Schema markup a pozycje w Google: co naprawdę pokazuje test LocalBusiness schema na 29 lokalnych firmach

Schema markup od lat funkcjonuje w SEO jako coś, co „wypada mieć”. Dla jednych to obowiązkowy element każdej strategii, dla innych jedynie kosmetyka w wynikach wyszukiwania. Z perspektywy właściciela firmy lub marketing managera liczy się jednak inne pytanie: czy schema markup realnie poprawia pozycje w wynikach, zwiększa ruch i sprzedaż, czy jest wyłącznie formą technicznego uporządkowania strony?

Badanie opisane na Moz, przeprowadzone przez agencję Evergrow Marketing na grupie lokalnych biznesów z jednej branży, dostarcza jednej z najbardziej rzetelnych odpowiedzi na to pytanie. Co ważne, eksperyment zaprojektowano tak, aby zminimalizować wpływ innych czynników i odizolować efekt samego schema od zmian w CTR wynikających z atrakcyjniejszych snippetów.

Poniżej znajdziesz omówienie wyników oraz ich znaczenie biznesowe – nie tylko w odniesieniu do Google, ale także innych wyszukiwarek i rosnącej roli AI / LLM w wyszukiwaniu.

Jak zaprojektowano badanie – i dlaczego można je traktować poważnie

Evergrow Marketing specjalizuje się w marketingu dla firm z branży landscaping i lawn care. Pracują z lokalnymi biznesami o bardzo podobnym modelu działania, skali i ofercie. Dzięki temu udało się maksymalnie ograniczyć zmienne, które zwykle podważają wiarygodność testów SEO.

Do badania wybrano 29 klientów spośród ok. 50 obsługiwanych. Wszyscy działali w USA, korzystali z podstawowego pakietu SEO, mieli strony zbudowane przez agencję na tym samym szablonie WordPress (Divi) i w okresie badania nie publikowali nowych treści. W praktyce oznacza to porównanie bardzo zbliżonych środowisk biznesowych i technicznych.

Firmy podzielono na dwie grupy: kontrolną (13 klientów) i testową (16 klientów). W obu grupach na czas eksperymentu wstrzymano jakiekolwiek dodatkowe działania SEO. Jedyną różnicą było to, że grupa testowa otrzymała LocalBusiness schema markup, a grupa kontrolna nie.

Zadbano także o zrównoważony rozkład geograficzny (południe, północ, midwest, zachód USA). W branży zależnej od pogody i sezonu ma to krytyczne znaczenie – pozwala odseparować wpływ schema od sezonowych wahań popytu.

Dlaczego użyto LocalBusiness schema – i dlaczego to ważne dla interpretacji wyników

Kluczowym założeniem badania było zastosowanie takiego typu schema, który nie generuje klasycznych rich snippets. Chodziło o to, by uniknąć sytuacji, w której ranking poprawia się pośrednio, bo ładniejszy wynik zwiększa CTR, a nie dlatego, że sam markup jest sygnałem rankingowym.

Z tego powodu wybrano LocalBusiness schema z serwisu schema.org. Strukturę opracowano m.in. przy konsultacji z ekspertami z Yoast i Moz. Świadomie pominięto elementy mogące uruchamiać bogatsze wyniki (takie jak priceRange czy reviewRating) oraz „efektowne” schematy typu FAQ czy Product.

Przed startem testu usunięto z badanych stron wszelkie istniejące dane strukturalne – głównie breadcrumb schema generowane przez Yoast. Następnie w Google Search Console potwierdzono, że strony są poprawnie zindeksowane i pozbawione jakiegokolwiek schema. Dopiero na tak przygotowanej bazie uruchomiono eksperyment.

Badanie rozłożono w czasie na dwa pięciotygodniowe okresy. Najpierw pięć tygodni bez schema dla wszystkich, następnie pięć tygodni z wdrożonym LocalBusiness schema wyłącznie w grupie testowej. Porównywano wyniki „przed i po” w obu grupach, co pozwoliło odfiltrować część naturalnych wahań.

