데이터세트 스키마에 Google 데이터세트 검색을 사용하는 방법

게시 됨: 2019-10-01

Google 데이터세트 검색: 쿼리에 데이터세트 스키마를 사용하는 방법

2021년 12월 6일 업데이트됨

디지털 데이터의 양이 증가함에 따라 검색 마케팅 전략 가는 데이터를 이해해야 하는 필요성이 커지고 있습니다.

많은 고급 데이터베이스 애플리케이션이 Google 데이터베이스 검색을 지원하기 시작했습니다. 또한 SEO는 데이터를 더 잘 이해하기 위해 2019년 9월 Google Search Console에 새로운 보고서를 추가했습니다. 온톨로지로 인코딩된 도메인 수준 지식을 관계형 데이터에 대한 쿼리에 통합함으로써 많은 것을 얻을 수 있습니다. SEO에 대해 많은 말을 하고 있기 때문에 검색 마케터는 허구에서 사실을, 유용한 SEO 전술에서 유해한 것, 검증된 사실과 단순한 이야기를 구별하는 것이 더 어렵다는 것을 알게 되었습니다.

과거의 검색 마케팅 경험과 직관에 크게 의존하는 것은 좋지만 너무 자주 옳지 않습니다. 데이터에 영향을 받은 결정은 "내 직감이 그렇게 말했어"보다 일관되게 더 나은 것으로 판명되었습니다. Google Analytics와 같은 많은 데이터 인사이트 도구는 실제 지원 증거를 제공하지만 이제 Google Cloud 공개 데이터 세트를 찾는 것이 그 어느 때보다 쉬워졌습니다.

Google 데이터세트 검색이란 무엇입니까?

간단히 말해 Google 데이터 검색은 공개 schema.org/Dataset 표준을 사용하여 웹사이트 내에 구조화된 메타데이터를 추가하는 크든 작든 데이터세트 제공업체에 의존한다는 것입니다. Google 데이터 세트 검색은 검색자가 특정 검색 구문으로 검색을 통해 웹에 저장된 데이터 세트를 찾을 수 있도록 합니다. Google에 따르면 이 도구는 웹을 통해 수천 개의 리포지토리에서 호스팅되는 데이터 세트에 대한 정보를 표시하여 이러한 데이터 세트를 보편적으로 액세스하고 유용하게 만듭니다.

틈새 비즈니스와 관련된 수요가 많은 공개 데이터 세트에 액세스하여 클라우드 데이터에서 새로운 소비자 통찰력을 발견할 수 있습니다. BigQuery 및 Cloud Storage에서 호스팅되는 추가 데이터세트를 분석 하면 Google Cloud의 전체 가치를 더 쉽게 경험할 수 있습니다 .

데이터 저널리스트는 이미 정부 데이터 및 사회 과학용 데이터 세트를 얻는 데 익숙합니다. 이 문서는 디지털 진행 상황을 측정하고 최신 Google 스키마 마크업 기회를 활용하기 위한 기준을 설정하고 데이터 기반 프레임워크를 설정하는 데 도움이 됩니다.

Google의 데이터 세트 검색은 학자들이 필요할 수 있는 데이터를 찾도록 돕기 위해 Google에서 시작한 일종의 검색 엔진으로 인식됩니다. 검색 마케팅 담당자는 데이터 세트를 더 많이 활용하는 데 관심을 기울이고 있습니다.

데이터 세트는 데이터 인텔리전스와 복잡한 온톨로지를 단순화합니까?

네. 공급자 이름, 설명, 작성자 및 배포 형식과 같은 지원 정보가 구조화된 데이터로 마크업되면 데이터 세트를 더 쉽게 찾을 수 있습니다. Google은 데이터세트를 나타내는 웹 콘텐츠에 추가할 수 있는 schema.org 및 기타 메타데이터 표준을 통해 데이터세트 검색을 더 쉽게 만듭니다.

