AI 시대의 구조화된 데이터: 스키마 마크업(Schema Markup)이 그 어느 때보다 중요한 이유

원문은 The Searchless Journal에 처음 게시되었습니다.

지난 10년 동안 스키마 마크업(Schema markup)은 기술적 SEO 전문가들의 영역이었습니다. 우리는 리치 스니펫(Rich snippets), 지식 패널(Knowledge panels), 그리고 약간의 순위 상승을 위해 이를 구현했습니다. 그것은 있으면 좋은 것이었지, 반드시 있어야 하는 것은 아니었습니다.

AI 시대가 이를 변화시켰습니다. 스키마 마크업은 이제 AI 검색 시스템(Retrieval systems)의 기초가 되었습니다. 생성형 엔진(Generative engines)이 어떤 출처를 인용할지 결정할 때, 구조화된 데이터(Structured data)는 귀하의 콘텐츠로부터 정보를 이해하고, 평가하며, 추출하는 데 필요한 신호를 제공합니다. 스키마가 없다면, 귀하는 검색(Retrieval) 과정을 불필요하게 어렵게 만들고 있는 것입니다.

AI 엔진이 구조화된 데이터를 사용하는 방법

AI 검색 시스템은 전통적인 검색 크롤러(Search crawlers)와 다르게 작동합니다. 페이지 전체를 읽고 비구조화된 텍스트(Unstructured text)에서 의미를 추출하는 대신, 이러한 시스템은 검색 결정을 내리기 위해 구조화된 신호(Structured signals)에 크게 의존합니다.

스키마 마크업은 명시적인 구조를 제공합니다. 귀하의 콘텐츠를 Article, FAQ, HowTo 또는 Product 스키마로 마크업하면, 검색 시스템에 이 콘텐츠가 정확히 어떤 유형이며 어떻게 구성되어 있는지 알려주는 것입니다. 이러한 명시적 구조는 모호성을 줄이고 관련 쿼리에 대한 검색 확률을 높입니다.

스키마는 정밀한 추출을 가능하게 합니다. AI 엔진이 "iPhone을 재설정하는 단계는 무엇인가요?"라는 질문에 답해야 할 때, 단계별 지침이 포함된 HowTo 스키마를 찾습니다. 기능을 비교해야 할 때는 사양 데이터가 포함된 Product 스키마를 찾습니다. 스키마 마크업은 엔진이 귀하의 콘텐츠에서 특정 정보를 가져오는 데 필요한 추출 지점(Extraction points)을 제공합니다.

스키마는 엔티티 인식(Entity recognition)을 지원합니다. AI 엔진은 웹 전반의 엔티티(Entities)를 연결함으로써 지식 그래프(Knowledge graphs)를 구축합니다. 스키마 마크업은 엔티티(사람, 조직, 제품, 위치 등)와 그들 사이의 관계를 식별하는 데 도움을 줍니다. 이러한 엔티티 인식은 관련성 점수(Relevance scoring)를 개선하고 인용 가능성을 높입니다.

스키마 (Schema)는 플랫폼 간 호환성을 촉진합니다. 서로 다른 AI 엔진들은 각기 다른 스키마 유형을 우선시하지만, 모두 어느 정도는 구조화된 데이터 (Structured data)를 사용합니다. 포괄적인 스키마 적용 범위는 단일 플랫폼이 아닌 모든 플랫폼에서 검색 및 인용될 확률을 높여줍니다.

AI 검색(Retrieval)에 가장 중요한 스키마 유형

모든 스키마 유형이 AI 검색에 똑같이 가치 있는 것은 아닙니다. 주요 엔진들에 대한 인용 분석 (Citation analysis)을 바탕으로 할 때, 몇 가지 스키마 유형이 특히 중요한 것으로 나타났습니다.

