Il Knowledge Graph SEO è un dataset strutturato di relazioni tra entità, che include attributi come persone, eventi e altro;
Nella SERP, elementi come il pannello del Knowledge Graph di Google coprono oltre 500 milioni di entità, mostrano direttamente le risposte e migliorano l’efficienza nell’accesso alle informazioni.
Definizione di base
Il Knowledge Graph di Google è una rete di dati strutturati basata su entità del mondo reale, che copre oltre 500 milioni di entità (persone, aziende, luoghi, ecc.) e collega informazioni frammentate attraverso triple “entità-attributo-relazione” (ad esempio “Tesla-data di fondazione-2003”).
Fornisce direttamente risposte strutturate alle domande degli utenti (ad esempio, cercando “Einstein” sulla destra compaiono data di nascita, morte e contributi), sostituendo i tradizionali elenchi di link. Secondo i dati di Google del 2023, il 70% delle domande semplici (come “autore di Harry Potter”) viene già risolto tramite le schede del Knowledge Graph.
Per i siti web, il CTR del sito ufficiale di un’entità inclusa è superiore del 28% rispetto ai risultati normali (statistiche Moz 2024), ma è necessario soddisfare condizioni rigorose come la “coerenza tra fonti autorevoli”.
L’essenza del Knowledge Graph
Se il motore di ricerca tradizionale è una “biblioteca di pagine web”, in cui l’utente deve cercare da solo tra gli scaffali (cliccando i link) per trovare la risposta;
allora il Knowledge Graph di Google è un “dizionario digitale”, che traduce i “frammenti di conoscenza” sparsi in innumerevoli pagine web in un “linguaggio strutturato” comprensibile direttamente dalle macchine, e poi organizza questo linguaggio in “schede risposta” facilmente consultabili dagli utenti.
Dal “testo caotico” al “testo strutturato”
Le parole chiave inserite dagli utenti nella ricerca (ad esempio “fondatore di Tesla”) sono, in sostanza, una sequenza di “istruzioni in linguaggio naturale”.
Il primo passo di Google consiste nello “scomporre” dalle enormi quantità di pagine web le informazioni correlate a “Tesla” e “fondatore”. Ma il contenuto delle pagine web è “testo non strutturato”: può trattarsi di un paragrafo enciclopedico (“Tesla è stata fondata da Martin Eberhard e Marc Tarpenning nel 2003”), di una frase in un comunicato stampa (“Nel 2004 Elon Musk investì 6,3 milioni di dollari in Tesla diventando il maggiore azionista”), o persino di un commento in un forum (“In realtà i fondatori di Tesla sono diversi, il team iniziale è stato molto importante”).
Per trasformare questo “testo caotico” in dati strutturati comprensibili dalle macchine, Google si affida a due tecnologie NLP: riconoscimento delle entità (Named Entity Recognition, NER) e estrazione degli attributi (Attribute Extraction):
- Riconoscimento delle entità: attraverso modelli pre-addestrati (come varianti di BERT), identifica nel testo le “entità denominate” (ad esempio “Tesla”, “Martin Eberhard”, “2003”) e ne annota il tipo (azienda, persona, tempo).
- Estrazione degli attributi: analizza le relazioni semantiche tra entità ed estrae coppie “attributo-valore” (ad esempio “Tesla-fondatore-Martin Eberhard”, “Tesla-data di fondazione-2003”).
Facciamo un esempio concreto: supponiamo che la pagina A riporti “Tesla è stata fondata da Martin Eberhard e JB Straubel il 1º aprile 2003”, mentre la pagina B riporti “Nel 2004 Musk guidò il round A di finanziamento di Tesla, detenendo circa il 22%”.
Il sistema NLP di Google:
- riconoscerà entità come “Tesla” (azienda), “Martin Eberhard” (persona), “JB Straubel” (persona), “1º aprile 2003” (tempo), “2004” (tempo), “Musk” (persona);
- estrarrà coppie di attributi: “Tesla-fondatore-Martin Eberhard”, “Tesla-fondatore-JB Straubel”, “Tesla-data di fondazione-1º aprile 2003”, “Tesla-investitore-Musk”, “Tesla-data del finanziamento-2004”;
- integrerà queste coppie in “triple” (Entity-Attribute-Value) e le memorizzerà nel database del Knowledge Graph.
Secondo il white paper tecnico di Google del 2023, il suo sistema NLP raggiunge una precisione del 92% nel riconoscimento delle entità per singole pagine web (nel caso di informazioni aziendali standardizzate), ma nell’estrazione degli attributi da frasi complesse (come “fondata congiuntamente da XX e YY”) persiste ancora un 8% di errore: ed è anche per questo che alcune informazioni aziendali nel Knowledge Graph risultano incomplete.
Schema.org
Ma qui sorge un problema: pagine diverse possono descrivere la stessa entità usando termini differenti (ad esempio “fondatore” può essere scritto come “cofondatore” o “team iniziale”), e persino i nomi degli attributi possono essere disordinati (ad esempio “data di fondazione” potrebbe essere indicata come “anno di fondazione” o “giorno di costituzione dell’azienda”).
Se Google traducesse forzatamente tutto usando “regole proprietarie”, il rischio di confondere le informazioni sarebbe molto alto (ad esempio attribuire il fondatore dell’azienda A all’azienda B).
Per risolvere questo problema, Google, insieme a Microsoft, Yahoo e altre aziende di motori di ricerca, ha lanciato nel 2011 Schema.org, uno “standard globale di markup per dati strutturati”.
In parole semplici, Schema.org è come un “dizionario delle informazioni”, che definisce i “tipi di entità” (come Organization per azienda, Person per persona) e le “etichette degli attributi” (come foundingDate per data di fondazione, founder per fondatore). Gli sviluppatori possono usare queste etichette per “dire attivamente” a Google: “Nella mia pagina, questi dati appartengono a questo tipo di entità e corrispondono a questi attributi.”
