entity-сборка
Определение
Связывание всех упоминаний компании, человека или продукта в одну сущность в графе знаний поисковиков и ИИ-сервисов. Достигается через явные сигналы (sameAs, идентификаторы Wikidata, ORCID) и неявные (совпадение NAP, E-E-A-T).
3 мин 161 Обновлено 19 октября
Entity-сборка – фундаментальная задача GEO. Когда ИИ-система или поисковик получает запрос "телефон клиники X", он должен в индексе найти одну сущность "клиника X", а не пять разных карточек с похожим названием. Качество entity-сборки определяет, появитесь ли вы в фактологических ответах ИИ и какую именно информацию о вас процитирует система.
Как это работает
Поисковики (Google, Яндекс) и ИИ-сервисы строят knowledge graph – граф связанных сущностей: организаций, людей, мест, продуктов, событий. Каждая сущность – узел графа, связи между узлами – отношения (Person → worksFor → Organization, Organization → location → Place).
Когда система индексирует ваш сайт, карточку на Яндекс.Картах, статью в Wikipedia, профиль в соцсетях – для каждого упоминания нужно решить: это та же сущность, что уже есть в графе, или новая?. Если ответ "та же" – упоминание добавляется к существующему узлу, усиливая сигналы о нём. Если ответ "новая" – создаётся новый узел, а старая связь рвётся.
Сигналы для entity-сборки
Явные:
- sameAs-связки в Schema.org-разметке – прямое указание "эта организация = эта запись в Wikidata"
identifierв Schema.org – идентификаторы ИНН, ОГРН, ISBN, GTIN- Идентификаторы в knowledge graphs – Q-номер Wikidata, ORCID для исследователей, отраслевые реестры некоммерческих организаций и фондов
Неявные:
- NAP-консистентность – совпадение названия, адреса, телефона по всем источникам
- E-E-A-T-сигналы – авторство, экспертность, ссылки на первоисточники, реестры
- Совпадение Schema.org-типов (Organization, MedicalOrganization, Person)
- Ссылочный профиль – какие сайты ссылаются на вас и в каком контексте
Зачем это нужно
- Корректное представление в knowledge panel Google. Google показывает справа от выдачи карточку с фотографией, контактами, отзывами – это срез из knowledge graph. Без entity-сборки карточки нет или она с устаревшими/чужими данными
- Точные фактологические ответы ИИ. Когда пользователь спрашивает у Алисы AI "адрес клиники X", система обращается к knowledge graph. Если entity собран – ответ точный. Если нет – ИИ "галлюцинирует" или выдаёт случайные данные
- Защита бренда от тёзок. В Москве 50 клиник "Здоровье", в РФ – тысячи организаций "Стройинвест". Entity-сборка отделяет именно вашу организацию от тёзок
- Передача авторитета внутри entity-сетки. Когда статью на крупной площадке индексирует поисковик, и автор подтверждён через sameAs/ORCID – авторитет статьи передаётся вашему профилю в knowledge graph
Пример из аудита
В аудите медицинской клиники в Москве entity-сборка была сломана: организация существовала в индексе ИИ-сервисов как минимум как 6 разных сущностей с похожим названием. Признаки разрыва:
- 6 разных номеров телефона в индексе ИИ
- 3 версии адреса (старый юр.адрес, фактический, ошибочный в карточке 2ГИС)
- Отсутствие sameAs-связок в Schema.org-разметке сайта
- Отсутствие записи в Wikidata
- Отсутствие подтверждённого профиля в Яндекс.Бизнесе (карточка создана третьей стороной)
Когда пользователь спрашивал Алису AI "телефон клиники X", ИИ выбирал один из шести номеров – иногда действующий, иногда устаревший. После починки entity-сборки (NAP-сверка, добавление sameAs, верификация карточек) ИИ стабилизировался на одной правильной сущности.