Google은 라이브러리 색인을 구축하고 나면 사용자 쿼리에 응답하기 시작하고 각 사용자의 쿼리(말 또는 입력)에 가장 적합한 결과를 결정합니다.

“관계형 SQL 쿼리 언어 또는 그 확장에서 그래프 구조의 온톨로지에 대한 쿼리를 표현하는 것은 매우 어렵습니다. 게다가 시맨틱 쿼리는 일반적으로 정확하지 않습니다. 특히 데이터와 관련 온톨로지가 복잡할 때 그렇습니다.”
사용자는 온톨로지 표현을 알 필요조차 없습니다. 필요한 것은 사용자가 염두에 두고 있는 쿼리를 충족시키는 몇 가지 예를 제공하는 것입니다. 다음으로 Google 시스템은 쿼리에 대한 답변을 자동으로 찾습니다 . 이 과정에서 일반적으로 표현하기 어려운 개념인 의미론(semantics)이 쿼리 언어로 명시적으로 표현되지 않고 사용자의 마음 속에 개념으로 남아 있게 된다. – Google 백서: 예시별 시맨틱 쿼리 *****

이것은 기회를 제공합니다. 자연어 처리를 구축하는 모든 사람은 대규모 데이터 세트에 대해 사전 훈련된 모델을 사용할 수 있습니다. 독해부터 감정 분석, BERT까지, 주요 연구 동향은 NLP에서 전이 학습의 부상입니다.

검색 마케팅 담당자의 역할은 데이터를 요약해야 할 필요성이 증가함에 따라 더욱 복잡해졌습니다. 자신의 데이터 세트를 만드는 것은 학술 문헌에 의존할 수 있는 긍정적인 SEO의 한 형태입니다. 더 넓은 수준에서 이미지 데이터를 적용하는 방법에 대해 다시 생각하는 것이 시작점이 될 수 있습니다. 이것은 링크 그래프 및 웹링크 네트워크 내에서 짧은 경로를 결정하기 위한 확장 가능한 시스템을 지원합니다. 사이트의 링크 맵을 다시 크롤링하고 다시 계산할 때 Google에 도움이 될 수 있습니다.

"예를 들어 과학, 학술 또는 정부 "개방형 데이터" 리포지토리에 게시된 것과 같이 패키지 데이터 컬렉션을 설명할 때 DataCatalog와 함께 전체 컬렉션을 나타내고 DataDownload와 함께 데이터 세트의 특정 표현을 사용할 수 있습니다. – 데이터 및 데이터 세트 – schema.org

데이터 세트 스키마를 추가하는 단계

먼저 데이터 세트 문서 마크업을 읽고 단일 DCAT 파일과 비교하여 도메인에 추가하는 방법을 알아보세요.
다음으로 Google이 선호하는 JSON-LD 마크업 형식으로 구조화된 데이터 조각 모음에 추가합니다. 스키마의 데이터 세트 유형을 사용하십시오.
Google 구조화된 데이터 테스트 도구를 사용하여 데이터세트 구현을 테스트하세요.
마지막으로 Googlebot이 데이터세트 페이지 크롤링을 시작하도록 지시하는 사이트맵에 URL을 제출했습니다.

참고: Google은 DCAT 형식의 마크업을 허용합니다. Google의 데이터 세트 스키마는 일부 조직화된 정보를 설명하는 구조화된 정보 본문을 표시하기 위한 것입니다. 본문 또는 헤드에 JSON 구조화된 데이터를 삽입하는 데 작동합니다.

JSON-LD 코드 및 스키마 어휘를 사용하는 Google 데이터 세트

Google 데이터 세트 검색 엔진이란 무엇입니까?

Google 데이터 세트 검색 엔진은 사용자가 Google을 사용하여 공개적으로 소스에 제공되는 온라인 데이터를 찾으려고 할 때 사용됩니다. Google 데이터 세트 검색은 학술 연구, 연구 및 보고서를 위한 기업의 검색 엔진인 Google Scholar와 함께 작동하도록 고안되었습니다.