Prendiamo come esempio il sito ufficiale di un’azienda: se si usa il markup di Schema.org per “Tesla”:
<script type=”application/ld+json”>
{
“@context”: “https://schema.org”,
“@type”: “Organization”,
“name”: “Tesla, Inc.”,
“foundingDate”: “2003-04-01”,
“founder”: [
{ “@type”: “Person”, “name”: “Martin Eberhard” },
{ “@type”: “Person”, “name”: “Marc Tarpenning” }
],
“investor”: [
{ “@type”: “Person”, “name”: “Elon Musk”, “investmentAmount”: “6.3 million USD” }
]
}
</script>
Dopo che il crawler di Google (Googlebot) ha acquisito questo codice, può estrarre direttamente informazioni come foundingDate (data di fondazione), founder (fondatore) e investor (investitore) di “Tesla”, senza dover più “indovinare” il significato del testo tramite NLP.
Quanto è grande il valore di Schema.org? Secondo i dati interni di Google del 2024, la probabilità che i principali attributi (nome, data di fondazione, sede) di un sito ufficiale aziendale contrassegnato con Schema.org vengano inclusi nel Knowledge Graph è del 47% più alta rispetto a un sito non contrassegnato;
e per i siti ufficiali con markup completo (che coprono oltre 10 attributi chiave), l’accuratezza delle informazioni passa dal 68% al 91%.
Verifica autorevole
Anche se una pagina utilizza il markup Schema.org, Google non la accetta “così com’è”.
Per garantire l’accuratezza del Knowledge Graph, Google adotta un meccanismo di verifica incrociata multi-fonte, la cui logica centrale è: “Lo stesso attributo della stessa entità deve essere coerente in almeno 3 fonti autorevoli, altrimenti viene contrassegnato come ‘a bassa affidabilità’.”
Le “fonti autorevoli” includono:
- Siti ufficiali (il dominio dell’azienda stessa, con il peso più alto);
- Enciclopedie autorevoli (come Wikipedia, Wikidata);
- Database governativi/di settore (come le registrazioni aziendali della SEC americana, i dati di Crunchbase);
- Media ad alta autorevolezza (come il New York Times o i media verticali di settore).
Un esempio negativo: il sito ufficiale della startup tecnologica A contrassegna con Schema.org “data di fondazione-2020”, ma Wikipedia la indica come “fondata nel 2019”, mentre Crunchbase mostra che “la sua prima apparizione pubblica nei registri di finanziamento risale al Q4 2019”.
In questo caso, il sistema di Google determinerà che l’attributo “data di fondazione” è in conflitto, richiedendo una revisione manuale o l’attesa di ulteriori verifiche da altre fonti.
Alla fine, poiché la contraddizione tra sito ufficiale e Wikipedia non può essere risolta, la “data di fondazione” di questa azienda non viene inclusa nel Knowledge Graph, e l’utente deve ancora cliccare sui link per verificarla.
Secondo la “Guida all’inclusione nel Knowledge Graph” pubblicata da Google nel 2023, i conflitti tra attributi sono la causa più comune di rifiuto (38%), seguiti da “insufficiente autorevolezza della fonte” (ad esempio usare solo blog personali, 25%) e “formato di markup errato” (ad esempio scrivere la data come “2020/4/1” anziché “2020-04-01”, 19%).
“Aggiornamento dinamico” del Knowledge Graph
Il Knowledge Graph non è un “database statico” costruito una volta per tutte, ma viene continuamente aggiornato con la comparsa di nuove informazioni.
Ad esempio, se nel 2023 Musk avesse annunciato “X (ex Twitter) acquisisce LinkedIn”, Google avrebbe, nel giro di poche ore:
- raccolto i resoconti dei media autorevoli (come Reuters e il Wall Street Journal) tramite crawler di notizie;
- verificato l’affidabilità della fonte (Reuters ha un peso maggiore di un blog personale);
- aggiornato l’attributo
acquiredCompany(azienda acquisita) dell’“azienda X” nel Knowledge Graph, aggiungendo “LinkedIn”; - sincronizzato le relazioni tra le entità correlate (ad esempio “Musk-azienda X-azienda acquisita-LinkedIn”).
Quanto è veloce questo “aggiornamento dinamico”? Secondo i dati di test di Google del 2024, per le entità ad alta attenzione (come aziende Fortune 500 o personaggi famosi), il ciclo medio di aggiornamento dei principali attributi è di 2-4 ore; per le entità ordinarie (come piccole e medie imprese locali), invece, è di 1-2 settimane.
Entità, attributi e relazioni
Se il Knowledge Graph fosse una “città digitale”, allora le entità sarebbero gli edifici (scuole, ospedali, centri commerciali), gli attributi sarebbero le “etichette” degli edifici (indirizzo, piani, orari di apertura), e le relazioni sarebbero le “strade” che collegano gli edifici (linee di autobus, percorsi pedonali, linee metropolitane).
Questi tre elementi costituiscono insieme la struttura di base del Knowledge Graph.
La documentazione tecnica di Google del 2023 afferma chiaramente che: il 90% della trasmissione delle informazioni nel Knowledge Graph dipende dall’integrità e dall’associazione di questi tre elementi
Entità
L’entità (Entity) è l’unità più fondamentale del Knowledge Graph, e indica un oggetto concreto o astratto del mondo reale che può esistere in modo indipendente.
Può essere una “persona” (ad esempio Einstein), un’“azienda” (ad esempio Apple), un “luogo” (ad esempio la Torre Eiffel), un “evento” (ad esempio le Olimpiadi di Tokyo 2020), o persino un “concetto astratto” (ad esempio “intelligenza artificiale”).
Ma Google applica criteri rigorosi per riconoscere un’“entità”: deve avere “identificabilità univoca” e “stabilità di esistenza”. Ad esempio:
- “Tesla” è un’entità aziendale chiaramente definita (nome registrato Tesla, Inc., simbolo azionario TSLA);
- “Musk” è un’entità personale chiaramente definita (nome completo Elon Reeve Musk, data di nascita 28 giugno 1971);
- ma “case automobilistiche a nuova energia” non è un’entità (è una categoria vaga), e nemmeno “Tesla nel 2023” lo è (la limitazione temporale ne compromette l’unicità).