Article 스키마는 콘텐츠 페이지의 기초가 됩니다. 적절하게 구현된 Article 스키마에는 헤드라인 (Headline), 저자 (Author), 발행일 (Publication date), 그리고 본문 (Article body)이 포함됩니다. 이러한 구조는 엔진이 콘텐츠 유형을 이해하고, 최신성 (Freshness)을 평가하며, 핵심 정보를 추출하는 데 도움을 줍니다. Article 스키마는 인용되기를 원하는 모든 콘텐츠에 있어 필수적인 기본 요건 (Table stakes)입니다.

FAQ 스키마는 직접적인 답변 검색 (Direct answer retrieval)을 가능하게 합니다. 사용자가 귀하의 FAQ 항목과 일치하는 질문을 던질 때, 엔진은 특정 답변을 검색하여 인용할 수 있습니다. 질문-답변 (Question-Answer) 쌍을 포함하는 FAQ 스키마는 엔진이 비구조화된 Q&A 텍스트보다 선호하는 구조화된 추출 지점 (Structured extraction points)을 제공합니다.

HowTo 스키마는 교육용 콘텐츠에 필수적입니다. 가이드, 튜토리얼, 단계별 지침에는 단계 (Steps), 도구 (Tools), 예상 소요 시간 (Estimated time)을 포함하는 HowTo 스키마가 필요합니다. 이 구조는 엔진이 교육적 질의 (Instructional queries)를 처리하는 방식과 완벽하게 일치하며, 방법론(How-to) 콘텐츠의 인용 확률을 높여줍니다.

Product 스키마는 상업적 질의 (Commercial query)의 인용을 유도합니다. 사용자가 제품을 비교하거나 사양을 검색할 때, Product 스키마는 엔진이 필요로 하는 구조화된 데이터를 제공합니다. 이름 (Name), 브랜드 (Brand), 설명 (Description), 제공 사항 (Offers), 그리고 사양 (Specifications)을 포함하십시오. Product 스키마가 더 완전할수록, 상업적 질의에 대해 귀하의 페이지가 인용될 가능성이 높아집니다.

Review 스키마는 로컬 및 제품 인용을 증대시킵니다. 평점 값 (Rating values), 저자 정보 (Author information), 그리고 리뷰 본문 (Review body)을 포함하는 Review 스키마는 엔진이 종합된 답변 (Synthesized answers)에 통합할 수 있는 정량화 가능한 신호 (Quantifiable signals)를 제공합니다. 이는 특히 로컬 비즈니스와 제품 비교에서 중요합니다.

브레드크럼 스키마 (Breadcrumb schema)는 탐색 이해도를 향상시킵니다. 브레드크럼 스키마는 검색 엔진이 사이트 구조와 콘텐츠 계층 구조 (Content hierarchy)를 이해하도록 돕습니다. 이러한 맥락 정보 (Contextual information)는 관련성 점수 (Relevance scoring)를 개선하며, 적절한 쿼리 (Queries)에 대해 귀하의 콘텐츠가 검색될 확률을 높여줍니다.

강조할 가치가 있는 마지막 스키마 유형은 VideoObject 스키마입니다. 비디오 콘텐츠가 검색되기 위해서는 제목, 설명, 썸네일, 재생 시간 (Duration)과 같은 구조화된 메타데이터 (Structured metadata)가 필요합니다. AI 엔진이 답변에 비디오를 점점 더 많이 통합함에 따라, VideoObject 스키마의 중요성은 더욱 커질 것입니다.

효과적인 스키마 구현 방법

스키마 마크업 (Schema markup)을 추가하는 것은 어렵지 않지만, 이를 효과적으로 구현하려면 세부 사항에 대한 주의와 콘텐츠 라이브러리 전반에 걸친 일관성이 필요합니다.

JSON-LD 형식을 일관되게 사용하세요. 다른 스키마 형식도 존재하지만, JSON-LD는 현대적인 구현을 위해 권장되는 형식입니다. 유지 관리가 더 쉽고, 오류 발생 가능성이 낮으며, 모든 주요 플랫폼과 검색 엔진에서 널리 지원됩니다.