Google 데이터세트 문서 페이지의 최근 변경사항은 Google 검색의 리치 결과에서 웹마스터, SEO 및 게시자에게 구조화된 데이터세트 데이터 롤아웃 방식을 업데이트합니다. 우리가 Schema.org를 사용하는 일반적인 방식과 달리 데이터 세트 스키마는 임의의 형식이거나 집계 통계를 나타낼 수 있습니다.

Aaron은 Google이 알림에 별표와 함께 앞발 모양 아이콘을 삭제했다고 설명합니다. 그는 "데이터 세트가 풍부한 결과의 출시가 임박했음을 시사합니다."라고 말했습니다.

스키마로 데이터 세트를 마크업해야 하는 이유는 무엇입니까?

이상적인 고객 경험은 종종 어렵게 느껴질 수 있습니다. 고객 여정을 매핑하고 수많은 디지털 데이터 문자열을 정렬하는 것은 쉽지 않습니다. 올바른 고객에게 딱 맞는 제안을 하는 것 이상이 필요합니다. 구매 시간, 디지털 채널, 과거의 데이터 수집, 때로는 그 이상으로 시작합니다. 데이터 관리는 전술적 미디어 구매 사고에서 브랜드 신뢰를 구축하는 기업 고객 경험의 핵심인 올바른 전략적 통찰력을 구현하는 방법으로 이동했습니다.

귀하의 콘텐츠를 더 잘 이해하고 일치시키며 답변과 솔루션에 사용할 수 있습니다. 데이터 세트 스키마는 기계 학습 접근 방식을 활용하여 관계형 데이터베이스에서 의미론적 쿼리를 처리합니다. 시맨틱 쿼리 처리에서 가장 큰 장애물은 관계형 데이터베이스 엔진이 데이터 조작에 맞춰 온톨로지를 조작할 수 있도록 관계형 형태로 정확한 온톨로지 데이터를 제공하는 것입니다.

스키마로 마크업된 데이터 세트는 다른 사람들이 해석하기 쉽고 검색 엔진이 데이터를 더 잘 이해할 수 있습니다. 이렇게 하면 해당 이해를 데이터의 시각적 삽화로 변환하는 데 도움이 됩니다.

Google은 데이터 세트를 다음과 같은 경우에 사용할 수 있다고 말합니다.

일부 데이터가 포함된 테이블 또는 CSV 파일
정리된 테이블 모음
데이터를 포함하는 독점 형식의 파일
함께 의미 있는 데이터 세트를 구성하는 파일 모음
처리를 위해 특수 도구에 로드할 수 있는 다른 형식의 데이터가 있는 구조화된 개체
데이터 캡처 이미지
훈련된 매개변수 또는 신경망 구조 정의와 같은 기계 학습과 관련된 파일
데이터 세트처럼 보이는 모든 것

우리는 거대한 데이터 세트를 발견했습니다. 간단하게 유지하는 것이 가장 좋습니다. Google은 "모든 텍스트 속성을 5000자 이하로 제한할 것을 권장합니다. Google 데이터 세트 검색은 모든 텍스트 속성의 처음 5000자만 사용합니다. 이름과 제목은 일반적으로 몇 단어 또는 짧은 문장입니다."

안전하고 신뢰할 수 있는 관계형 데이터베이스로 데이터를 현대화하는 방법

관계형 데이터베이스는 데이터 간의 관계를 구성하고 강조하는 테이블과 열에 데이터를 수집하고 보관합니다. 관계형 데이터베이스는 구조화되고 연결된 데이터를 위한 것입니다. Webopedia는 관계형 데이터베이스를 "데이터의 한 인스턴스가 편집되거나 변경되면 데이터를 자동으로 업데이트하도록 설정합니다. 다른 관련 데이터는 실시간 업데이트를 받습니다. 사람들은 종종 관계형 데이터베이스와 관계형 데이터베이스 관리 시스템(RDBMS)을 같은 의미로 사용합니다.