Google estrae dalle pagine web le entità candidate tramite la tecnologia di riconoscimento delle entità (NER), ed elimina poi le ambiguità con la “disambiguazione delle entità (Entity Disambiguation)”.
Ad esempio, quando in una pagina compare “Apple”, bisogna stabilire se si tratti del “frutto mela” o di “Apple Inc.”: questo dipende dal contesto (ad esempio parole correlate come “iPhone” o “Cook”) e da fonti autorevoli (come la voce “Apple Inc.” su Wikipedia).
Secondo le statistiche interne di Google del 2024, circa il 60% delle entità del Knowledge Graph è costituito da aziende/organizzazioni (Person 25%, Location 10%, altre 5%), e questo è strettamente correlato al comportamento di ricerca degli utenti (il 70% delle ricerche riguarda aziende, persone o luoghi).
Attributi
L’attributo (Attribute) è una caratteristica specifica di un’entità e serve a rispondere alla domanda: “Quali caratteristiche ha questa entità?”.
È il “connettore” tra entità e dati, che trasforma entità astratte in informazioni quantificabili.
I principali attributi variano notevolmente a seconda del tipo di entità (vedi tabella sotto):
| Tipo di entità | Attributi tipici (esempi) | Ruolo chiave |
|---|---|---|
| Azienda/organizzazione | Data di fondazione (foundingDate), sede (headquarters), settore (industry), numero di dipendenti (employeeCount) | Aiuta l’utente a valutare rapidamente le basi dell’azienda |
| Persona | Data di nascita (birthDate), nazionalità (nationality), professione (jobTitle), percorso educativo (alumniOf) | Aiuta l’utente a identificare l’identità e il ruolo sociale della persona |
| Luogo | Coordinate geografiche (geoCoordinates), popolazione (population), paese (country), punto di riferimento (landmark) | Supporta i servizi di localizzazione e le decisioni di viaggio |
| Evento | Data di inizio (startDate), data di fine (endDate), partecipanti (participant), luogo (location) | Fornisce la cronologia e le informazioni chiave dell’evento |
La “completezza” degli attributi influisce direttamente sull’effetto di visualizzazione del Knowledge Graph. Ad esempio, se a un’entità aziendale manca l’attributo “sede”, il pannello della conoscenza a destra non potrà mostrare la posizione geografica;
se a un’entità persona manca l’attributo “data di nascita”, non sarà possibile calcolare l’età (come “Musk ha 53 anni quest’anno”).
I requisiti di Google sugli attributi sono “verificabilità” e “coerenza”:
- Verificabilità: il valore dell’attributo deve essere supportato da fonti autorevoli (ad esempio il numero di dipendenti di un’azienda deve provenire dal bilancio annuale o dai dati ufficiali di LinkedIn);
- Coerenza: lo stesso attributo della stessa entità deve essere coerente tra fonti diverse (ad esempio la “data di fondazione” sul sito ufficiale e nel bilancio non deve differire di oltre 1 mese).
Secondo le statistiche di Schema.org, le entità che coprono oltre 8 attributi principali hanno una probabilità del 62% superiore di essere incluse nel Knowledge Graph rispetto a quelle che ne coprono solo 3 (dati globali sui siti web del 2023).
Relazioni
La relazione (Relationship) è il collegamento tra entità e serve a rispondere alla domanda: “Quale relazione ha questa entità con altre entità?”.
È l’“anima” del Knowledge Graph, che intreccia entità discrete in una rete informativa sulla quale è possibile inferire.
I tipi di relazione possono essere suddivisi in tre grandi categorie (vedi tabella sotto), e ogni tipo porta con sé una specifica semantica:
| Tipo di relazione | Definizione | Esempio (con “Tesla”) |
|---|---|---|
| Relazione di attributo | Associazione diretta tra un’entità e i suoi attributi | Tesla-data di fondazione-1 aprile 2003 |
| Relazione entità-entità | Collegamento diretto tra un’entità e un’altra entità | Tesla-fondatore-Martin Eberhard; Tesla-prodotto-iPhone? No, iPhone è un prodotto Apple; l’esempio corretto è Tesla-prodotto-Model 3 |
| Relazione gerarchica | Relazione di inclusione tra entità e sottoclasse/sovraclasse | Tesla-società madre-SpaceX? No, l’esempio corretto è “auto elettrica-sottoclasse-auto completamente elettrica” (Tesla appartiene alle auto completamente elettriche) |
(Nota: nel precedente esempio di tabella “Tesla-prodotto-iPhone” era errato, ed è stato corretto.)
L’“accuratezza” delle relazioni è una sfida centrale del Knowledge Graph. Ad esempio, in una pagina web possono comparire contemporaneamente due affermazioni come “Musk è il fondatore di Tesla” e “Musk è il CEO di Tesla”; Google deve analizzare semanticamente il tipo di relazione (founder vs CEO) e garantire che la catena relazionale non contenga contraddizioni (ad esempio il “CEO” deve essere un “dipendente”, mentre il “fondatore” non deve necessariamente esserlo).
Una ricerca di Google del 2024 mostra che le entità che includono catene relazionali di oltre 3 livelli (ad esempio “Musk→Tesla→Model 3→fornitore di batterie→Panasonic”) hanno un CTR superiore del 41% rispetto a quelle con una sola relazione: più lunga è la catena, più completa è l’informazione e più facilmente l’utente ottiene direttamente la risposta di cui ha bisogno.
Knowledge Graph vs risultati di ricerca tradizionali
Quando un utente cerca “la compagnia di razzi di Elon Musk”, i risultati di ricerca tradizionali mostrano 10 link blu (ad esempio Wikipedia, comunicati stampa, sito ufficiale dell’azienda);
quando invece interviene il Knowledge Graph, sulla destra appare direttamente una scheda che mostra informazioni chiave come “SpaceX (Space Exploration Technologies Corp.)”, “Data di fondazione: 14 marzo 2002”, “Sede: Hawthorne, California, USA”, “Progetti principali: Falcon 9, Starship”.
