Schema.org Advanced: Il Markup Avanzato per Dominare la Ricerca Intelligente e l’AI
Introduzione
Nell’era della Ricerca Intelligente, i motori di ricerca non si limitano più a scansionare le parole chiave, ma mirano a comprendere il significato e le relazioni tra le entità. È qui che entra in gioco Schema.org Advanced, la frontiera del markup semantico che trasforma il contenuto da semplice testo a dati strutturati e interconnessi. Nei prossimi minuti, scoprirai come padroneggiare i tipi di dati strutturati complessi, come interconnettere le tue entità digitali per costruire un Knowledge Graph robusto e, soprattutto, come ottimizzare il tuo sito per i Large Language Models (LLM) e l’Intelligenza Artificiale. Questa guida è pensata per i professionisti SEO e gli sviluppatori che vogliono andare oltre il markup base e assicurarsi che il loro contenuto sia la fonte primaria per le risposte AI.
Oltre il Base: Tipi di Schema.org Complessi e Gerarchie
La vera potenza di Schema.org risiede nella sua struttura gerarchica e nella vasta gamma di tipi di dati che vanno ben oltre il semplice Article o LocalBusiness. Comprendere questa gerarchia è il primo passo per implementare Schema.org Advanced e fornire ai motori di ricerca e agli LLM un contesto semantico ricco e preciso.
La Filosofia di Schema.org: Entità e Proprietà
Schema.org è costruito sulla base di Entità e Proprietà. Un’entità è una “cosa” (un concetto, un oggetto, una persona, un luogo) che viene descritta, e le proprietà sono gli attributi che definiscono quell’entità. Tutte le entità derivano dal tipo base Thing.
graph TD
A[Thing] --> B[CreativeWork];
A --> C[Event];
A --> D[Organization];
A --> E[Place];
B --> F[Article];
B --> G[WebPage];
D --> H[LocalBusiness];
F --> I[NewsArticle];
F --> J[BlogPosting];
Questa gerarchia non è solo teorica; è fondamentale per l’ottimizzazione AI. Quando un LLM o un motore di ricerca incontra un tipo specifico come BlogPosting, sa che eredita tutte le proprietà di Article e CreativeWork, fornendo un contesto immediato.
Markup per Contenuti Dinamici e Interattivi
I tipi di Schema.org avanzati sono essenziali per i contenuti che richiedono interazione o che seguono un formato specifico. L’uso di questi tipi non solo genera Rich Snippet, ma rende il contenuto immediatamente utilizzabile da assistenti vocali e chatbot AI.
HowTo: Perfetto per guide passo-passo. Definisce chiaramente i materiali (supply), gli strumenti (tool) e le fasi (step). Un LLM può estrarre questa struttura per generare istruzioni vocali concise.QAPage: Utilizzato per pagine con domande e risposte, come forum o sezioni FAQ estese. Distingue tra la domanda (Question) e la risposta accettata (acceptedAnswer), un segnale cruciale per l’AI che cerca la risposta più autorevole.Dataset: Fondamentale per chi pubblica dati. Permette di specificare licenze, versioni, e variabili, rendendo il set di dati “cercabile” e citabile in contesti scientifici o di analisi.
Tabella 1: Confronto tra Tipi di Schema.org Base e Avanzati
| Tipo di Schema.org | Livello di Complessità | Caso d’Uso Principale | Beneficio per l’AI/LLM |
|---|---|---|---|
Article | Base | Articoli di blog, notizie generiche | Identificazione del contenuto testuale |
BlogPosting | Base | Post specifici di un blog | Contesto di pubblicazione |
HowTo | Avanzato | Guide passo-passo, tutorial | Estrazione di sequenze logiche e istruzioni |
Dataset | Avanzato | Pubblicazione di dati statistici o scientifici | Citabilità e reperibilità dei dati |
Product + Offer + Review | Complesso (Nested) | Schede prodotto e e-commerce | Comprensione del valore commerciale e della reputazione |
ClaimReview | Molto Avanzato | Fact-checking, verifica di affermazioni | Valutazione dell’affidabilità e della veridicità |
L’implementazione di questi tipi complessi richiede una mappatura precisa del contenuto. Ad esempio, un articolo che recensisce un software non dovrebbe usare solo
Article
, ma
Review
(che è un tipo di
CreativeWork
) annidato con
SoftwareApplication
(che è un tipo di
CreativeWork
). Questa specificità è il cuore dell’ottimizzazione per la
Ricerca Intelligente
.