이를 통해 기업은 최신 아키텍처로 데이터 솔루션을 구축하고 실시간으로 비즈니스 스마트 통찰력을 얻어 사용자 의도를 더 잘 충족할 수 있습니다.

테이블-텍스트 모델은 구조화된 데이터에서 텍스트 정보를 추출합니다.

데이터 중심 및 사람 중심

필드 수준 데이터 추출을 위한 순차적 메커니즘을 사용하면 대체 데이터 유형에 매핑하는 것보다 중요한 입력 기능을 평가하는 궁극적인 분류 또는 회귀 작업을 수행하는 데 도움이 됩니다.

Google 데이터 세트 보고서는 일치하는 검색 의도에 대한 생각을 강화하는 데 도움이 될 수 있습니다. 온라인 데이터 라이브러리를 검색하여 필요한 것을 찾거나 데이터 과학자를 고용하십시오. 데이터 집합이 풍부한 결과는 원시 데이터를 의미 있는 통찰력으로 인코딩하는 데 도움이 되는 신속한 연구 및 개발 워크플로에 유용합니다. 데이터에 대한 구조화된 접근 방식을 만드는 데 도움이 됩니다. 기업은 의사 결정 프로세스를 간소화하고 더 빠른 성과를 낼 수 있어 이점을 얻습니다.

"빠른 연구 및 개발 진행을 가능하게 하는 주요 요인 중 하나는 원시 데이터를 의미 있는 표현으로 효율적으로 인코딩할 수 있는 표준 신경망 아키텍처의 가용성입니다. 간단한 의사 결정 계층과 통합된 이러한 표준 아키텍처는 일반적으로 약간의 추가 조정 노력으로 새로운 데이터 세트 및 관련 작업에서 고성능을 제공합니다." – Google Cloud AI에서 세심하게 해석 가능한 표 형식 학습

Google 데이터세트 검색 베타에서 변경된 사항은 무엇입니까?

이전에 Google 문서에는 "데이터세트 마크업이 일반 공급으로 출시되기 전에 실험할 수 있습니다."라고 명시되어 있으며 유효성 검사를 위해 구조화된 데이터 테스트 도구를 사용할 수 있지만 "다음을 수행하지 않을 것"이라고 경고했습니다. 하지만 데이터세트가 검색에 나타나는지 확인하세요." 이것이 출시되기를 기다렸던 사람들을 위해 데이터세트 구조화된 데이터를 사이트에 추가하면 모바일 문제와 속성 사양을 측정하는 데 도움이 될 수 있습니다. Google Dataset Search는 학술 연구 및 사실 기반 보고서를 위한 기술 회사의 검색 엔진인 Google Scholar를 지원합니다.

2020년 1월 23일 Google의 나타샤 노이(Natasha Noy)는 "데이터 세트 검색은 이러한 데이터 세트 중 거의 2,500만 개를 인덱싱하여 데이터 세트를 검색하고 데이터가 있는 위치에 대한 링크를 찾을 수 있는 단일 장소를 제공합니다. 지난 1년 동안 사람들이 그것을 시도하고 피드백을 제공했으며 이제 Dataset Search는 공식적으로 베타가 종료되었습니다."

웹 기사에서 수백만 개의 데이터 세트를 발견하면 전 세계 대부분의 정부가 데이터를 게시하고 schema.org로 마크업한다는 사실을 알 수 있습니다. "미국은 2백만 개 이상의 사용 가능한 공개 정부 데이터 세트 수에서 선두를 달리고 있습니다."

이는 시장 조사자들이 디지털 역사에서 그 어느 때보다 데이터에 더 잘 접근할 수 있음을 의미합니다.

데이터 세트는 사이트의 모든 콘텐츠를 관리할 수 있습니다.

깨끗하고 유용한 데이터를 수집하면 많은 시간이 필요하지만 사이트의 모든 콘텐츠를 관리하는 데 도움이 될 수 있습니다.