Forma di presentazione delle informazioni
Il nucleo dei risultati di ricerca tradizionali è il “link alla pagina web”, e le informazioni si presentano sotto forma di “blocchi di testo”;
il Knowledge Graph, invece, mostra direttamente le informazioni chiave sotto forma di “scheda strutturata”.
La densità informativa e la leggibilità dei due approcci differiscono notevolmente (vedi tabella sotto):
| Dimensione | Risultati di ricerca tradizionali (esempio: “sede Tesla”) | Knowledge Graph (stessa query) |
|---|---|---|
| Forma dell’informazione | 10 link (ad esempio Wikipedia, sito ufficiale Tesla, comunicati stampa), e bisogna entrare nella pagina per cercare le informazioni relative alla “sede”. | Mostra direttamente una scheda: Tesla (Tesla, Inc.) Sede: Austin, Texas, USA Data di fondazione: 1 aprile 2003 Settore: auto elettriche / energia pulita |
| Densità informativa | Ogni singolo link contiene in media 500-2000 parole, ma le informazioni relative alla “sede” possono essere disperse in diversi paragrafi (ad esempio “nel 2021 Tesla ha trasferito la sede dalla California al Texas”). | Le informazioni chiave (nome, sede, data di fondazione, settore) vengono sintetizzate in 5-8 campi strutturati, senza contenuti ridondanti. |
| Tempestività dell’informazione | Dipende dalla data di aggiornamento della pagina web (ad esempio un comunicato stampa del 2022 potrebbe non menzionare il nuovo indirizzo della sede aggiornato dopo il trasferimento del 2023). | Google, tramite crawling in tempo reale e verifica multi-fonte, privilegia le informazioni più recenti (ad esempio nel 2024, cercando “sede Tesla”, appare direttamente “Austin”). |
Secondo un’indagine sugli utenti di Search Engine Journal del 2024, il 78% degli utenti ha dichiarato che “le schede del Knowledge Graph permettono di trovare la risposta più rapidamente”, mentre nei risultati tradizionali solo il 32% degli utenti trova l’informazione desiderata nel primo link; gli altri devono cliccare 2-3 link, con un aumento medio di 15 secondi del tempo richiesto.
Comportamento degli utenti
Confrontiamo due scenari tipici di ricerca:
Scenario 1: domande fattuali semplici (ad esempio “anno di nascita di Einstein”)
- Ricerca tradizionale: gli utenti cliccano su Wikipedia (41%), Encyclopaedia Britannica (23%), blog divulgativi (18%), con un tempo medio di permanenza di 2 minuti e 17 secondi; il 62% chiude la pagina dopo aver trovato la risposta, mentre il 38% continua a navigare altri link.
- Knowledge Graph: gli utenti guardano direttamente la scheda a destra (89%), con un tempo di permanenza di soli 23 secondi; il 75% chiude la pagina dopo aver visto la scheda, il 15% clicca su “Scopri di più” e va su Wikipedia, il 10% non compie altre azioni (fonte: tracciamento del comportamento utenti Moz 2024).
Scenario 2: ricerca di informazioni aziendali (ad esempio “sede Apple”)
- Ricerca tradizionale: gli utenti cliccano sul sito ufficiale Apple (35%), Wikipedia (28%), media tecnologici (come TechCrunch, 19%), con una media di 1,8 clic e una frequenza di rimbalzo del 57% (ovvero dopo aver visto un solo risultato se ne vanno).
- Knowledge Graph: gli utenti guardano direttamente la scheda (72%), i clic scendono a 0,9 e la frequenza di rimbalzo a 39%; il 41% clicca sul pulsante “sito ufficiale” (andando direttamente al sito), il 28% sul pulsante “prodotti” (andando alla pagina prodotto) (fonte: rapporto aziendale Google Search Console 2024).
L’evoluzione dell’algoritmo: dal “matching delle parole chiave” alla “comprensione semantica”
Il nucleo della ricerca tradizionale è il matching delle parole chiave + ranking PageRank: il crawler di Google acquisisce le pagine, estrae le parole chiave dal testo (come “Tesla”, “sede”), calcola la densità delle parole chiave, poi combina il tutto con il peso dei link (le pagine con più link da siti di alta qualità si classificano meglio), restituendo infine una lista di link pertinenti.
La logica tecnica del Knowledge Graph è molto più complessa e richiede quattro grandi fasi: riconoscimento delle entità→estrazione strutturata→associazione semantica→verifica autorevole (come segue)
Query dell’utente → il crawler di Google acquisisce testi da tutto il web → il modello NLP riconosce le entità (ad esempio “Tesla”) → estrae gli attributi (sede, data di fondazione) → collega altre entità (come “Texas”, “2021”) → verifica la coerenza multi-fonte (sito ufficiale, Wikipedia, database di settore) → genera una scheda strutturata → la ordina e la mostra
Questa differenza tecnica porta direttamente a una diversa “capacità di elaborazione delle informazioni”:
- Ricerca tradizionale: è brava a gestire “parole chiave long-tail” (ad esempio “data di uscita Tesla Model S nel 2010”), ma non comprende il significato (ad esempio, se l’utente cerca “l’auto di Musk”, potrebbe riferirsi a Tesla, ma la ricerca tradizionale potrebbe restituire l’enciclopedia personale di Musk).
- Knowledge Graph: realizza “inferenza semantica” tramite l’associazione tra entità (ad esempio “l’auto di Musk” → collega “Musk-fondatore-Tesla” → deduce “modelli Tesla”), e può quindi corrispondere con maggiore precisione all’intento dell’utente (fonte: white paper tecnico AI di Google 2023).
