszerzonego: sprawia, że strona staje się kwalifikowana, a wyszukiwarka sama decyduje, czy go wyświetlić.