보다 현실적인 데이터 세트로 다양한 기계 학습 작업을 사용하여 사실에 입각한 정보를 얻는 방법을 배울 수 있습니다. 각 비즈니스 KPI에 대해 Hill Web Marketing은 어떤 메트릭이 중요한지, 스키마를 사용하여 이를 업계 목표에 맞추는 방법을 이해하고 개선된 성과를 얻는 방법을 플로팅하는 데 도움을 줄 수 있습니다.

Google AI의 연구 과학자인 나타샤 노이(Natasha Noy)는 2018년 9월 5일 데이터 세트를 더 쉽게 발견할 수 있도록 출판하면서 "데이터 세트 검색은 여러 언어로 작동하며 곧 추가 언어가 지원될 예정입니다"라고 말했습니다.**** 분명히 이것은 웹이 가고 있는 방향; 필수 유형의 스키마 마크업을 구현하면 비즈니스를 찾는 데 도움이 됩니다.

데이터 세트를 사용하면 제품 수익 흐름을 보장하는 데 도움이 됩니다.

Google 데이터 세트 검색은 어떻게 작동합니까?

데이터 세트는 이름, 설명, 작성자 및 배포 형식과 같은 정보를 구조화된 데이터로 제공할 때 쉽게 검색할 수 있습니다. Google은 데이터 세트 검색을 지원하고 데이터 세트를 설명하는 웹 페이지에 통합할 수 있는 schema.org 및 기타 데이터 형식을 사용합니다. 이 스키마는 제품 캐러셀 검색 결과에 포함될 가능성을 지원할 수 있습니다.

비즈니스의 미래 성공은 조직을 지속적인 수익원으로 이끄는 데 필요한 통찰력에 달려 있습니다. 제품에 대한 메시지는 거래를 성사시키는 데 필요한 조치를 취할 수 있을 만큼 잠재 구매자의 확신을 불러일으킬 수 있어야 합니다. 회사의 지식 그래프에 표시되는 내용을 일정 수준으로 제어할 수 있습니다. Harvard Business Review에 따르면 "International Data Corporation은 D&A에 대한 글로벌 비즈니스 투자가 2020년까지 연간 2,000억 달러를 초과할 것으로 추정하고 있어 이해 관계가 높습니다."라고 말했습니다.

“강력하고 성공적인 D&A(데이터 및 분석) 기능에는 여러 기술 스택 또는 건물의 한 층에 고립된 소수의 사람들이 포함됩니다. D&A는 영업, 마케팅, 공급망, 고객 경험 및 기타 핵심 기능 전반에 걸친 모든 주요 결정에 통합되는 조직의 맥박이 되어야 합니다.” – 하버드 비즈니스 리뷰

제품 이미지는 Google 이미지 데이터세트의 일부가 될 수 있습니다! 일부 데이터세트에는 평균적으로 이미지당 8.4개의 개체가 있습니다. 다음은 자주 업데이트되는 데이터 세트 목록입니다.

Google 문서 페이지에는 schema.org/Dataset 구현을 위한 JSON-LD 예제가 포함되어 있습니다. 관형 데이터 세트가 베타 버전이므로 데이터 세트 설명 및 사용에 대한 모범 사례가 나타날 것입니다. 코드 요구 사항이 변경되면 기술 SEO 감사를 수행하여 업데이트가 필요한 위치를 찾습니다.

Google BigQuery에 제품 및 이미지 데이터세트를 업로드하는 방법은 무엇입니까?

Google BigQuery(GBQ)를 사용하면 검색 마케팅 담당자가 다양한 소스에서 데이터를 수집할 수 있습니다. Google Merchant Center, Cloud Storage, BigQuery를 사용하는 것이 좋습니다. 요청 시 데이터를 인라인으로 지정할 수도 있습니다. 데이터를 업로드하기 전에 먼저 이미지 세부정보를 비롯한 제품 정보가 포함된 데이터세트와 테이블을 Google BigQuery에 만듭니다. ***

제품 항목 JSON-LD 데이터 형식을 사용하는 것을 선호합니다. 다음은 완전한 개체의 예입니다.