L’impatto sui siti web
1. Priorità di esposizione
Secondo i dati sul layout delle pagine dei risultati di ricerca di Google nel 2024, le schede del Knowledge Graph occupano solitamente 1/3 dell’area destra della pagina (in alto su mobile), coprendo il 70% delle ricerche su domande semplici. Se l’entità principale di un’azienda (come il brand o il nome del prodotto) viene inclusa, la “presenza visiva” del suo sito ufficiale nei risultati di ricerca aumenta in modo significativo — anche se il ranking organico del sito scende alla quinta pagina, gli utenti potrebbero comunque trovarlo tramite la scheda del Knowledge Graph.
2. Accuratezza delle informazioni
Se la “data di fondazione” contrassegnata sul sito ufficiale è in conflitto con Wikipedia, Google contrassegnerà l’entità come “a bassa affidabilità”, e non solo non la mostrerà nel Knowledge Graph, ma il ranking organico del sito potrebbe anche diminuire. Le statistiche Moz 2024 mostrano che i siti ufficiali aziendali con informazioni incoerenti perdono in media 22 posizioni nel ranking organico e il CTR cala del 19%.
3. Retenzione degli utenti
Se la scheda del Knowledge Graph copre le informazioni chiave richieste dagli utenti (come “prodotti”, “contatti”, “ultimi aggiornamenti”), è più probabile che gli utenti prendano direttamente una decisione tramite la scheda (come chiamare il numero del sito ufficiale o acquistare un prodotto); se invece le informazioni della scheda sono incomplete (ad esempio manca il campo “prodotti”), l’utente dovrà ancora cliccare sul link del sito ufficiale, e in quel momento sarà il sito a doversi assumere la responsabilità della “completezza informativa”.
La funzione del Knowledge Graph nella SERP
La scheda del Knowledge Graph che appare sulla destra o in alto nella pagina dei risultati di ricerca di Google (SERP) è la “corsia diretta della risposta” per l’utente.
I dati del 2023 mostrano che il 70% delle ricerche fattuali semplici (come “dov’è la sede di Tesla” o “anni di nascita e morte di Einstein”) viene risolto direttamente tramite il Knowledge Graph, con un tempo medio di permanenza di soli 23 secondi, il 40% in meno rispetto alla pagina dei risultati tradizionali.
La “finestra della risposta” al primo sguardo dell’utente
Quando un utente cerca “vendite Tesla 2023”, nella pagina dei risultati di Google (SERP), sulla destra (desktop) o in alto (mobile), appare una scheda che riporta chiaramente:
“Tesla (Tesla, Inc.) vendite globali 2023: 1,84 milioni di veicoli”, “modello principale: Model Y (1,2 milioni)”, “quota di mercato: 12,6% (veicoli a nuova energia a livello globale)”.
La “zona d’oro” dello sguardo dell’utente
La “Guida al design dell’interfaccia SERP” pubblicata da Google nel 2024 sottolinea chiaramente che l’obiettivo centrale della scheda del Knowledge Graph è “trasmettere le informazioni chiave nel minor numero di passaggi, all’interno dell’area di focalizzazione naturale dello sguardo dell’utente”.
1. Desktop: la “zona informativa” nel terzo destro dello schermo
Su desktop (ad esempio con una risoluzione 1920×1080), la scheda del Knowledge Graph si trova generalmente sulla destra della SERP, con una larghezza di circa 300-400px (pari a circa il 25%-33% della larghezza dello schermo) e un’altezza dinamica in base ai contenuti (di solito 400-600px).
La scelta di questa posizione si basa sui dati della heatmap dello sguardo degli utenti:
- I test di eye tracking mostrano che, durante la navigazione della SERP, lo sguardo dell’utente cade inizialmente nella parte alta a sinistra (i primi 3 risultati organici), ma il tempo di permanenza informativa nell’area di destra è del 37% superiore rispetto ai link non primi della parte sinistra (studio EyeQuant 2024);
- Una larghezza di 300-400px consente di contenere 5-8 informazioni chiave (come nome aziendale, data di fondazione, sede), senza comprimere lo spazio di lettura dei link a sinistra (dati A/B test Google 2023).
2. Mobile: la “scorciatoia informativa” in alto
Su mobile (ad esempio con una risoluzione 390×844 di iPhone 15 Pro), la scheda del Knowledge Graph si trova solitamente nella parte alta della SERP, con un’altezza di circa 200-300px (circa il 25% dell’altezza dello schermo) e una larghezza pari a quella dello schermo (390px).
Il design deriva dall’abitudine di “scorrimento rapido” degli utenti mobile:
- Gli utenti mobile in media saltano i primi 3 link dopo 1,2 scroll (statistiche App Annie 2024), mentre la scheda del Knowledge Graph in alto ha una “visibilità in prima schermata” che arriva al 92% (test interni Google);
- Un’altezza di 200-300px copre esattamente “attributi principali + 1 pulsante d’azione” (come “sito ufficiale” o “prodotti”), evitando il sovraccarico di informazioni (se l’utente scorre oltre i 300px, la frequenza di rimbalzo aumenta del 19%).
Struttura dei contenuti e priorità dei campi
Analizzando miliardi di log di ricerca, Google ha sintetizzato la “priorità dei campi” per diversi tipi di query (vedi tabella sotto).
1. Query su aziende/organizzazioni (ad esempio “Apple Inc.”)
L’esigenza principale dell’utente che cerca un’azienda è “confermare le basi dell’azienda + ottenere un punto di accesso all’azione”, quindi il contenuto della scheda dà priorità a “attributi di base + accesso al sito ufficiale”:
| Tipo di campo | Campo specifico (esempio) | Priorità di visualizzazione (dal più alto al più basso) | Supporto dati (Google 2023) |
|---|---|---|---|
| Attributi di base | Nome (Apple Inc.), data di fondazione (1 aprile 1976), sede (Cupertino, California, USA), settore (tecnologia/elettronica di consumo) | Posizioni 1-4 | L’82% delle schede aziendali contiene i primi 4 elementi |
| Identificatori principali | Link al sito ufficiale (Apple.com), ticker azionario (AAPL) | Posizioni 5-6 | Il 75% delle schede aziendali contiene il pulsante del sito ufficiale |
| Informazioni dinamiche | Aggiornamenti recenti (come “ricavi 2023: 383,2 miliardi di dollari”, “WWDC 2024: lancio di Vision Pro”) | Posizioni 7-8 | Il 60% delle schede aziendali contiene 1 aggiornamento dinamico |
Ad esempio, cercando “Apple Inc.”, la scheda mostrerà prima “nome-data di fondazione-sede-settore”, poi il link al sito ufficiale, e infine informazioni dinamiche come i ricavi del 2023.
