Dati strutturati: come implementarli su larga scala per migliorare visibilità e AI

“Ma quindi, questi dati strutturati servono davvero a qualcosa o sono l’ennesima moda del momento?”

Me lo chiese un cliente un paio di settimane fa, mentre bevevo un caffè troppo amaro in una sala riunioni qui a Milano.

Ero lì come consulente SEO freelance per un’azienda di moda milanese che voleva capire come posizionarsi meglio nelle ricerche vocali. Avevo appena finito di spiegare per mezz’ora l’importanza dei dati strutturati.

La domanda mi ha fatto sorridere. È la stessa che mi sono posto anch’io nel 2019, quando i dati strutturati SEO sembravano più un vezzo tecnico che una reale necessità. Poi è arrivata l’AI generativa e tutto è cambiato.

Cosa sono i dati strutturati (e perché dovresti interessartene)

Partiamo dalle basi. I dati strutturati sono informazioni organizzate secondo uno schema predefinito che permette ai motori di ricerca e all’AI di interpretare con precisione i contenuti di una pagina web.

Immagina di passare da un cassetto pieno di documenti sparsi a un archivio ben catalogato con etichette chiare su ogni cartella.

Il markup Schema.org è lo standard più diffuso per implementarli.

La differenza tra dati strutturati e non strutturati è importante da conoscere nell’era dell’AI. I primi sono organizzati secondo uno schema logico che li rende immediatamente comprensibili dalle macchine; i secondi sono informazioni “grezze” che richiedono più lavoro di interpretazione.

Nel marzo 2025 (sì, appena due mesi fa), Fabrice Canel di Bing ha confermato che Microsoft utilizza questi dati per migliorare l’interpretazione dei contenuti web da parte dei suoi modelli linguistici. E, guarda caso, il giorno dopo Ryan Levering di Google ha ribadito che lo schema markup è centrale per i sistemi AI di Big G.

Coincidenza? Non credo proprio.

Perché implementare lo schema markup su larga scala

Ho visto aziende raddoppiare le query non brandizzate dopo aver implementato lo schema markup in modo sistematico. Un mio cliente del settore tech, dopo sei mesi di lavoro sui dati strutturati, ha visto un incremento del 73% di traffico organico per query informative. Non male per un “vezzo tecnico”, eh?

Ma il vero valore sta altrove. Quando un dirigente vi chiederà (e credetemi, lo farà): “cosa stiamo facendo per l’intelligenza artificiale generativa?”, potrete rispondere: “stiamo implementando lo schema markup”. Non è una risposta sexy, ma è concreta e strategica.

Uno studio del 2023 di Data.world ha mostrato che i knowledge graph aziendali hanno migliorato l’accuratezza delle risposte degli LLM fino al 300%. Con il lancio di Gemini 2.5 a marzo 2025, l’importanza dei dati strutturati è destinata solo a crescere.

Come implementare i dati strutturati su larga scala

1. Stabilisci il tuo obiettivo

C’è schema markup e schema markup. Esistono tre livelli di complessità:

• Schema di markup di base: implementi le proprietà minime richieste dalla documentazione Google per ottenere risultati avanzati nelle SERP. Utile, ma limitato.
• Schema con entità collegate: oltre al markup base, colleghi le entità del tuo sito (prodotti, servizi, persone) a definizioni esterne come Wikidata o il knowledge graph di Google. Risultato? Aumento delle query non brandizzate e migliore comprensione da parte dell’AI.
• Knowledge graph dei contenuti: il livello avanzato. Utilizzi Schema.org per definire tutti i contenuti delle pagine, creando un vero e proprio grafico della conoscenza. È la soluzione più strategica e quella con maggiore impatto sul business.

2. Collaborazione interdipartimentale

Ecco la parte complicata. Lo schema markup non è solo un compito dell’agenzia SEO, anche se spesso sono loro a iniziare il processo.

Da esperienze passate, posso dire che senza l’allineamento di almeno quattro reparti, è quasi impossibile scalare:

• Team dei contenuti: il markup è valido solo quanto lo è il contenuto della pagina. Devono capire il valore dei dati strutturati per supportare la strategia.
• Reparto IT: che tu faccia tutto internamente o con un fornitore, il loro supporto è determinante.
• Team esecutivo: vogliono vedere ROI. Punto. Spiega loro come il markup può migliorare la visibilità del brand, la comprensione della ricerca tramite AI e accelerare le iniziative interne di intelligenza artificiale.
• Team di innovazione: possono utilizzare il knowledge graph per “fondare” i propri LLM e accelerare i programmi di AI interni.