Esempio Pratico 1: Markup HowTo per un Tutorial Tecnico
Immaginiamo di avere un tutorial su come configurare un server. Invece di un semplice Article, usiamo HowTo.
{
"@context": "https://schema.org",
"@type": "HowTo",
"name": "Come Configurare un Server Linux con Nginx",
"description": "Guida passo-passo per l'installazione e la configurazione di base di Nginx su Ubuntu.",
"estimatedCost": {
"@type": "MonetaryAmount",
"currency": "EUR",
"value": "0"
},
"step": [
{
"@type": "HowToStep",
"name": "Aggiornare il Sistema",
"text": "Eseguire i comandi 'sudo apt update' e 'sudo apt upgrade -y'."
},
{
"@type": "HowToStep",
"name": "Installare Nginx",
"text": "Installare il pacchetto Nginx con 'sudo apt install nginx -y'."
}
],
"tool": [
{
"@type": "HowToTool",
"name": "Terminale SSH"
}
]
}
Questo markup non solo aiuta Google a mostrare i passaggi direttamente nella SERP, ma fornisce all’AI una struttura dati pulita e ordinata, ideale per generare risposte dirette e istruzioni vocali.
Interconnessione dei Dati: Il Potere del Nested e Linked Schema Markup
L’obiettivo finale di Schema.org Advanced non è solo descrivere una singola pagina, ma mappare l’intero ecosistema di entità di un brand, creando un vero e proprio Knowledge Graph aziendale. Questo si ottiene attraverso il Nested Schema (markup annidato) e il Linked Data (dati collegati).
Nested Schema: Annidare i Tipi per Descrizioni Ricche
Il markup annidato consiste nell’includere un tipo di Schema.org all’interno delle proprietà di un altro tipo. Questo permette di creare descrizioni estremamente dettagliate e contestualizzate, fondamentali per l’E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness).
Consideriamo una recensione di un libro. Non basta dire che la pagina è un Review. Dobbiamo annidare:
- Il tipo principale
Review. - L’oggetto recensito (
itemReviewed), che è unBook. - L’autore della recensione (
author), che è unaPersono un’Organization. - La valutazione (
reviewRating).
Questa granularità permette ai motori di ricerca di comprendere non solo cosa è stato recensito, ma chi lo ha recensito e come è stato valutato.
Linked Data e sameAs: Costruire il Knowledge Graph della Tua Entità
Il Linked Data è il principio secondo cui i dati strutturati non devono esistere in isolamento. La proprietà sameAs è lo strumento più potente per collegare la tua entità (ad esempio, la tua azienda o l’autore dell’articolo) a fonti autorevoli esterne, come Wikipedia, LinkedIn, o i profili social verificati.
{
"@context": "https://schema.org",
"@type": "Organization",
"@id": "https://tuosito.it/#organization",
"name": "Nome della Tua Azienda",
"url": "https://tuosito.it/",
"sameAs": [
"https://it.wikipedia.org/wiki/Nome_Azienda",
"https://www.linkedin.com/company/nome-azienda",
"https://twitter.com/nomeazienda"
]
}
Quando un LLM elabora questo markup, non vede solo un nome, ma un’entità con una rete di relazioni e una validazione esterna. Questo rafforza l’Authority e la Trustworthiness, due pilastri dell’E-E-A-T, e migliora la possibilità che il tuo sito venga citato come fonte primaria.
Utilizzo di ID e Riferimenti Incrociati in JSON-LD
In JSON-LD, l’uso di @id è cruciale per la gestione delle entità multiple sulla stessa pagina. Invece di ripetere l’intero blocco di markup per l’autore in ogni sezione, si definisce l’autore una sola volta con un @id univoco (es. https://tuosito.it/#person) e poi si fa riferimento a quell’ID.
Tabella 2: Proprietà Chiave per il Linked Data
| Proprietà | Tipo di Valore Atteso | Funzione | Impatto SEO/AI |
|---|---|---|---|
sameAs | URL | Collega l’entità a risorse esterne autorevoli. | Aumenta l’Authority e la Trustworthiness. |
@id | URL (Fragment Identifier) | Identificatore univoco per un’entità sulla pagina. | Previene la duplicazione e facilita il riferimento incrociato. |
mainEntityOfPage | WebPage | Collega l’entità principale al contesto della pagina. | Chiarisce l’argomento centrale della pagina. |
mentions | Thing | Indica altre entità rilevanti menzionate nel testo. | Arricchisce il contesto semantico per gli LLM. |
L’uso di
@id
e riferimenti incrociati è un segnale di alta qualità e organizzazione dei dati, che l’AI premia con una maggiore fiducia nella fonte.