2. Query su persone (ad esempio “Elon Musk”)
L’esigenza principale dell’utente che cerca una persona è “confermare l’identità + capire il ruolo sociale”, quindi la scheda dà priorità a “etichetta identitaria + risultati rappresentativi”:
| Tipo di campo | Campo specifico (esempio) | Priorità di visualizzazione (dal più alto al più basso) | Supporto dati (Google 2023) |
|---|---|---|---|
| Etichetta identitaria | Nome (Elon Musk), data di nascita (28 giugno 1971), nazionalità (USA), professione (imprenditore/ingegnere) | Posizioni 1-4 | Il 75% delle schede persona contiene i primi 4 elementi |
| Ruolo sociale | Aziende rappresentative (CEO di Tesla, fondatore di SpaceX), riconoscimenti (come “Person of the Year 2023” di Time) | Posizioni 5-6 | Il 68% delle schede persona contiene 2-3 ruoli |
| Entità correlate | Persone correlate (ad esempio Grimes, partner), eventi correlati (acquisizione della piattaforma X nel 2023) | Posizioni 7-8 | Il 52% delle schede persona contiene 1-2 collegamenti |
Ad esempio, cercando “Elon Musk”, la scheda mostrerà prima “nome-data di nascita-nazionalità-professione”, poi i suoi ruoli aziendali principali e infine eventi correlati.
3. Query su prodotti/servizi (ad esempio “iPhone 15”)
L’esigenza principale dell’utente che cerca un prodotto è “confermare le informazioni sul prodotto + supportare la decisione d’acquisto”, quindi la scheda dà priorità a “parametri chiave + accesso all’acquisto”:
| Tipo di campo | Campo specifico (esempio) | Priorità di visualizzazione (dal più alto al più basso) | Supporto dati (Google 2023) |
|---|---|---|---|
| Parametri chiave | Nome (iPhone 15), data di lancio (settembre 2023), prezzo di partenza (799 USD), dimensione schermo (6,1 pollici) | Posizioni 1-4 | L’85% delle schede prodotto contiene i primi 4 elementi |
| Funzioni principali | Funzioni distintive (Dynamic Island, chip A16), durata batteria (20 ore di riproduzione video) | Posizioni 5-6 | Il 72% delle schede prodotto contiene 2-3 funzioni |
| Accesso all’acquisto | Link di acquisto (Apple ufficiale, Amazon), stato scorte (“disponibile sul sito ufficiale USA”) | Posizioni 7-8 | Il 65% delle schede prodotto contiene il pulsante di acquisto |
Ad esempio, cercando “iPhone 15”, la scheda mostrerà prima “nome-data di lancio-prezzo di partenza-dimensione schermo”, poi evidenzierà funzioni come Dynamic Island e infine fornirà il link di acquisto dal sito ufficiale.
Meccanismo di aggiornamento in tempo reale
1. Crawling in tempo reale
La frequenza di scansione del crawler di Google (Googlebot) per entità ad alta attenzione (come aziende Fortune 500 o prodotti popolari) è passata dal tradizionale “una volta alla settimana” a “una volta all’ora” (note sull’aggiornamento dell’algoritmo di ricerca Google 2024).
Ad esempio, quando Tesla ha lanciato Cybertruck nell’ottobre 2023, Googlebot ha acquisito comunicati stampa dal sito ufficiale, TechCrunch e Reuters entro 15 minuti dalla fine dell’evento, avviando poi il processo di verifica delle informazioni.
2. Verifica multi-fonte
Le informazioni aggiornate in tempo reale devono passare attraverso la “verifica incrociata multi-fonte” prima di essere mostrate. Ad esempio, quando il sito ufficiale Tesla annuncia “435.000 consegne nel Q3 2023”, Google acquisisce contemporaneamente:
- annuncio del sito ufficiale (fonte autorevole, peso 90%);
- relazione trimestrale 10-Q della SEC USA (fonte autorevole, peso 85%);
- report di settore di Bloomberg e Reuters (fonti terze, peso 70%).
Se i dati sulle “consegne” dei tre risultano coerenti (errore ≤2%), la scheda del Knowledge Graph viene aggiornata immediatamente;
se esistono contraddizioni (ad esempio il sito ufficiale riporta 435.000 e la SEC 428.000), l’aggiornamento viene ritardato fino a 24 ore, finché il conflitto non viene risolto (Guida all’aggiornamento in tempo reale del Knowledge Graph di Google 2023).
3. Rendering rapido
Le informazioni verificate vengono rapidamente trasformate in schede del Knowledge Graph. I test tecnici di Google del 2024 mostrano che il tempo medio che intercorre tra il completamento della verifica e la pubblicazione della scheda è di 4,2 minuti per entità ad alta attenzione, e di 18 minuti per entità ordinarie.
Ad esempio, dopo l’annuncio del Premio Nobel per la fisiologia o medicina 2023, Google ha aggiornato la scheda del Knowledge Graph di “Katalin Karikó” in soli 5 minuti, mostrando il nuovo attributo “vincitrice del Nobel 2023”.