스키마 마크업을 검증하세요. 검색 결과에 영향을 미치기 전에 Google의 리치 결과 테스트 (Rich Results Test) 및 Schema.org 검증기를 사용하여 오류를 잡아내십시오. 일반적인 오류로는 필수 필드 누락, 잘못된 데이터 유형, 잘못된 형식의 JSON 등이 있습니다. 이러한 오류는 스키마가 인식되는 것을 방해할 수 있습니다.

콘텐츠 변경 사항에 맞춰 스키마를 동기화하세요. 콘텐츠를 업데이트할 때 해당 스키마도 업데이트해야 합니다. 오래된 스키마(잘못된 발행 날짜, 변경된 저자, 수정된 콘텐츠 등)는 검색 엔진을 혼란스럽게 하고 검색 성능을 저하시킬 수 있습니다. 스키마는 항상 콘텐츠의 현재 상태를 정확하게 반영해야 합니다.

선택적 필드보다 필수 필드를 우선시하세요. 스키마에는 많은 선택적 필드가 포함되어 있지만, 필수 필드가 가장 큰 가치를 제공합니다. 선택적 기능을 추가하기 전에 선택한 스키마 유형의 모든 필수 필드를 채웠는지 확인하십시오. 필수 필드를 먼저 완료하십시오.

여러 검증기(Validator)를 통해 테스트하십시오. 검증기마다 잡아내는 오류가 다릅니다. Google의 검증기, Schema.org의 검증기, 그리고 귀하가 중요하게 생각하는 플랫폼별 검증기를 통해 스키마를 실행해 보십시오. 교차 테스트(Cross-testing)는 광범위한 호환성을 보장합니다.

마지막 구현 고려 사항은 스키마의 깊이(Schema depth)입니다. 가장 중요한 페이지에만 스키마를 추가하지 말고, 콘텐츠 라이브러리 전체에 일관되게 추가하십시오. 포괄적인 스키마 커버리지는 더 많은 검색(Retrieval) 기회를 제공하며, 엔진에 사이트 전체가 구조화되어 있고 권위가 있다는 신호를 보냅니다.

기본 스키마를 넘어: 고급 구조화된 데이터 전략

기본적인 스키마 구현이 완료되면, 고급 전략을 통해 AI 검색(Retrieval) 성능을 더욱 향상할 수 있습니다.

중첩된 스키마(Nested schema)는 더 풍부한 구조를 제공합니다. Article 스키마 내에 HowTo 단계를 중첩하거나, Product 스키마 내에 Review 스키마를 중첩할 수 있습니다. 이러한 중첩은 엔진이 콘텐츠 관계를 이해하는 방식을 반영하는 계층적 구조를 제공하며 추출 정밀도(Extraction precision)를 높여줍니다.

SameAs 링크는 웹 전반의 엔티티(Entity)를 연결합니다. 스키마의 SameAs 속성은 귀하의 엔티티를 Wikipedia, Crunchbase, IMDb 및 기타 권위 있는 출처의 프로필과 연결합니다. 이러한 교차 링크(Cross-linking)는 엔티티 인식(Entity recognition)을 강화하고 지식 그래프(Knowledge graph) 통합을 개선합니다.

Organization 스키마는 브랜드 권위를 구축합니다. 로고, 소셜 프로필, 연락처 정보 및 SameAs 링크가 포함된 적절한 Organization 스키마는 엔진이 귀하의 브랜드 엔티티를 이해하는 데 도움을 줍니다. 이러한 권위 신호는 모든 콘텐츠에 걸쳐 관련성 점수(Relevance scoring)를 개선합니다.

Speakable 스키마는 음성 AI(Voice AI)에 대비합니다. 음성 AI 검색은 아직 발전 중이지만, Speakable 스키마는 음성 답변에 최적화된 섹션을 지정합니다. 지금 이 스키마를 구현하는 것은 증가하는 음성 검색량에 맞춰 귀하의 콘텐츠를 준비시키는 것입니다.

