NAP-консистентность

Определение

Единство названия, адреса и телефона организации (Name, Address, Phone) по всем источникам в интернете: сайт, карты, справочники, отзовики, соцсети. Базовый сигнал для локального SEO и фундамент entity-сборки в AI-поиске.

NAP-консистентность – единство названия, адреса и телефона организации по всем источникам: сайт, Яндекс.Карты, 2ГИС, справочники, отзовики, соцсети. Без неё AI-системы при ответе на «телефон клиники X» могут выбрать один из устаревших номеров – и клиент не дозвонится.

4 мин 154 Обновлено 14 мая

NAP-консистентность – базовое требование локального SEO и фундамент entity-сборки для AI-поиска. Когда у вашей организации в одном месте телефон +7 495 ХХХ, а в карточке Яндекс.Бизнеса – +7 800 YYY, а в справочнике 2ГИС – третий номер, поисковик и AI-сервис «видят» три разных сущности с похожим названием. Алиса AI в ответе на «телефон клиники X» выберет любой из трёх – и совсем не обязательно действующий.

Как это работает

NAP – это три обязательных поля любой организации в индексе:

  • N (Name) – официальное название с правовой формой при необходимости (ООО, ИП)
  • A (Address) – физический адрес: страна, город, улица, дом, индекс
  • P (Phone) – телефон с международным форматом (+7 495 ...)

Поисковики (Google, Яндекс) собирают NAP-данные из множества источников: сайт организации, разметка Schema.org типа Organization/LocalBusiness, карточки в картах и справочниках, агрегаторы и отзовики, соцсети, лицензионные реестры. Каждое совпадение усиливает сигнал «это одна организация», каждое расхождение – размывает.

Для AI-поиска NAP-консистентность работает на entity disambiguation: ChatGPT, Perplexity, Алиса AI при формировании фактологического ответа сшивают упоминания на разных ресурсах в один entity именно по совпадению NAP. Если данные не совпадают – AI выбирает «голос большинства» или один из источников по непрозрачной логике. В обоих случаях клиент может получить устаревший номер, неактуальный адрес или старое название.

Где должны совпадать NAP-данные

Минимальный набор источников, по которым нужно сверять NAP:

  • Собственный сайт: контакты, футер, страница «О компании», Schema.org-разметка
  • Карточка в Яндекс.Бизнесе (Яндекс.Карты)
  • Google Business Profile (Google Maps)
  • Справочник 2ГИС
  • Профильные агрегаторы по нише (для клиник – DocDoc, ПроДокторов; для ресторанов – Restoclub; для юристов – реестр адвокатов и т.д.)
  • Отзовики (Отзовик, IRecommend, Tripadvisor для общепита)
  • Соцсети: ВКонтакте, Telegram, YouTube
  • Старые сайты и поддомены (если ещё индексируются)

Зачем это нужно

NAP-консистентность напрямую влияет на три задачи:

  • Локальное SEO. Google учитывает согласованность данных о компании в локальном поиске. Яндекс по локальной выдаче более закрытая система, но, по наблюдениям, учитывает аналогичные сигналы. Чем больше непротиворечивых упоминаний, тем выше позиции в локальном пуле.
  • GEO и AI-видимость. AI-системы (Алиса AI, ChatGPT, Perplexity, GigaChat) опираются на entity-сетку поисковиков. Совпадение NAP – главный механизм, который связывает разрозненные упоминания в один entity. Без NAP-консистентности компания в индексе AI существует как несколько разных организаций с похожим названием.
  • Конверсия в звонок/визит. Если Алиса AI или Google в ответе на «телефон клиники X» выдаёт устаревший номер из неактуальной карточки – клиент не дозвонится. Это прямая потеря лида.

В GEO-аудите NAP-консистентность – обязательный пункт проверки наравне со Schema.org-разметкой и sameAs-связками.