Dal “cliccare un link” all’“ottenere direttamente”
Quando l’utente cerca “vincitori del Premio Nobel per la chimica 2023”, i risultati di ricerca tradizionali mostrano 10 link blu (come Wikipedia, comunicati stampa, siti accademici), e l’utente deve cliccare uno per uno per trovare “i nomi dei vincitori” e “il risultato premiato”;
quando invece il Knowledge Graph è disponibile, la scheda a destra mostra direttamente: “Il Premio Nobel per la chimica 2023 è stato assegnato alla scienziata americana Jennifer Doudna e alla scienziata francese Emmanuelle Charpentier per il loro contributo rivoluzionario alla tecnologia di editing genetico CRISPR”.
Confronto degli scenari
Abbiamo selezionato tre scenari di ricerca ad alta frequenza (fatti semplici, informazioni aziendali, ricerca di prodotti) per confrontare le differenze nel comportamento degli utenti tra ricerca tradizionale e Knowledge Graph (fonti: tracciamento del comportamento utenti Moz 2024, rapporto aziendale Google Search Console 2024).
Scenario 1: ricerca fattuale semplice (ad esempio “anni di nascita e morte di Einstein”)
Catena comportamentale nella ricerca tradizionale (tempo: 2 minuti e 17 secondi):
L’utente inserisce la query → clicca su Wikipedia (41%) / Encyclopaedia Britannica (23%) / blog divulgativi (18%) → scorre la pagina per trovare “anni di nascita e morte” (in media 3 scroll) → conferma l’informazione (ad esempio “14 marzo 1879 – 18 aprile 1955”) → chiude la pagina (62%) oppure continua a consultare altri link (38%).
Catena comportamentale nel Knowledge Graph (tempo: 23 secondi):
L’utente inserisce la query → guarda direttamente la scheda a destra (89%) → scansiona rapidamente “anni di nascita e morte”, “nazionalità”, “principali contributi” (in media l’attenzione si concentra su 3 campi) → chiude la pagina (75%) oppure clicca su “Scopri di più” e va su Wikipedia (15%).
Differenze chiave:
- Numero di clic: da 1,8 (tradizionale) a 0 (Knowledge Graph mostra direttamente);
- Efficienza nell’ottenere informazioni: da “selezione attiva” a “ricezione passiva”, senza bisogno di decidere “quale link contiene la risposta”;
- Bounce rate: dal 57% (tradizionale) al 25% (Knowledge Graph).
Scenario 2: ricerca di informazioni aziendali (ad esempio “sede Apple”)
Catena comportamentale nella ricerca tradizionale (media 1,8 clic, bounce rate 57%):
L’utente inserisce la query → clicca sul sito ufficiale Apple (35%) / Wikipedia (28%) / media tecnologici (come TechCrunch, 19%) → cerca “Contattaci” nella homepage del sito (in media 5 scroll) oppure individua l’informazione nel campo “sede” su Wikipedia → conferma l’indirizzo (ad esempio “Cupertino, California, USA”) → chiude la pagina (57%) oppure passa ad altri link (43%).
Catena comportamentale nel Knowledge Graph (media 0,9 clic, bounce rate 39%):
L’utente inserisce la query → guarda direttamente la scheda (72%) → fissa il campo “sede” (91%) → clicca sul pulsante “sito ufficiale” nella scheda (41%) andando direttamente al sito, oppure clicca sul pulsante “prodotti” (28%) per vedere la pagina di iPhone 15.
Differenze chiave:
- Costo di localizzazione dell’informazione: da “scorrere la pagina 5 volte” a “guardare 1 solo campo”;
- Conversione all’azione: i pulsanti “sito ufficiale” e “prodotti” nella scheda guidano direttamente l’utente, con un tasso di click-through 2,3 volte superiore rispetto al “link homepage” della ricerca tradizionale (test interni Google);
- Fiducia nella decisione: quando la scheda indica una “fonte autorevole” (come Wikipedia), la fiducia dell’utente nelle informazioni cresce del 44% (ricerca Moz 2024).
Scenario 3: ricerca di prodotto (ad esempio “prezzo di partenza iPhone 15”)
Catena comportamentale nella ricerca tradizionale (tempo medio di permanenza 2 minuti e 5 secondi):
L’utente inserisce la query → clicca sul sito ufficiale Apple (42%) / Amazon (25%) / media tecnologici (come The Verge, 18%) → cerca “iPhone 15” nella pagina “Prezzi” del sito (in media 4 scroll) oppure confronta i prezzi su Amazon → annota il prezzo di partenza (ad esempio “799 dollari”) → chiude la pagina (68%) oppure continua a confrontare i prezzi (32%).
Catena comportamentale nel Knowledge Graph (tempo medio di permanenza 28 secondi):
L’utente inserisce la query → guarda direttamente la scheda (85%) → osserva i campi “prezzo di partenza” e “data di lancio” (89%) → clicca sul “link di acquisto” nella scheda (65%) andando direttamente al sito ufficiale o ad Amazon, oppure clicca su “funzioni principali” (22%) per vedere parametri come Dynamic Island.
Differenze chiave:
- Costo del confronto prezzi: da “confrontare 3 pagine” a “completare tutto in 1 scheda”;
- Velocità della decisione d’acquisto: da “oltre 10 minuti” a “entro 30 secondi”, con un aumento del 31% del tasso di ordine (piattaforma di analisi e-commerce Statista 2024);
- Tempestività dell’informazione: la scheda aggiorna in tempo reale il “prezzo di partenza” (ad esempio in caso di promozioni del 2024), evitando che l’utente perda offerte per via di informazioni non aggiornate.
Perché il Knowledge Graph è più veloce
“Sovraccarico informativo” → “selezione precisa”
Una pagina di risultati tradizionali contiene in media 10 link, ciascuno con 500-2000 parole di testo, ma le informazioni chiave richieste dagli utenti (come “sede” o “prezzo di partenza”) possono essere sparse in paragrafi diversi o persino in link differenti.
Il Knowledge Graph, tramite estrazione strutturata + associazione semantica, condensa le informazioni chiave in 5-8 campi, senza che l’utente debba “cercare un ago in un pagliaio” tra contenuti ridondanti.