Esempio Pratico 2: Nested Schema per un Corso Online
Un corso online è un’entità complessa. Usiamo Course annidato con Organization e Person.
{
"@context": "https://schema.org",
"@graph": [
{
"@type": "Course",
"@id": "https://tuosito.it/corso-schema-advanced/#course",
"name": "Masterclass Schema.org Advanced",
"description": "Corso intensivo sui dati strutturati complessi.",
"provider": {
"@type": "Organization",
"@id": "https://tuosito.it/#organization"
},
"hasCourseInstance": {
"@type": "CourseInstance",
"courseMode": "online",
"startDate": "2026-03-01"
}
},
{
"@type": "Organization",
"@id": "https://tuosito.it/#organization",
"name": "Manus AI Academy",
"url": "https://tuosito.it/"
}
]
}
Questo esempio mostra come @graph e @id lavorino insieme per definire entità multiple e le loro relazioni in modo pulito e non ridondante.
Schema Markup Personalizzato e Estensioni: Quando Schema.org non Basta
Nonostante Schema.org sia un vocabolario vastissimo (oltre 800 tipi e 1500 proprietà), ci saranno sempre casi d’uso specifici che richiedono una personalizzazione. L’approccio Schema.org Advanced prevede la capacità di estendere il vocabolario standard in modo conforme e interoperabile.
Estendere Schema.org: La Pratica di additionalType e PropertyValue
Quando un tipo o una proprietà specifica non esiste, non si deve rinunciare al markup. Schema.org supporta l’estensione attraverso due proprietà chiave:
additionalType: Permette di specificare un tipo più specifico o proprietario per un’entità. Ad esempio, seLocalBusinessnon è abbastanza specifico per la tua “Pasticceria Artigianale Specializzata in Dolci Vegani”, puoi usare:
"@type": "LocalBusiness",
"additionalType": "https://tuosito.it/schema/PasticceriaVegana"
Questo comunica ai motori di ricerca che, oltre ad essere un LocalBusiness, l’entità ha una classificazione più specifica definita da te.
PropertyValue: Utilizzato per aggiungere attributi personalizzati. Se vuoi specificare il “Livello di Ottimizzazione AI” di un articolo, puoi usarePropertyValueall’interno di una proprietà comesubjectOf.
"subjectOf": {
"@type": "PropertyValue",
"name": "Livello di Ottimizzazione AI",
"value": "Super Ottimizzato",
"unitText": "AI-SEO Score",
"url": "https://tuosito.it/metodologia-ai-seo"
}
Questa tecnica è cruciale per l’ottimizzazione LLM, in quanto permette di etichettare il contenuto con metadati proprietari che possono essere interpretati da sistemi di intelligenza artificiale avanzati.
Schema Markup per l’E-E-A-T: Dimostrare Competenza e Fiducia
L’E-E-A-T (Experience, Expertise, Authoritativeness, Trustworthiness) è il fattore di qualità più importante per Google. Il markup avanzato è lo strumento tecnico per dimostrare l’E-E-A-T.
- Expertise e Experience: Utilizzare
author(perArticle) ocreator(perCreativeWork) e collegare l’entitàPersonoOrganizationconsameAsa profili professionali (LinkedIn, Google Scholar). Specificare l’esperienza con proprietà comealumniOfohasOccupation. - Authoritativeness: Implementare il markup
OrganizationePersoncon riferimenti incrociati a tutte le pagine (es. pagina “Chi Siamo”, pagina autore). Assicurarsi che illogoe ilsameAssiano definiti in modo coerente. - Trustworthiness: Usare
RevieweAggregateRatingper mostrare la reputazione. Per contenuti sensibili (YMYL – Your Money Your Life), usareClaimReviewper il fact-checking oMedicalWebPageper informazioni sanitarie.
Tabella 3: Markup E-E-A-T per Entità Autorevoli
| Entità | Tipo di Schema.org | Proprietà E-E-A-T Chiave | Descrizione |
|---|---|---|---|
| Autore | Person | sameAs, alumniOf, hasOccupation | Collega l’autore a credenziali esterne e professionali. |
| Azienda | Organization | sameAs, logo, contactPoint | Stabilisce l’identità e la validazione esterna dell’azienda. |
| Contenuto | Article / WebPage | datePublished, dateModified, reviewedBy | Indica freschezza, accuratezza e revisione da parte di esperti. |
### Esempio Pratico 3: Markup per un Autore Esperto (E-E-A-T)
Questo esempio mostra come definire un autore con credenziali specifiche.