Пример NAP-расхождения

В одном из аудитов медицинской клиники в Москве при сверке нашлось 6 разных номеров телефона одной организации в индексе AI-сервисов:

  • Действующий номер на собственном сайте
  • Старый номер в карточке Яндекс.Бизнеса (не обновлялся 2 года)
  • Третий номер в справочнике 2ГИС (карточка создана третьей стороной)
  • Четвёртый – на отзовике DocDoc
  • Пятый – на старом сайте, который ещё индексируется
  • Шестой – в группе ВКонтакте

Когда пользователь спрашивал у Алисы AI «телефон клиники X», AI выбирал один из шести – без гарантии, что действующий. До починки NAP клиника фактически теряла часть звонков на устаревшие номера.

Как проверить NAP-консистентность

Базовая проверка занимает 1–2 часа на проект:

  1. Открыть Excel или Google Sheet. В столбцах: Источник, Название, Адрес, Телефон, Дата сверки.
  2. Пройти по обязательному списку источников (см. выше). Скопировать значения один-в-один.
  3. Сравнить строки. Любое расхождение в одной из трёх колонок – точка для починки.
  4. Запросить через AI-сервис «телефон [название организации]» в Алисе AI, ChatGPT, Perplexity, GigaChat. Записать, какой номер выдают.
  5. Сверить «голос AI» со «правильным» NAP из официального сайта.

Полная проверка с inventory всех источников и приоритизацией исправлений входит в GEO-аудит и Майкор.

Частые ошибки

1. Менять номер только на сайте. Карточки в Яндекс.Картах, 2ГИС, отзовиках и агрегаторах нужно обновлять отдельно – они в индексе живут своей жизнью.

2. Создавать новые карточки вместо обновления старых. Старая карточка останется в индексе и будет конкурировать с новой за NAP-голос. Сначала – слияние / удаление дублей, потом новые.

3. Игнорировать соцсети. ВКонтакте, Telegram, YouTube – индексируются поисковиками. Старая контактная информация в шапке группы – источник NAP-расхождения.

4. Не сверять с Schema.org-разметкой. На сайте контакты в подвале могут быть актуальными, а JSON-LD-разметка Organization – устаревшей. Поисковики и AI больше доверяют разметке.

5. Использовать разные форматы записи. Для AI «+7 (495) 123-45-67» и «+7 495 1234567» – разные строки. Договоритесь о едином формате и применяйте везде.

Частые вопросы

Что такое NAP в SEO?

NAP – аббревиатура от Name (название), Address (адрес), Phone (телефон). Это три обязательных поля любой организации в индексе поисковых систем. NAP-консистентность означает, что эти три значения совпадают по всем источникам, где организация упомянута: собственный сайт, Schema.org-разметка, карточки на картах, справочники, агрегаторы, отзовики, соцсети.

Влияет ли NAP-консистентность на позиции в Google и Яндексе?

Косвенно влияет на локальную выдачу. И Google, и Яндекс используют citation score – число источников с непротиворечивыми NAP-данными – как один из факторов ранжирования в локальном поиске (карты, локальный пакет, организации в выдаче). По бренд-запросам и информационным запросам NAP-консистентность напрямую факторами ранжирования не является.

Что важнее для AI – sameAs или NAP?

Это не альтернативы, а дополняющие друг друга сигналы. sameAs – это явное указание «эта организация на сайте = эта запись в Wikidata». NAP-консистентность – это неявное подтверждение того же через совпадение фактических данных в разных источниках. Сильная entity-сетка опирается на оба: sameAs указывает на канонические профили, NAP подтверждает, что в каждом из них действительно одна и та же организация.

Сколько источников минимум проверять?

Минимальный обязательный список из 5: собственный сайт + Schema.org-разметка, Яндекс.Бизнес (Яндекс.Карты), Google Business Profile, 2ГИС, основной отзовик ниши. Этого достаточно для базовой entity-сетки. Расширенный список – 10–15 источников, включая профильные агрегаторы, реестры и соцсети.

Что делать, если телефон поменялся?

Сначала обновить на собственном сайте и в Schema.org-разметке. Затем – последовательно во всех картах, справочниках, агрегаторах, соцсетях. Старый номер сохранить как резервный на 3–6 месяцев – чтобы клиенты, которые звонят по нему из индекса AI или старых карточек, не пропали. Параллельно – мониторить, какой номер выдают AI-сервисы по бренд-запросу, и обновлять источники, пока ответ AI не стабилизируется на новом номере.