 {
  "name": "projects/[PROJECT_NUMBER]/locations/global/catalogs/default_catalog/branches/0/products/1234",
  "id": "1234",
  "categories": "Apparel & Accessories > Shoes",
  "title": "ABC sneakers",
  "description": "Sneakers for the rest of us",
  "attributes": { "vendor": {"text": ["vendor123", "vendor456"]} },
  "language_code": "en",
  "tags": [ "black-friday" ],
  "priceInfo": {"currencyCode": "USD", "price":100, "originalPrice":200, "cost": 50},
  "availableTime": "2020-01-01T03:33:33.000001Z",
  "availableQuantity": "1",
  "uri":"http://foobar",
  "images": [{"uri": "http://foobar/img1", "height": 320, "width": 320 }]
}

제품 카탈로그를 최신 상태로 유지하십시오. Google은 품질을 중시하며 인공 지능은 고품질 예측을 하기 위해 고품질 데이터를 필요로 합니다. 더 이상 판매되지 않는 제품을 확인하고 사이트의 전자 상거래 제품 스키마 마크업에서 최신 데이터를 유지하십시오.

“테이블 형식 데이터셋은 주로 행과 열의 그리드로 구성된 데이터셋입니다. 테이블 형식 데이터셋을 포함하는 페이지의 경우 위에서 설명한 기본 접근 방식을 기반으로 보다 명시적인 마크업을 만들 수도 있습니다. 현재 우리는 HTML 페이지의 사용자 지향 표 형식 콘텐츠와 병렬로 제공되는 CSVW("웹 상의 CSV", W3C 참조)의 변형을 이해하고 있습니다.", 2019년 9월 30일 기준입니다.

Dataset, DataCatalog 또는 DataDownload에 대해 나열된 속성이 변경되는 경우 업데이트를 위해 Google 문서 페이지를 계속 지켜봐 주십시오. 현재 문서는 조직적 측면을 업데이트했습니다. 속성 사양은 이제 각각이 속한 유형으로 통합됩니다(이전에는 주제별로 구성됨). 이러한 새 속성은 웹사이트 속성을 향상시키는 한 가지 방법입니다.

객체 분류를 위해 이미지에서 데이터세트를 만드는 방법.

IBM 클러스터 관리 콘솔 내에서 (1) 워크로드, (2) Spark, (3) Deep Learning을 차례로 선택합니다. **

* "데이터 세트" 탭을 클릭합니다.

* "새로 만들기"를 선택합니다.

* "객체 분류를 위한 이미지"에서 데이터 세트를 만듭니다.

* 데이터 세트 이름을 입력합니다.

* 원하는 Spark 인스턴스 그룹을 지정하십시오.

* 선호하는 이미지 저장 형식을 지정하십시오(TensorFlow의 경우 TFRecord를 선호함).

* TFRecords를 선택한 경우 샤드 또는 클래스별로 레코드를 생성하는 방법으로 이동합니다. 샤드를 선택한 경우 샤드 번호를 입력합니다.

* 훈련 이미지를 선택하는 방법을 지정합니다.

Google 이미지 가이드라인 및 AMP 이미지 요구사항을 준수하면 제품과 관련된 추천 스니펫에 제품이 표시될 가능성이 높아집니다.

데이터세트 구조화된 데이터 속성

실제로 현재 필요한 속성이 거의 없습니다. 사용을 장려하기 위해 이 기술 대기업은 머신 데이터 소비자를 대상으로 하는 콘텐츠를 제공할 때 "간단하게 유지"를 시작할 수 있습니다. 최종 목표는 사용자 검색 의도를 만족시키기 위해 데이터 라이브러리에 더 많은 일치 항목을 갖는 것입니다.