마지막 고급 전략은 독창적인 연구를 위한 데이터셋 스키마(Dataset schema)입니다. 만약 귀하가 독창적인 데이터, 연구 결과 또는 통계 자료를 게시한다면, 이 정보를 구조화하기 위해 Dataset 스키마를 사용하십시오. 검색 엔진은 인용을 위해 독점적인 데이터와 고유한 연구를 점점 더 가치 있게 평가하고 있습니다.

스키마와 콘텐츠 유형의 정렬 (Schema and Content Type Alignment)

서로 다른 스키마 유형은 특정 콘텐츠 유형과 함께 사용할 때 가장 효과적입니다. 스키마를 콘텐츠 유형과 정렬하면 검색 성능(retrieval performance)을 최적화할 수 있습니다.

블로그 게시물은 저자, 발행일 및 본문 섹션이 포함된 Article 스키마가 필요합니다. 긴 형식의 기사는 Article 또는 TechArticle 스키마를 사용하여 섹션 수준의 마크업(markup)을 적용하면 이점이 있습니다. 이러한 세밀한 구조는 검색 엔진이 타겟팅된 쿼리에 대해 특정 섹션을 검색하는 데 도움을 줍니다.

제품 페이지는 사양(specifications), 제공 정보(offers) 및 리뷰가 포함된 Product 스키마가 필요합니다. 색상, 크기, 재질, 무게와 같이 가능한 한 많은 관련 속성을 포함하십시오. Product 스키마가 풍부할수록 사양 중심의 쿼리에 대해 귀하의 페이지가 인용될 가능성이 높아집니다.

서비스 페이지는 설명, 제공자 및 서비스 지역(areaServed)이 포함된 Service 스키마가 필요합니다. 로컬 비즈니스는 Service 스키마와 중첩된 LocalBusiness 스키마를 포함해야 합니다. 이 조합은 서비스 특화 정보와 위치 기반 구조를 모두 제공합니다.

레시피 페이지는 재료, 조리법 및 영양 정보가 포함된 Recipe 스키마가 필요합니다. Recipe 스키마는 조리 시간, 요리 유형, 식단 제한 사항 등 점점 더 상세한 마크업을 지원하도록 발전해 왔습니다. 풍부한 Recipe 스키마는 요리 및 영양 관련 쿼리에 대한 인용을 유도합니다.

이벤트 페이지는 시작일(startDate), 종료일(endDate), 위치 및 출연자(performer)가 포함된 Event 스키마가 필요합니다. 반복되는 이벤트의 경우, 빈도를 지정하기 위해 eventSchedule을 사용하십시오. 완전한 이벤트 스키마는 이벤트 관련 쿼리 및 캘린더 통합에 대한 검색 성능을 높여줍니다.

마지막 정렬 고려 사항은 하이브리드 콘텐츠입니다. 많은 페이지가 콘텐츠 유형을 결합합니다. 예를 들어, 구매 가이드 요소가 포함된 제품 페이지가 이에 해당합니다. 이러한 페이지는 콘텐츠를 완전히 설명하기 위해 여러 스키마 유형을 사용하는 하이브리드 스키마 구현을 통해 이점을 얻을 수 있습니다.

AI 검색(Retrieval)에 대한 스키마 영향력 측정

스키마에 대한 투자가 실제로 성과를 내고 있는지 어떻게 알 수 있을까요? 리치 스니펫(Rich Snippet) 성능을 쉽게 추적할 수 있는 전통적인 SEO와 달리, AI 검색(Retrieval)은 다른 측정 방식이 필요합니다.

