Schema Markup
Schema markup é o vocabulário estruturado do schema.org que se adiciona a uma página web para identificar o seu conteúdo para máquinas, indicando aos motores de pesquisa e sistemas de IA o significado exato de cada elemento, tornando a página elegível para resultados enriquecidos e para ser reconhecida como uma entidade específica.
O HTML simples indica ao navegador como apresentar o texto, mas não especifica se um número é um preço, uma classificação ou um contacto telefónico. O schema markup preenche essa lacuna ao etiquetar o conteúdo com tipos e propriedades padronizados, habitualmente escritos em JSON-LD num elemento script no cabeçalho da página. Cada tipo é um vocabulário com propriedades definidas: um Product tem nome, marca, imagem e um bloco de ofertas; um Offer tem preço, moeda e estado de disponibilidade; um Review tem autor, classificação e texto. A marcação coexiste com a página visível sem a substituir, pelo que a mesma descrição de produto que o cliente lê também fica descrita numa forma que uma máquina consegue interpretar sem recorrer a suposições.
Para uma loja, os tipos que mais valor geram são Product, Offer, Review, AggregateRating, Organization, BreadcrumbList e FAQPage, cada um a associar uma secção da página a um significado que uma máquina consegue usar. Para ilustrar: uma loja Shopify de cerâmica artesanal do Alentejo a vender conjuntos a 49 euros, com 211 avaliações e uma média de 4,6 estrelas. Sem marcação, um rastreador vê um título, alguns parágrafos e um ícone de estrelas que não consegue interpretar. Com um bloco Product que inclui um Offer (price 49.00, currency EUR, availability InStock) e um AggregateRating (ratingValue 4.6, reviewCount 211), a página declara esses factos de forma explícita, e a listagem fica elegível para mostrar o preço e a classificação por estrelas abaixo do título.
O benefício é duplo. Por um lado, a elegibilidade para resultados enriquecidos: classificações por estrelas, preços e acordeões de FAQ na listagem de pesquisa, que tendem a captar mais atenção do que uma ligação simples. Por outro, um reconhecimento de entidade mais claro, que alimenta cada vez mais os motores de resposta com IA que sintetizam e citam fontes em vez de listar dez resultados. Quando o ChatGPT, o Perplexity ou o Google AI Overviews compõem uma resposta sobre um produto, os dados estruturados fornecem-lhes factos precisos e sem ambiguidade para citar, pelo que um preço ou uma classificação extraídos para uma resposta têm mais probabilidade de ser os corretos e de pertencer à loja em causa. Isto é mais relevante para as afirmações específicas e comparáveis em que esses sistemas se apoiam: preço, disponibilidade e classificação.
A regra que mais frequentemente é ignorada é a correspondência com o conteúdo visível: a marcação tem de descrever conteúdo que o utilizador consegue ver na página. Marcar avaliações ou classificações que não estão presentes, ou inflar os valores, viola as diretrizes do Google e pode originar uma ação manual de dados estruturados que remove os resultados enriquecidos por completo. A prática correta é adicionar o vocabulário para refletir o que já está na página, mantê-lo atualizado quando os preços e o número de avaliações mudam, e validar com o Rich Results Test antes de publicar. A marcação não garante um resultado enriquecido; torna a página elegível, e o motor de pesquisa decide se o apresenta.