Una volta ho lavorato con un’azienda che aveva investito 50.000€ in consulenza per i dati strutturati, ma senza coinvolgere l’IT. Risultato? Sei mesi dopo, il progetto era ancora in fase di implementazione, bloccato da “priorità più urgenti”. Non fate lo stesso errore.

3. Capacità tecniche

A seconda del livello di implementazione scelto, le capacità tecniche richieste cambiano drasticamente:

• Per il markup base, serve “solo” la capacità di mappare contenuti alle proprietà richieste.
• Per le entità collegate, occorre il riconoscimento delle entità denominate (NER), la capacità di ricercare definizioni in knowledge base esterne e di inserire dinamicamente le entità nel markup.
• Per il knowledge graph completo, servono ulteriori funzionalità NLP, come l’estrazione delle relazioni e l’analisi semantica.

Gli LLM possono aiutare in queste funzioni, ma occhio ai costi.

4. Manutenzione continua

Mi è capitato di vedere aziende investire migliaia di euro in progetti di dati strutturati per poi dimenticarsene completamente. Lo schema markup non è una strategia “set it and forget it”.

I contenuti del tuo sito evolvono costantemente, soprattutto nelle aziende di grandi dimensioni. Il markup deve rimanere sincronizzato con questi cambiamenti.

Inoltre, il panorama della ricerca è in continua trasformazione. Tra gli aggiornamenti di Google e l’influenza crescente delle piattaforme AI, la strategia deve essere agile e adattabile.

Qualcuno nel team dovrebbe concentrarsi sull’evoluzione del markup in linea con gli obiettivi aziendali. Dovrà misurare l’impatto, testare nuove strategie e mantenere tutto valido e accurato.

Esempi di dati strutturati

Ora ti farò 3 esempi concreti di come implementare questi tre livelli di dati strutturati per un sito di abbigliamento sportivo.

Cercherò di spiegare ciascun livello in modo semplice ma dettagliato.

1. Markup Base

Questo è il livello più elementare ma comunque molto utile. Immaginiamo un e-commerce di abbigliamento sportivo con una pagina prodotto dedicata a delle scarpe da running.

Esempio pratico:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "UltraBoost Maratona X23",
  "image": "https://sportshop.it/immagini/ultraboost-x23.jpg",
  "description": "Scarpe da running leggere con ammortizzazione avanzata per maratoneti",
  "brand": {
    "@type": "Brand",
    "name": "SportMax"
  },
  "offers": {
    "@type": "Offer",
    "price": "129.99",
    "priceCurrency": "EUR",
    "availability": "https://schema.org/InStock"
  },
  "aggregateRating": {
    "@type": "AggregateRating",
    "ratingValue": "4.8",
    "reviewCount": "87"
  }
}
</script>

Come implementarlo:

1. Identifica il tipo di pagina (prodotto, articolo, evento, ecc.);
2. Seleziona le proprietà obbligatorie per quel tipo secondo la documentazione Google;
3. Estrai i dati dalla tua pagina (titolo, prezzo, immagini, ecc.);
4. Genera il JSON-LD e inseriscilo nell’header della pagina.

Nel caso di un e-commerce, puoi programmare il tuo CMS per generare automaticamente questo markup per ogni prodotto. Non è necessaria tecnologia particolarmente avanzata, solo una buona comprensione dello schema Schema.org e la capacità di estrarre i dati già presenti nel tuo database prodotti.

2. Entità Collegate

Qui il tutto diventa leggermente più complesso.

Oltre ai dati base del prodotto, colleghiamo le entità menzionate a definizioni esterne e interne.

Esempio pratico:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "UltraBoost Maratona X23",
  "image": "https://sportshop.it/immagini/ultraboost-x23.jpg",
  "description": "Scarpe da running leggere con ammortizzazione avanzata per maratoneti",
  "brand": {
    "@type": "Brand",
    "name": "SportMax",
    "sameAs": "https://www.wikidata.org/wiki/Q12345678"
  },
  "offers": {
    "@type": "Offer",
    "price": "129.99",
    "priceCurrency": "EUR",
    "availability": "https://schema.org/InStock"
  },
  "sport": {
    "@type": "Sport",
    "name": "Running",
    "sameAs": "https://www.wikidata.org/wiki/Q34987"
  },
  "category": "Scarpe da corsa",
  "material": [
    {
      "@type": "ProductMaterial",
      "name": "EVA",
      "description": "Etilene vinil acetato per l'ammortizzazione",
      "sameAs": "https://www.wikidata.org/wiki/Q413467"
    },
    {
      "@type": "ProductMaterial",
      "name": "Mesh traspirante"
    }
  ],
  "isRelatedTo": [
    {
      "@type": "Product",
      "name": "Calze Performance Run Pro",
      "url": "https://sportshop.it/prodotti/calze-performance-run-pro"
    },
    {
      "@type": "Product",
      "name": "Fascia cardio SportMax Connect",
      "url": "https://sportshop.it/prodotti/fascia-cardio-sportmax-connect"
    }
  ],
  "audience": {
    "@type": "PeopleAudience",
    "audienceType": "Maratoneti",
    "sameAs": "https://www.wikidata.org/wiki/Q327698"
  },
  "manufacturer": {
    "@type": "Organization",
    "name": "SportMax International",
    "sameAs": "https://www.wikidata.org/wiki/Q7654321"
  }
}
</script>

