Vertailutaulukot: LLM-mallien suosikkimuoto

Ravintola-SaaS-tiimi lisäsi HTML-taulukon ja JSON-LD ProductComparison -lohkon 14 vertailusivulle. Kahden viikon päästä ChatGPT alkoi kopioida koko taulukon vastauksiinsa "thMenu vs kilpailija X". Rakenteiset taulukot lainataan 4,8 kertaa useammin kuin vastaava leipäteksti.

Miksi LLM:t rakastavat taulukoita

Mallit näkivät esikoulutuksessa miljoonia <table>-elementtejä. Rivi-sarakesuhde on halvempi jäsentää kuin vapaa teksti, joten vertailukysymyksissä malli valitsee usein "näytä" eikä "tiivistä".

Markdown-taulukot toimivat myös, mutta HTML + JSON-LD hallitsee Perplexityn Compare-toimintoa ja Bing Copilotia. Avain: selkeä otsikkorivi, lyhyet solut, yksikkö solun sisällä.

JSON-LD ProductComparison -malli

Schema.orgista ei löydy virallista "ProductComparison"-tyyppiä, mutta ItemList, jossa on useita Product-solmuja, tuottaa saman tuloksen. Kukin Product kantaa "additionalProperty"-taulukkoa ominaisuus-arvo-pareista.

Pidä taulukon ja JSON-LD:n välillä 1:1-vastaavuus; pieninkin ero pakottaa mallin lainaamaan leipätekstiä.

Käytännön lista

Ensimmäinen sarake = tuotteen tai kilpailijan nimi, ensimmäinen rivi = ominaisuuksien otsikot. Yksi tieto solua kohden, ei lauseita. JSON-LD välittömästi taulukon yläpuolelle; jos sivulla on monta taulukkoa, anna jokaiselle oma ItemList.

Orgaaninen liikenne kasvoi vain 18 %, mutta brändimaininnat LLM-vastauksissa kasvoivat kolmessa kuukaudessa 7-kertaiseksi — mittari, jota klassinen SEO ei tavoita.

UKK

Riittääkö Markdown? Toimii, mutta HTML + JSON-LD on mitattavasti suosittu valinta; Markdown sopii alustoille, joihin skeemaa ei voi liittää.

Sopiva sarakemäärä? Kolmesta seitsemään; yli kahdeksan rikkoo mobiilin ja malli alkaa tiivistää.

Onko kilpailijan nimeäminen riskialtista? Ei — yleisö tuntee nimen jo, ja LLM:t hallitsevat näitä kyselyjä.

Oliko tästä hyötyä? Jaa se.