{
"@context": "https://schema.org",
"@type": "Person",
"@id": "https://tuosito.it/autore/mario-rossi/#person",
"name": "Mario Rossi",
"jobTitle": "SEO & AI Specialist",
"url": "https://tuosito.it/autore/mario-rossi",
"sameAs": [
"https://www.linkedin.com/in/mariorossi",
"https://twitter.com/mariorossi_seo"
],
"alumniOf": {
"@type": "EducationalOrganization",
"name": "Università di Bologna"
}
}
Questo blocco, quando referenziato come author nell’articolo, comunica chiaramente l’expertise di Mario Rossi.
Ottimizzazione per l’AI e i Large Language Models (LLM)
L’evoluzione della ricerca verso i risultati generati dall’AI (come le SGE – Search Generative Experience) rende l’ottimizzazione dei dati strutturati più critica che mai. Gli LLM non si limitano a leggere il testo; preferiscono i dati strutturati per la loro chiarezza e precisione.
Il Ruolo di Schema.org nella Search Generative Experience (SGE)
Gli LLM come quelli che alimentano la SGE utilizzano i dati strutturati per tre scopi principali:
- Fact Extraction: Estrarre fatti e cifre precise (es. prezzi, date, nomi) senza ambiguità.
- Summarization: Generare riassunti concisi e accurati basati sulla struttura del contenuto (es.
HowToStepper le istruzioni). - Attribution: Identificare la fonte autorevole per la citazione, rafforzando l’E-E-A-T.
Un markup avanzato e ben implementato agisce come un “manuale di istruzioni” per l’AI, garantendo che il tuo contenuto sia interpretato correttamente e citato come fonte primaria.
Content Chunking e Blocchi Autonomi per l’AI
L’ottimizzazione per l’AI va oltre il codice. La struttura del testo deve essere “AI-friendly”:
- Paragrafi Brevi: Mantenere i paragrafi tra 50 e 100 parole. Questo facilita il content chunking, permettendo all’LLM di elaborare blocchi di informazione autonomi.
- Heading Chiari: Ogni H2 e H3 deve essere un blocco di contenuto autonomo e rispondere a un’intenzione di ricerca specifica.
- Linguaggio Conversazionale: Usare un tono naturale e diretto, che è il modo in cui gli LLM sono addestrati a rispondere.
Best Practice per l’AI: Un blocco di testo ottimizzato per l’AI dovrebbe poter essere estratto e utilizzato come risposta diretta a una domanda, mantenendo il suo significato completo.
Markup Semantico per l’Intenzione di Ricerca
L’intenzione di ricerca (Informationale, Transazionale, Navigazionale, Commerciale) può essere rafforzata con tipi di Schema.org specifici:
- Intenzione Informazionale:
Article,BlogPosting,FAQPage,HowTo. - Intenzione Transazionale:
Product,Offer,Service. - Intenzione Commerciale:
Review,AggregateRating,LocalBusiness.
L’uso di questi tipi in modo appropriato è un segnale forte per l’AI, che può così classificare il contenuto e presentarlo nel formato più utile all’utente (es. un carosello di prodotti per un’intenzione transazionale).
Esempio Pratico 4: Ottimizzazione per la Ricerca Vocale e Chatbot
La ricerca vocale e i chatbot si basano quasi interamente sui dati strutturati. Un utente che chiede: “Quali sono i passaggi per installare Nginx?” si aspetta una risposta concisa e in formato elenco. Il markup HowTo (come visto nell’Esempio 1) è la risposta tecnica a questa esigenza.
Un altro esempio è l’uso di Speakable per i contenuti di notizie, che indica all’AI quali sezioni del testo sono più adatte per la sintesi vocale.
{
"@context": "https://schema.org",
"@type": "NewsArticle",
"speakable": [
"css selector",
"xpath"
]
}
Questo è un esempio di Schema.org Advanced che interviene direttamente sull’usabilità del contenuto da parte dei sistemi AI.