Come implementarlo:

1. Identifica le entità importanti nella tua pagina (brand, sport, materiali, pubblico target);
2. Utilizza un sistema NER (Named Entity Recognition) per riconoscere queste entità nel testo;
3. Cerca gli identificatori Wikidata o Wikipedia per ciascuna entità;
4. Collega i prodotti correlati all’interno del tuo sito;
5. Genera un markup forte che abbia questi collegamenti.

Per implementare questo livello, avrai bisogno di:

• Un motore NER che può essere basato su librerie come spaCy (in Python);
• Un sistema per interrogare le API di Wikidata o Google Knowledge Graph;
• Logica per collegare i prodotti correlati in base alle tue regole di business;
• Un generator di JSON-LD più sofisticato che possa annidare entità complesse.

3. Knowledge Graph Completo

Questo è il livello più avanzato di dato strutturato. Qui non ci limitiamo alle entità e alle loro connessioni dirette, ma creiamo una rappresentazione semantica completa di tutto il contenuto.

Esempio pratico:

<script type="application/ld+json">
{
  "@context": "https://schema.org",
  "@type": "Product",
  "name": "UltraBoost Maratona X23",
  "image": "https://sportshop.it/immagini/ultraboost-x23.jpg",
  "description": "Scarpe da running leggere con ammortizzazione avanzata per maratoneti",
  
  "brand": {
    "@type": "Brand",
    "name": "SportMax",
    "sameAs": "https://www.wikidata.org/wiki/Q12345678",
    "founder": {
      "@type": "Person",
      "name": "Mario Rossi",
      "jobTitle": "Maratoneta olimpico",
      "sameAs": "https://www.wikidata.org/wiki/Q9876543"
    },
    "foundingDate": "1985",
    "knowsAbout": [
      {
        "@type": "Thing",
        "name": "Biomeccanica della corsa",
        "sameAs": "https://www.wikidata.org/wiki/Q65432"
      },
      {
        "@type": "Thing",
        "name": "Tecnologie di ammortizzazione",
        "sameAs": "https://www.wikidata.org/wiki/Q76543"
      }
    ]
  },
  
  "offers": {
    "@type": "Offer",
    "price": "129.99",
    "priceCurrency": "EUR",
    "availability": "https://schema.org/InStock",
    "hasMerchantReturnPolicy": {
      "@type": "MerchantReturnPolicy",
      "applicableCountry": "IT",
      "returnPolicyCategory": "https://schema.org/MerchantReturnFiniteReturnWindow",
      "merchantReturnDays": 30,
      "returnMethod": "https://schema.org/ReturnByMail",
      "returnFees": "https://schema.org/FreeReturn"
    }
  },
  
  "sport": {
    "@type": "Sport",
    "name": "Running",
    "sameAs": "https://www.wikidata.org/wiki/Q34987"
  },
  
  "review": [
    {
      "@type": "Review",
      "reviewBody": "Ottima ammortizzazione e comodità anche su lunghe distanze",
      "author": {
        "@type": "Person",
        "name": "Laura Bianchi"
      },
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": 5
      }
    },
    {
      "@type": "Review",
      "reviewBody": "Perfette per la maratona, ho migliorato il mio tempo di 5 minuti",
      "author": {
        "@type": "Person",
        "name": "Marco Verdi",
        "sameAs": "https://www.strava.com/athletes/marcover"
      },
      "reviewRating": {
        "@type": "Rating",
        "ratingValue": 5
      }
    }
  ],
  
  "additionalProperty": [
    {
      "@type": "PropertyValue",
      "name": "Drop",
      "value": "8mm",
      "description": "Differenza di altezza tra tallone e avampiede"
    },
    {
      "@type": "PropertyValue",
      "name": "Peso",
      "value": "285g",
      "unitCode": "GRM"
    },
    {
      "@type": "PropertyValue",
      "name": "Tipo di appoggio",
      "value": "Neutro"
    }
  ],
  
  "potentialAction": [
    {
      "@type": "BuyAction",
      "target": "https://sportshop.it/acquista/ultraboost-x23"
    },
    {
      "@type": "TrackAction",
      "description": "Monitora la tua corsa con l'app SportMax Connect",
      "object": {
        "@type": "SoftwareApplication",
        "name": "SportMax Connect",
        "applicationCategory": "SportsApplication",
        "operatingSystem": "Android, iOS",
        "url": "https://sportshop.it/app"
      }
    }
  ],
  
