Schema Markup
Schema markup é um vocabulário estruturado do schema.org adicionado a uma página para rotular o conteúdo para máquinas, indicando aos buscadores e sistemas de IA o que cada elemento significa para que possam exibir rich results e reconhecer a página como uma entidade específica.
O HTML simples diz ao navegador como exibir o texto, mas não informa se um número é um preço, uma classificação ou um telefone. O schema markup resolve esse problema marcando o conteúdo com tipos e propriedades definidos, normalmente escritos como JSON-LD em uma tag script no cabeçalho da página. Cada tipo é um vocabulário com propriedades específicas: um Product carrega nome, marca, imagem e um bloco de offers; um Offer carrega preço, moeda e disponibilidade; um Review carrega autor, classificação e texto. A marcação coexiste com a página visível em vez de substituí-la, então a mesma descrição de produto que o cliente lê também é descrita em um formato que uma máquina consegue interpretar sem precisar adivinhar.
Para uma loja, os tipos que mais rendem são Product, Offer, Review, AggregateRating, Organization, BreadcrumbList e FAQPage, cada um mapeando um trecho da página para um significado que uma máquina pode processar. Considere um lojista no Shopify vendendo um kit de skincare natural por 250 reais com 211 avaliações com média de 4,6 estrelas. Sem marcação, um rastreador vê um título, alguns parágrafos e um gráfico de estrelas que ele não consegue interpretar. Com um bloco Product que incorpora um Offer (preço 250,00, moeda BRL, disponibilidade InStock) e um AggregateRating (ratingValue 4,6, reviewCount 211), a página comunica esses fatos com clareza, e o resultado fica elegível para exibir o preço e as estrelas abaixo do título nos buscadores.
O benefício tem duas dimensões. Primeiro, elegibilidade para rich results: estrelas, preços e acordeões de FAQ no resultado da busca, que tendem a receber mais atenção do que um link simples. Segundo, reconhecimento de entidade mais claro, que cada vez mais alimenta os motores de resposta com IA que resumem e citam fontes em vez de listar dez links. Quando ChatGPT, Perplexity ou Google AI Overviews montam uma resposta sobre um produto, os dados estruturados fornecem fatos limpos e não ambíguos para citar, e o preço ou a classificação que aparecem na resposta têm mais chance de ser seus e de estar corretos. Isso importa principalmente para as afirmações específicas e comparáveis das quais esses sistemas dependem: preço, disponibilidade e classificação.
A regra que costuma surpreender as pessoas é a correspondência com o conteúdo visível: a marcação deve descrever apenas o que o usuário realmente vê na página. Marcar avaliações ou classificações que não estão presentes, ou inflar os números, contraria as diretrizes do Google e pode acionar uma ação manual em dados estruturados que remove seus rich results por completo. A disciplina correta é adicionar o vocabulário para refletir o que já está na página, mantê-lo atualizado quando preços e contagens de avaliações mudam, e validar com o Rich Results Test antes de publicar. A marcação não garante um rich result; ela torna a página elegível, e o buscador ainda decide se vai exibir um.