Knowledge graph

Google nie indeksuje tylko słów – buduje mapę pojęć: każdy podmiot (encja) ma swoje „okienko" z atrybutami i relacjami do innych encji. Firma z knowledge graphu to nie jest „fraza brandowa z X wynikami", tylko węzeł z nazwą, kategorią, lokalizacją, właścicielem, profilem społecznym i powiązaniami z branżą. Stąd wejście do grafu robi się w dwóch krokach: po pierwsze, jednoznaczność – ta sama nazwa, ta sama kategoria, te same dane na stronie (Organization/LocalBusiness w schema.org), w Google Business Profile, w katalogach branżowych i w mediach społecznościowych; po drugie, potwierdzenie zewnętrzne – wzmianki w źródłach, które Google traktuje jako dowody encji: Wikipedia/Wikidata, portale branżowe, prasa, profile z uzupełnionym sameAs łączącym wszystkie punkty.

Businessowo znaczenie jest dwuwarstwowe.

Warstwa pierwsza: encja w grafie lepiej odpowiada na zapytania nawigacyjne i brandowe – knowledge panel, podpowiedzi, lepsze rozumienie oferty, mniejsze ryzyko, że Google pomyli twoją firmę z inną o podobnej nazwie. Warstwa druga, istotna dziś jeszcze bardziej: ta sama logika encji steruje odpowiedziami AI. Modele językowe i wyszukiwarki konwersacyjne opierają rozpoznanie marki na spójnej encji – jeśli nazwa, kategoria, lokalizacja i osoby są spójne w serwisie, w danych strukturalnych i w źródłach zewnętrznych, model łatwiej przypisze firmę do kategorii i tym częściej weźmie ją pod uwagę przy pytaniach „najlepszy X w mieście".

W praktyce audyt encyjny wygląda tak: wymieniasz wszystkie punkty wystąpienia marki (strona, GBP, katalogi, social, Wikipedia, media), sprawdzasz spójność nazw, kategorii i adresów, uzupełniasz sameAs w JSON-LD, a brakujące potwierdzenia (np. wpis w portalu branżowym czy Wikidata, jeśli firma spełnia kryteria notowalności) planujesz jako osobne zadania digital PR. To nie jest jednorazowa robotka – spójność encji wymaga utrzymania, bo rozbicie nazwy czy adresu w jednym źródle psuje całą konstrukcję.