Monitoraggio e Manutenzione: La Gestione Avanzata dei Dati Strutturati
Implementare Schema.org Advanced è solo metà del lavoro. La manutenzione, il monitoraggio degli errori e l’adattamento ai cambiamenti del vocabolario sono cruciali per mantenere l’efficacia SEO e l’ottimizzazione AI nel tempo.
Strumenti Avanzati per la Validazione e il Debug
La complessità del markup annidato e dei riferimenti incrociati aumenta il rischio di errori. È fondamentale utilizzare strumenti di validazione specifici:
- Google Rich Results Test: Lo strumento primario per verificare se il markup è idoneo per i Rich Snippet.
- Schema Markup Validator (Schema.org): Per una validazione più pura del vocabolario Schema.org, indipendentemente dai requisiti specifici di Google.
- Google Search Console (Rapporti sui Dati Strutturati): Monitora gli errori a livello di sito e fornisce un feedback aggregato sull’implementazione.
Importante: Un errore comune nel markup avanzato è la mancata corrispondenza tra il contenuto visibile all’utente e i dati strutturati. Google penalizza questa pratica (cloaking). Assicurati che ogni dato strutturato sia fedele al contenuto della pagina.
Gestione delle Evoluzioni di Schema.org e Nuovi Tipi
Schema.org è un vocabolario vivo, aggiornato regolarmente. L’approccio avanzato richiede un monitoraggio costante delle nuove versioni e dei tipi emergenti.
Statistica Rilevante: Il vocabolario Schema.org è cresciuto da circa 500 tipi iniziali a oltre 800 tipi e 1500 proprietà, con aggiornamenti che avvengono più volte all’anno.
L’introduzione di nuovi tipi come HealthTopic o FinancialProduct richiede una rapida adozione per mantenere il vantaggio competitivo e l’E-E-A-T in settori sensibili.
Esempio Pratico 5: Debug di un Errore di Nested Schema
Un errore tipico è l’omissione di una proprietà obbligatoria in un tipo annidato. Ad esempio, se si annida un Offer all’interno di un Product, ma si dimentica la proprietà price.
Markup Errato:
{
"@type": "Product",
"name": "Prodotto X",
"offers": {
"@type": "Offer"
// Manca la proprietà "price"
}
}
Markup Corretto:
{
"@type": "Product",
"name": "Prodotto X",
"offers": {
"@type": "Offer",
"priceCurrency": "EUR",
"price": "99.99"
}
}
La manutenzione proattiva e l’uso di strumenti di validazione sono l’unica difesa contro questi errori che possono annullare tutti i benefici SEO.
FAQ: Domande Frequenti su Schema.org Avanzato
Questa sezione risponde alle domande più comuni sull’implementazione e l’ottimizzazione dei dati strutturati complessi.
1. Qual è la differenza tra Schema.org e il Knowledge Graph?
Schema.org è un vocabolario di tag e proprietà che i webmaster possono usare per marcare i dati. Il Knowledge Graph (Grafico della Conoscenza) è il database di Google (e di altri motori di ricerca) che memorizza le entità e le loro relazioni. Schema.org è il linguaggio che usi per comunicare i tuoi dati; il Knowledge Graph è il risultato finale di questa comunicazione, un modello di conoscenza interconnesso. Implementando Schema.org Advanced, stai attivamente contribuendo a costruire e arricchire il Knowledge Graph relativo alla tua entità.
2. Posso usare più tipi di Schema.org sulla stessa pagina?
Sì, non solo è possibile, ma è la base dell’approccio Schema.org Advanced. Ad esempio, una pagina di ricetta può contenere Recipe, FAQPage (per le domande sulla ricetta), VideoObject (per il video tutorial) e Organization (per l’autore). L’importante è utilizzare il contenitore @graph in JSON-LD per definire chiaramente ogni entità e le sue relazioni con gli @id.
3. Il markup Schema.org influisce direttamente sul ranking?
Ufficialmente, Google afferma che i dati strutturati non sono un fattore di ranking diretto. Tuttavia, influenzano indirettamente il ranking in modi cruciali:
- Rich Snippet: Aumentano il CTR (Click-Through Rate) nella SERP, un fattore che Google monitora.
- Comprensione del Contesto: Aiutano i motori di ricerca a comprendere il contesto e l’intenzione, portando a un migliore posizionamento per query specifiche.
- Ottimizzazione AI/LLM: Rendono il contenuto più “consumabile” per la SGE e gli LLM, aumentando la probabilità di essere citati come fonte autorevole.
4. È meglio usare JSON-LD, Microdata o RDFa?