필수 속성:

이름
설명

권장 속성:

대체 이름
창조자
소환
식별자
키워드
특허
같은
공간 커버리지
일시적인 범위
가변 측정
버전
URL

웹에 게시된 데이터 세트가 없을 수도 있지만 검색 마케팅은 검색에 대한 데이터 과학 접근 방식으로 빠르게 이동하고 있습니다. 개인과 사람들이 점점 더 많은 데이터세트에 액세스할 수 있게 됨에 따라 데이터세트 검색이 증가할 것입니다. 놀라운 점은 데이터를 게시하는 모든 사람이 정보를 설명하기 위한 schema.org의 공개 표준을 사용하여 데이터 세트를 설명할 수 있다는 것입니다.

Search Console 색인 보고서에서 데이터를 테스트할 때 '알려진 오류 및 경고' 섹션, 'Google의 구조적 데이터 테스트 도구 및 구조적 데이터 Linter 검증 시스템의 오류 또는 경고'를 읽어보세요. 스키마 데이터 구현 전문가를 고용하거나 양식을 사용하여 안전하게 쉬게 할 수 있는 경고를 선별하는 데 도움이 됩니다.

이것은 웹 콘텐츠의 구문 분석과 관련이 있으므로(이미 구조화된 데이터가 포함되어 있는지 여부에 관계 없이) 데이터 소비자(무엇보다도 검색 엔진)의 가장 높은 비율이 이해할 수 있는 형식으로 데이터를 제공하는 것이 가장 좋습니다.

데이터 세트는 지식 정보 구축을 위한 로드맵을 제공합니다.

데이터 세트를 찾고 공개 데이터 소스 및 https schema.org에서 학술 검색을 활용하십시오.

연구원들은 시장 역학을 드러내는 글로벌 데이터 과학 및 기계 학습 솔루션의 정확한 분석에 대한 명확성을 중요하게 생각합니다. 지속 가능한 마케팅 트렌드를 측정하려는 검색 마케팅 담당자는 빅 데이터에 의존하여 미래 시장 성장을 지원합니다. Google 데이터세트 검색이 베타 버전에서 나오면 현재 기업이 직면한 위험과 과제를 줄일 수 있는 데이터 연구를 수행할 수 있는 새로운 기능이 있을 수 있습니다. 데이터의 세부 사항에 대한 광범위한 연구는 판매 접근 방식을 개선할 수 있습니다.

우리는 클라이언트 지식 그래프를 구축하기 위한 실용적인 접근 방식과 이를 비즈니스 응용 프로그램에 활용할 수 있는 기회를 계속 찾고 있습니다. 이것에 당신의 손을보십시오.

사이트에서 데이터 세트 스키마를 사용한 후에는 GSC의 향상된 기능에서 새 보고서를 찾을 수 있습니다. 우리는 이를 사용하여 여러 장치에서 오는 사용자를 위한 모바일 콘텐츠 마케팅 전략을 개선합니다.

데이터 세트 기능 및 새로운 Google 개선 보고서

다른 구조화된 데이터 구현의 경우와 마찬가지로 스키마 구조화된 데이터를 통합했기 때문에 자격이 됩니다. 그러나 Google 검색에 표시되지는 않습니다. 판매 및 소매 방문 페이지를 지원하는 데이터 세트를 사용하여 우선 순위를 지정하십시오.

구조화된 데이터 기능 발표와 동시에 Google Search Console의 새로운 데이터 세트 개선 보고서가 나타났습니다. 이는 검색 마케팅 전략가에게 Google이 데이터세트 스키마에 대한 구조화된 데이터를 학습하고 인식했는지 여부를 알려줍니다. Dataset Structured Data Documentation 사양을 이해하고 나면 구조화된 데이터 오류를 읽고 수정하십시오. Google 어시스턴트 데이터를 제공합니다.