Как настроить entity-сборку
- Сделать инвентаризацию упоминаний организации в индексе (Google "название", Яндекс "название", ChatGPT "расскажи о X")
- Сверить NAP-данные по всем найденным источникам – собственный сайт, карты, справочники, отзовики, соцсети
- Привести NAP-данные к единому формату на всех площадках
- Добавить корректную Schema.org-разметку Organization/LocalBusiness/MedicalOrganization на сайт
- В Schema.org прописать sameAs-связки на канонические внешние профили
- При возможности – создать запись в Wikidata с подтверждением независимыми источниками
- Через 30–60 дней – переиндексация в ИИ-сервисах, повторный замер entity-связности
Частые ошибки
1. Думают, что sameAs – это вся entity-сборка. sameAs – один из сильных сигналов, но без NAP-консистентности и подтверждения через внешние источники одного sameAs мало.
2. Не следят за дублями карточек. Старая карточка Яндекс.Бизнеса, неудалённая после смены адреса, продолжает жить в индексе и конкурирует с новой за статус "канонической". Дубли нужно удалять или сливать.
3. Игнорируют партнёрские и третьесторонние карточки. Если карточку в 2ГИС создал партнёр с устаревшими данными, и эта карточка проиндексирована – она входит в entity-сетку. Нужно либо удалить, либо синхронизировать.
4. Меняют название организации без обновления entity-сетки. Ребрендинг с "ООО Здоровье" на "Клиника Меридиан" требует полного обновления Schema.org, Wikidata, всех карточек. Иначе в индексе сосуществуют две сущности – старая и новая, и ИИ смешивает их данные.
5. Считают entity-сборку разовой задачей. Это постоянный процесс – появляются новые карточки, ссылки, упоминания. Раз в полгода нужно делать аудит entity-сетки и проверять, что новые упоминания подхватываются в правильный узел.
Частые вопросы
Чем entity-сборка отличается от обычного SEO (поисковая оптимизация)?
SEO работает с ранжированием страниц по запросам (страница X показывается по запросу Y на позиции Z). Entity-сборка работает с сущностями (организация X, человек Y, продукт Z) – она про корректное представление сущности в knowledge graph поисковой системы и ИИ-сервиса. SEO видит "страницу с текстом про клинику", entity-сборка видит "саму клинику как объект с атрибутами, отзывами, связями".
Как проверить, собран ли entity у моей организации?
Несколько практических тестов: (1) В Google Search спросите название организации – есть ли справа Knowledge Panel? (2) Спросите ChatGPT/Перплексити "расскажи о [название]" – даёт ли точный адрес и телефон? (3) Поищите название в Wikidata (wikidata.org) – есть ли запись? (4) В Алисе AI "найди телефон [название]" – выдаёт ли один номер или путается?
Можно ли без записи в Wikidata?
Можно, но это снижает потолок entity-сборки. Wikidata – основной источник фактов для ИИ-систем (особенно ChatGPT и Claude). Без неё entity у вашей организации существует, но "слабее": ИИ чаще "галлюцинирует" о вас, чаще путает с тёзками. Создание записи в Wikidata – бесплатно, требует подтверждения независимыми источниками (статьи в СМИ, реестры).
Сколько времени занимает entity-сборка?
От первой настройки (Schema.org + sameAs + NAP-сверка) до видимого результата в ИИ-сервисах – обычно 30–90 дней. Это окно переиндексации. Полная entity-сборка с записью в Wikidata, верификацией всех карточек, очисткой дублей – может занять 3–6 месяцев в зависимости от масштаба организации.
Что важнее – Wikipedia или Wikidata?
Для entity-сборки важнее Wikidata. Wikipedia – энциклопедическая статья на естественном языке, Wikidata – структурированная база фактов. ИИ-системы и поисковики "понимают" структурированные данные легче, чем парсят статью. Запись в Wikidata можно создать без статьи в Wikipedia (если есть подтверждающие источники). Запись в Wikipedia требует более высокого порога значимости и публикуется только по правилам сообщества.
Связанные термины
Материалы по теме
Что почитать дальше по этой теме