JSON-LD (JavaScript Object Notation for Linked Data) è il formato raccomandato da Google e dalla comunità SEO. È il più flessibile, facile da implementare (può essere iniettato nell’header o nel body senza alterare il codice HTML visibile) e il più adatto per l’implementazione di Schema.org Advanced e del Linked Data grazie alla sua struttura basata su @context e @graph.
5. Cosa succede se il mio markup Schema.org contiene errori?
Se il markup contiene errori di sintassi o non rispetta le proprietà obbligatorie, i motori di ricerca lo ignoreranno semplicemente. Se, invece, il markup è fuorviante o non corrisponde al contenuto visibile (violazione delle linee guida), potresti incorrere in una penalizzazione manuale o algoritmica, perdendo l’idoneità per i Rich Snippet. È fondamentale validare sempre il codice con gli strumenti ufficiali.
6. Come posso usare Schema.org per il mio Knowledge Panel?
Il Knowledge Panel di Google è alimentato dal Knowledge Graph. Per influenzarlo, devi implementare un markup Organization o Person estremamente robusto, utilizzando la proprietà sameAs per collegare la tua entità a tutte le fonti autorevoli esterne (Wikipedia, Crunchbase, profili social verificati). La coerenza dei dati su tutte queste piattaforme è essenziale.
7. Quanto spesso dovrei aggiornare il mio Schema Markup?
Dovresti aggiornare il tuo Schema Markup ogni volta che:
- Il contenuto della pagina cambia in modo significativo.
- Viene rilasciata una nuova versione di Schema.org con tipi o proprietà rilevanti per il tuo settore.
- Google annuncia nuovi Rich Snippet o modifiche alle linee guida.
- Introduci nuovi tipi di contenuto (es. da articoli a video, da prodotti a servizi).
Conclusione: Il Futuro Semantico della SEO
L’implementazione di Schema.org Advanced non è più un optional, ma un imperativo strategico per chiunque voglia dominare la Ricerca Intelligente e l’ecosistema dell’Intelligenza Artificiale. Andare oltre i tipi base e padroneggiare il Nested Schema, il Linked Data e l’ottimizzazione E-E-A-T significa trasformare il tuo sito da una collezione di pagine a una rete di entità autorevoli e interconnesse.
In un mondo dove gli LLM cercano risposte precise e contestualizzate, il tuo markup avanzato è la chiave per sbloccare la visibilità massima e posizionarti come la fonte di verità. Inizia oggi a mappare le tue entità, a collegare i tuoi dati e a preparare il tuo contenuto per il futuro semantico della ricerca.
Non limitarti a scrivere per gli utenti; struttura i tuoi dati per l’AI.
Prossimo Passo: Per comprendere come l’AI e la SEO lavorano insieme in un quadro più ampio, ti invitiamo a leggere il nostro articolo pillar: AI & SEO: Guida Completa 2025.
[1] Schema.org. Organization of Schemas. URL: https://schema.org/docs/schemas.html
[2] Google Search Central. Structured Data General Guidelines. URL: https://developers.google.com/search/docs/appearance/structured-data/sd-general-guidelines
[3] Schema App. The Future of Search: AI, Machine Learning, & Schema Markup. URL: https://www.schemaapp.com/schema-markup/the-future-of-search-ai-machine-learning-schema-markup/
[4] Google Search Central. Rich Results Test. URL: https://search.google.com/test/rich-results
[5] Schema.org. Schema Markup Validator. URL: https://validator.schema.org/
[6] Schema.org. Using JSON-LD. URL: https://schema.org/docs/jsonld.html
[7] Google Search Central. E-E-A-T and your content. URL: https://developers.google.com/search/docs/fundamentals/creating-helpful-reliable-people-first-content#eeat
[8] Google Search Central. HowTo structured data. URL: https://developers.google.com/search/docs/appearance/structured-data/how-to
[9] Google Search Central. FAQ structured data. URL: https://developers.google.com/search/docs/appearance/structured-data/faqpage
[10] Schema.org. sameAs property. URL: https://schema.org/sameAs
[11] Schema.org. additionalType property. URL: https://schema.org/additionalType
[12] Schema.org. PropertyValue type. URL: https://schema.org/PropertyValue
[13] Schema.org. Speakable specification. URL: https://schema.org/speakable
[14] Schema.org. Dataset type. URL: https://schema.org/Dataset
[15] Schema.org. ClaimReview type. URL: https://schema.org/ClaimReview