메타데이터의 형식이 올바른지 여부에 대해 생각할 여유 시간이 있는 비즈니스 소유자나 콘텐츠 제작자는 거의 없습니다. 그러나 GoogleBot이 사이트를 크롤링하고 데이터를 찾고 색인을 생성할 수 있어야 합니다. 다행히도, 우리는 그것을 좋아하고 당신의 모퉁이에 있습니다.

데이터세트 빌드 권한

빌드 권한은 데이터세트와 관련이 있습니다. 사용자에게 빌드 권한이 부여되면 기존 데이터 세트에 새 콘텐츠를 빌드할 수 있습니다. 이는 보고서, 대시보드, QandA의 고정 타일 및 Insights Discovery에 일반적입니다. 또한 Power BI 외부의 데이터 세트(일반적으로 Excel에서 분석, XMLA를 통해 Excel 시트)에 새 데이터 항목을 빌드하고 기본 데이터를 내보낼 수 있습니다. 기업이 고객 분석을 수행하는 데 도움이 됩니다.

딥 러닝이 새롭고 포괄적인 것처럼 Google 및 기타 검색 엔진은 여전히 프로덕션에 배포된 기계 학습 파이프라인의 맥락에서 표면화되는 데이터 관리 문제에 직면해 있습니다. 시맨틱 검색 쿼리를 이해하기 위한 새로운 노력은 학습 데이터의 이해, 검증, 정리 및 강화를 지원하기 위한 것입니다. 이를 통해 신뢰할 수 있는 데이터베이스 소스의 성장이 희망적으로 확장되고 매장 트래픽을 유도하는 데 더 유용할 것입니다.

디지털 마케팅은 데이터에 대한 필요성과 이를 과학적 접근 방식으로 사용하는 것과 관련이 있습니다.

“이와 같은 검색 도구는 데이터 게시자가 제공하고자 하는 메타데이터만큼만 좋습니다. 많은 사용자가 공개 표준을 사용하여 데이터를 설명하여 사용자가 원하는 데이터를 찾을 수 있기를 바랍니다. 데이터를 게시했는데 결과에 표시되지 않으면 질문하고 피드백을 제공할 수 있는 링크가 포함된 개발자 사이트의 지침을 방문하세요.” - Google *

"http://schema.org Dataset 마크업을 사용하거나 W3C의 DCAT(Data Catalog Vocabulary) 형식으로 표시되는 동등한 구조를 사용하여 데이터 세트에 대한 웹 페이지의 구조화된 데이터를 이해할 수 있습니다." – Alan Morrison의 트위터 댓글

Google 데이터세트 스키마 요약

사이트 사용자의 요구 사항을 충족하기 위해 데이터 세트를 사용하는 것은 사용자 경험에 더 중점을 두고 응답하고 정보를 제공하는 엔터티를 추가합니다. 데이터 과학 커뮤니티에서 시작되었을 수 있지만 모든 비즈니스에서 사용할 수 있습니다. 또한 데이터 세트에 대한 구조화된 데이터 마크업에 경험이 있는 고급 전문가로부터 동료 검토 의견을 구하는 것이 좋습니다.

Hill Web Marketing은 이 이니셔티브에 참여하기를 열망하며 독자들이 현재 사용 가능한 데이터 세트의 수를 확장할 수 있기를 바랍니다. 데이터 과학 커뮤니티에서 시작되었을 수 있지만 모든 비즈니스에서 사용할 수 있습니다.

디지털 마케팅 전략가인 Hill Web Marketing의 소유주인 Jeannie Hill에게 파트너 전화: 651-206-2410. 경쟁 우위를 확보하기 위해 상담 일정을 잡으십시오

* https://arxiv.org/pdf/1908.07442.pdf

** https://www.ibm.com/support/knowledgecenter/SSWQ2D_1.1.0/us/create-dataset-image-object-classification.html

*** https://cloud.google.com/retail/recommendations-ai/docs/upload-catalog

**** https://www.blog.google/products/search/making-it-easier-discover-datasets/

***** https://storage.googleapis.com/pub-tools-public-publication-data/pdf/40761.pdf