  "audience": {
    "@type": "PeopleAudience",
    "audienceType": "Maratoneti",
    "suggestedGender": "unisex",
    "sameAs": "https://www.wikidata.org/wiki/Q327698"
  },
  
  "hasPart": [
    {
      "@type": "Product",
      "name": "Suola UltraBoost",
      "material": {
        "@type": "ProductMaterial",
        "name": "Gomma Continental",
        "description": "Gomma ad alta aderenza per superfici bagnate",
        "sameAs": "https://www.wikidata.org/wiki/Q151234"
      },
      "additionalProperty": {
        "@type": "PropertyValue",
        "name": "Durata",
        "value": "800km"
      }
    },
    {
      "@type": "Product",
      "name": "Tomaia AirMesh",
      "material": {
        "@type": "ProductMaterial",
        "name": "Mesh traspirante riciclato",
        "description": "Realizzato con plastica recuperata dagli oceani"
      },
      "additionalProperty": {
        "@type": "PropertyValue",
        "name": "Impatto ambientale",
        "value": "Riduzione di 2kg di CO2 per paio"
      }
    }
  ],
  
  "mainEntityOfPage": {
    "@type": "WebPage",
    "breadcrumb": {
      "@type": "BreadcrumbList",
      "itemListElement": [
        {
          "@type": "ListItem",
          "position": 1,
          "name": "Home",
          "item": "https://sportshop.it"
        },
        {
          "@type": "ListItem",
          "position": 2,
          "name": "Running",
          "item": "https://sportshop.it/running"
        },
        {
          "@type": "ListItem",
          "position": 3,
          "name": "Scarpe",
          "item": "https://sportshop.it/running/scarpe"
        },
        {
          "@type": "ListItem",
          "position": 4,
          "name": "UltraBoost Maratona X23",
          "item": "https://sportshop.it/running/scarpe/ultraboost-x23"
        }
      ]
    }
  }
}
</script>

Come implementarlo:

1. Estrai tutte le relazioni semantiche tra le entità nel testo (non solo le entità stesse);
2. Identifica i concetti principali nelle descrizioni e nelle recensioni;
3. Collega ogni elemento del prodotto a proprietà specifiche e dettagliate;
4. Crea una rappresentazione completa delle relazioni tra il prodotto e altri elementi del sito;
5. Salva il grafico della conoscenza in un database specializzato.

Per implementare questo livello, avrai bisogno di:

• Tecnologie NLP avanzate per l’estrazione di relazioni e l’analisi semantica;
• Possibilmente un LLM come GPT o Gemini;
• Un database a grafo come Neo4j o Amazon Neptune per memorizzare il knowledge graph;
• Un sistema di integrazione che metta insieme dati strutturati dai tuoi database, contenuti testuali e fonti esterne;
• Un processo di verifica e validazione umana per garantire la qualità.

Consigli pratici per l’implementazione dei dati strutturati

Qualunque sia il livello che decidi di implementare, ecco alcuni consigli pratici:

1. Inizia in piccolo: scegli una categoria o un tipo di pagina per testare l’implementazione prima di espanderla.
2. Usa strumenti di validazione: utilizza il tool di test dei dati strutturati di Google per verificare che il markup sia corretto.
3. Monitora i risultati: tieni traccia dell’impatto sui rich snippet, sul CTR e sul traffico organico per giustificare l’investimento.
4. Approccio incrementale: inizia dal markup base, assicurati che funzioni, poi passa alle entità collegate e infine al knowledge graph completo.
5. Automatizza quando possibile: per un sito con molti prodotti, crea template di markup che vengono popolati automaticamente dal tuo database.

Conclusione

Ripensando alla domanda di quel cliente in sala riunioni, la risposta che avrei dovuto dare è: no, i dati strutturati non sono l’ennesima moda del momento. Sono una leva di crescita aziendale.

A seconda degli obiettivi (visibilità nelle ricerche, iniziative AI ecc), diversi fattori avranno priorità diverse.

Ma una cosa è certa: i CMO e i leader digitali devono trattare i dati strutturati come componente fondamentale della strategia di marketing e trasformazione digitale.

“Ma quanto costa implementare i dati strutturati?”, mi chiederà sicuramente qualcuno leggendo questo articolo. La risposta è: dipende. Ma la domanda giusta da porsi è: quanto costa NON implementarli, in un mondo dove l’AI sta ridefinendo il modo in cui le persone cercano e trovano informazioni?

Io la risposta ce l’ho. E voi?