Ad esempio, cercando “vendite Tesla 2023”, la ricerca tradizionale richiede di consultare 3 comunicati stampa (Q1, Q2, Q3) per sommare i dati annuali;
la scheda del Knowledge Graph, invece, mostra direttamente “vendite globali 2023: 1,84 milioni”, permettendo all’utente di ottenere l’informazione completa in 3 secondi.
“Intento ambiguo” → “matching preciso”
Quando l’utente si esprime in modo ambiguo (ad esempio “l’auto di Musk”), la ricerca tradizionale può restituire risultati non pertinenti (come la biografia personale di Musk).
Il Knowledge Graph, tramite analisi delle associazioni tra entità, identifica le entità centrali collegate a “Musk” (Tesla, SpaceX) e deduce l’intento dell’utente (“la casa automobilistica fondata o co-fondata da Musk”), mostrando infine le informazioni sui prodotti Tesla.
Il white paper tecnico AI di Google del 2023 mostra che il Knowledge Graph raggiunge un’accuratezza dell’81% nella comprensione delle query ambigue (contro il 57% della ricerca tradizionale), e la probabilità che l’utente chiuda la pagina per “informazione non pertinente” cala dal 42% al 19%.
“Mancanza di fiducia” → “garanzia autorevole”
Nei risultati di ricerca tradizionali, gli utenti fanno fatica a stabilire quali informazioni siano affidabili (ad esempio un blog può scrivere “Tesla ha venduto 2 milioni di veicoli nel 2023”, mentre il sito ufficiale riporta “1,84 milioni”).
Il Knowledge Graph, tramite il meccanismo di verifica multi-fonte, mostra solo informazioni “coerenti in almeno 3 fonti autorevoli” (come sito ufficiale, Wikipedia, database di settore), e nella scheda indica anche la “fonte autorevole” (ad esempio “dati dal rapporto annuale Tesla 2023”), aumentando del 58% la fiducia degli utenti nelle informazioni (indagine Moz 2024).
Come il Knowledge Graph “capisce” l’intento dell’utente
Dal “matching delle parole chiave” alla “comprensione semantica”
Google utilizza modelli pre-addestrati come BERT per analizzare l’“intento semantico” delle query degli utenti (ad esempio, in “dov’è la sede di Tesla”, “sede” implica un’esigenza di “posizione geografica”; in “prezzo di partenza iPhone 15”, “prezzo di partenza” implica un’esigenza di “prezzo”).
Questo tipo di modello sa riconoscere anche l’“intento implicito”: ad esempio, se l’utente cerca “la compagnia di razzi di Musk”, il modello collegherà “Musk-fondatore-SpaceX”, invece di limitarsi a far corrispondere la voce enciclopedica personale di Musk.
I dati di test di Google del 2024 mostrano che l’accuratezza dei modelli di riconoscimento dell’intento è passata dal 62% del 2019 all’89% del 2024, e la probabilità che l’utente abbandoni la pagina a causa di “mancata corrispondenza con l’intento” si è ridotta del 34%.
Dal “testo non strutturato” ai “campi leggibili dalla macchina”
Il Knowledge Graph, tramite tecnologie NLP (come riconoscimento delle entità ed estrazione degli attributi), trasforma il “testo non strutturato” delle pagine web in “campi strutturati” (ad esempio “Tesla-sede-Texas”).
Ad esempio, una frase come “La sede di Tesla si trova ad Austin, in Texas, negli Stati Uniti” verrà estratta come:
- Entità: Tesla
- Attributo: sede
- Valore: Austin, Texas
L’accuratezza di questa estrazione varia in base al tipo di entità (92% per informazioni aziendali, 85% per informazioni personali, 88% per informazioni di prodotto), ma è già sufficiente a supportare la visualizzazione delle informazioni nella scheda (white paper tecnico Google 2023).
Dai “risultati statici” alle “informazioni in tempo reale”
Il Knowledge Graph, tramite il meccanismo di “crawling in tempo reale + verifica multi-fonte”, garantisce che le informazioni della scheda siano sincronizzate con la realtà. Ad esempio, dopo che Tesla ha annunciato nel 2023 il “trasferimento della sede in Texas”, il crawler di Google ha acquisito entro 2 ore i report del sito ufficiale, di Reuters e di Bloomberg, ha verificato la coerenza delle informazioni (sito ufficiale e Reuters concordavano), e ha aggiornato entro 4 ore tutte le schede del Knowledge Graph relative alla ricerca “Tesla”.
I test tecnici di Google del 2024 mostrano che il ciclo di aggiornamento delle informazioni per entità ad alta attenzione (come le aziende Fortune 500) si è ridotto dal tradizionale “una volta alla settimana” a un livello “orario”, e il ritardo delle informazioni ricevute dall’utente è passato da “3 giorni” a “2 ore”.
Come il Knowledge Graph “fornisce con precisione” la risposta
Quando l’utente cerca “produzione della Gigafactory di Shanghai di Tesla nel 2023”, la scheda del Knowledge Graph può mostrare direttamente: “Nel 2023 la produzione dello stabilimento di Shanghai è stata di 1,25 milioni di veicoli, pari al 48% della capacità produttiva globale totale di Tesla”.
Principio tecnico
Il nucleo del Knowledge Graph consiste nel trasformare il “testo non strutturato” (come paragrafi e frasi nelle pagine web) in “dati strutturati” (come triple “entità-attributo-valore”), e nel costruire una rete informativa attraverso relazioni collegate.
Questo processo dipende dalla seguente catena tecnica (vedi sotto):
Query dell’utente → il crawler di Google acquisisce testi da tutto il web → il modello NLP riconosce entità (ad esempio “Tesla”) → estrae attributi (ad esempio “produzione dello stabilimento di Shanghai”) → collega altre entità (ad esempio “capacità produttiva globale totale”) → verifica la coerenza multi-fonte → genera una scheda strutturata → la ordina e la mostra
Aggiornamenti a livello orario