154

Связанные термины

GEO GEO (Generative Engine Optimization) – оптимизация контента под цитируемость в AI-поисковиках: ChatGPT, Perplexity, Google AI Overviews, Яндекс Алиса AI. Термин ввели исследователи Принстона, Georgia Tech, Allen Institute и IIT Delhi в работе на arXiv от 16 ноября 2023 года. sameAs Свойство Schema.org со значением URL, указывающее на канонические внешние страницы той же сущности (Wikidata, Wikipedia, профили, реестры). Помогает поисковикам и AI-сервисам различать тёзок и собирать сущности в единый узел графа знаний. Schema.org Schema.org – словарь структурированных данных для разметки веб-страниц, который понимают Google, Bing, Yandex и AI-системы. Запущен в 2011 году совместно Google, Microsoft и Yahoo, в ноябре 2011 к проекту присоединился Яндекс. Wikidata Wikidata – открытый многоязычный knowledge graph под управлением Wikimedia Foundation, запущенный 29 октября 2012 года. Содержит более 120 миллионов сущностей с уникальными QID-идентификаторами, лицензия CC0. Используется поисковиками, AI-системами и крупными библиотеками для построения связных данных. ЭПОС ЭПОС – четыре принципа Яндекса для оценки качества контента, который попадает в нейроответы Алисы AI: Экспертность, Полезность, Оригинальность, Содержательность. Критерии официально объявлены на конференции «День Поиска» 7 апреля 2026 года.

Материалы по теме

Что почитать дальше по этой теме

Статья Что боты находят на сайте, а вы – нет Боты ходят по изнанке сайта, куда живой человек не забредёт, и фиксируют в логах то, чего не видно ни в Метрике, ни на витрине: падающие с ошибкой 500 страницы каталога, битый файл с 747 обращениями, поток сканеров секретов. Разбираю на реальных логах, что искать и как чинить. 7 мин 258 22 июля 2026 Инструкция Как выгрузить и читать access-логи, если хостинг хранит их три дня Access-лог – единственное место, где виден весь трафик сайта, включая ИИ-ботов, которых не замечают счётчики. Разбираю на практике: где взять логи, как не потерять их из-за ротации, какие команды показывают ботов, ошибки и подозрительную активность. 7 мин 208 21 июля 2026 Флагманский гайд AI-анализ email-обращений: методика на стыке Яндекс.Метрики и Claude Code Классический email-трекинг отвечает на вопрос «откуда пришло обращение». AI-слой отвечает на вопросы, которые раньше требовали ручного аналитика: значим ли email на фоне звонков, форм и мессенджеров, почему один источник даёт качественные обращения, а другой – пустые, какие сегменты визитов предшествуют письму, что написать в ответ с учётом пути пользователя. Здесь – как я собираю это на уже имеющемся стеке: Logs API Метрики, PostgreSQL и Claude Code, без новых платных сервисов. 11 мин 328 26 мая 2026 Флагманский гайд Майкор: ИИ-аудит проекта по 4 точкам контакта Майкор – это перекрёстный ИИ-аудит проекта в 4 точках контакта: сайт, контекстная реклама, AI-поиск и Яндекс.Карты. Я анализирую каждую систему и смотрю связки между ними – где маркетинг рассказывает одно, реклама ведёт на другое, а AI-системы цитируют третий номер телефона. В одном из моих аудитов медицинской клиники в Москве у организации в индексе AI-сервисов оказалось 6 разных номеров и всего 7 упоминаний на 64 проверочных запроса – при том, что в обычной выдаче Яндекса клиника была в топ-1. Майкор закрывает такие разрывы за один аудит вместо четырёх раздельных. 16 мин 561 13 мая 2026 Гайд FAQPage Schema: как разметить блок частых вопросов и попасть в AI-ответы FAQPage schema – один из самых эффективных типов разметки для попадания в AI-ответы. Страницы с FAQPage schema цитируются AI-поисковиками в 2,7 раза чаще. В этом гайде – формат разметки, правила написания ответов для AI, реализация на 1С-Битрикс и типичные ошибки, которые обнуляют эффект. 8 мин 365 25 апреля 2026