스키마 유형별 인용률(Citation rates)을 추적하세요. 어떤 페이지가 인용되는지 모니터링하고 이를 스키마 구현과 상관관계 분석을 수행하십시오. Article 스키마가 적용된 페이지가 적용되지 않은 페이지보다 더 자주 인용되나요? HowTo 스키마가 교육용 콘텐츠의 인용률을 높여주나요? 이 데이터는 향후 스키마 우선순위를 결정하는 가이드가 됩니다.

대조 실험을 통해 스키마 변형을 테스트하세요. 서로 다른 스키마 구현을 가진 유사한 페이지들을 생성하십시오(예: 일부는 FAQ 스키마를 적용하고, 일부는 적용하지 않음). 그런 다음 시간에 따른 인용 성능을 비교하십시오. 이러한 테스트를 통해 어떤 스키마 유형이 콘텐츠에 가장 큰 가치를 제공하는지 확인할 수 있습니다.

다양한 엔진에서의 검색(Retrieval)을 모니터링하세요. 귀하의 콘텐츠가 ChatGPT, Perplexity, Google AI Overviews 및 기타 플랫폼에서 검색되고 인용되는지 추적하십시오. 일부 엔진은 특정 스키마 유형을 우선시하므로, 플랫폼 간 데이터를 확인하면 가장 가치 있는 플랫폼에 맞춰 최적화하는 데 도움이 됩니다.

마지막 측정 고려 사항은 스키마 완성도 점수(Schema completeness scores)입니다. 필수 및 권장 필드를 스키마가 얼마나 포괄적으로 다루고 있는지 평가하는 도구를 사용하십시오. 스키마 구현을 확장함에 따라 이러한 점수를 시간에 따라 추적하고, 점수 향상과 인용 성능 간의 상관관계를 분석하십시오.

AI 검색에서 스키마의 미래

AI 검색이 진화함에 따라 스키마 마크업(Schema markup)의 중요성은 더욱 커질 것입니다. 신규 트렌드를 이해하면 변화의 흐름을 앞서 나갈 수 있습니다.

AI 특화 스키마 유형이 등장할 것입니다. Schema.org에는 이미 dataset 및 softwareSourceCode와 같은 AI 특화 속성이 포함되어 있습니다. 검색 엔진들이 검색(Retrieval)을 위한 최적의 구조화된 데이터(Structured data)에 관한 가이드를 발표함에 따라, 더욱 많은 AI 중심 스키마 유형이 등장할 것으로 예상됩니다.

플랫폼 간 스키마 표준화가 증가할 것입니다. 현재는 서로 다른 AI 엔진들이 서로 다른 스키마 요소를 우선시합니다. 시장이 성숙해짐에 따라 핵심 스키마 요구 사항 및 모범 사례(Best practices)를 중심으로 더 많은 표준화가 이루어질 것으로 기대됩니다.

스키마 자동화 도구(Schema automation tools)가 개선될 것입니다. 방대한 콘텐츠 라이브러리에 포괄적인 스키마를 구현하는 것은 시간이 많이 소요되는 작업입니다. 더 나은 자동화 도구와 AI 기반 스키마 생성기(AI-powered schema generators)는 구현 과정의 마찰을 줄이고 더 광범위한 도입을 가능하게 할 것입니다.

마지막 트렌드는 순위 신호(ranking signal)로서의 스키마입니다. AI 엔진이 검색(retrieval)을 위해 구조화된 데이터(structured data)에 더욱 크게 의존함에 따라, 스키마의 완전성과 품질이 명시적인 순위 요소(ranking factors)가 될 수 있습니다. 풍부하고 정확한 스키마를 갖춘 사이트는 검색 과정에서 본질적인 이점을 얻게 될 것입니다.

지금 스키마에 투자하십시오. AI 검색이 더 많은 쿼리 볼륨(query volume)을 점유함에 따라, 포괄적인 스키마 구현의 경쟁 우위는 더욱 커질 것입니다. 기초적인 스키마 유형부터 시작하여 고급 전략으로 확장하고, 그 영향을 체계적으로 측정하십시오. 인용(citations)은 자연스럽게 따라올 것입니다.