Jak mierzono wpływ schema – więcej niż „średnia pozycja w Google”

Choć większość rozmów o schema koncentruje się na Google, w badaniu uwzględniono także Google Mobile, Bing i Yahoo. Pozycje monitorowano za pomocą Moz Pro. Z biznesowego punktu widzenia to istotne: coraz częściej mówi się o SEO nie tylko w kontekście jednego silnika, ale całego ekosystemu wyszukiwarek i asystentów.

Analizie poddano dwa typy zapytań. Pierwsze to zapytania ogólne, w stylu „[usługa] company in [miasto]” – frazy, o które realnie walczy każdy lokalny usługodawca. Drugie to zapytania specyficzne, np. „can you recommend a [service] company that services the [location] area that’s open at noon on friday?”. W tym przypadku wyszukiwarka musi zinterpretować parametry takie jak godziny otwarcia czy obszar działania.

Z perspektywy przychodów kluczowe są oczywiście zapytania ogólne, które generują wolumen. Zapytania specyficzne są ciekawsze z punktu widzenia tego, jak wyszukiwarka korzysta z danych strukturalnych przy odpowiedziach na bardziej złożone potrzeby – czyli w scenariuszach zbliżonych do wyszukiwania konwersacyjnego i AI.

Co ważne, autorzy badania nie zatrzymali się na prostym porównaniu średnich pozycji. Wykorzystali jednostronny test Welch’s t-test, aby określić z jakim poziomem ufności można przypisać różnice w rankingach właśnie wdrożeniu schema. Za solidny dowód uznawano wyniki na poziomie co najmniej 90%, a wartości 80–89% traktowano jako sygnał „potencjalny”, ale niepewny.

Zapytania ogólne: schema nie poprawia pozycji w Google

W obszarze najważniejszym z punktu widzenia biznesu – czyli przy ogólnych frazach lokalnych – wyniki są jednoznaczne. Test pokazał, że LocalBusiness schema nie ma bezpośredniego, mierzalnego wpływu na ranking w Google. Różnice między grupą testową a kontrolną nie osiągnęły poziomu ufności, który pozwalałby z czystym sumieniem stwierdzić, że to schema „wywołał” poprawę.

Podobny brak jednoznacznego, pozytywnego efektu zaobserwowano w Bing, mimo wcześniejszych komunikatów Microsoftu o roli schema w lepszym rozumieniu kontekstu przez systemy oparte na LLM. To pokazuje, jak duży dystans warto zachować między deklaracjami vendorów a twardymi danymi.

Najciekawsza sytuacja wystąpiła w Yahoo, gdzie pojawił się poziom ufności ok. 82% sugerujący „potencjalny” wpływ schema na ranking. Autor badania interpretuje to tak, że mniejsze wyszukiwarki mogą bardziej polegać na danych strukturalnych, bo nie mają tak rozbudowanych zasobów i algorytmów jak Google.

Z perspektywy osoby zarządzającej marketingiem kluczowy wniosek jest prosty: w Google samo wdrożenie LocalBusiness schema nie jest sygnałem rankingowym. Nie poprawi pozycji strony tylko dlatego, że pojawił się na niej dodatkowy kod.

Zapytania specyficzne: lekki sygnał, mała wartość biznesowa

Przy bardzo szczegółowych zapytaniach obraz jest bardziej zniuansowany. Google Mobile i Bing pokazały „potencjalny” wpływ LocalBusiness schema na ranking. Można to rozumieć jako lepsze wykorzystanie danych strukturalnych przy dopasowywaniu wyników do precyzyjnych, skomplikowanych potrzeb.

Jednocześnie w Yahoo lepiej wypadła grupa kontrolna – bez schema. To podważa spójność pozytywnych sygnałów i sugeruje, że nie mamy tu do czynienia z powtarzalnym, biznesowo użytecznym efektem.

Co ważniejsze, takie bardzo szczegółowe frazy mają niewielki wolumen wyszukiwań. Nawet jeśli schema minimalnie poprawia tu ranking, jego wpływ na realny ruch i przychód jest ograniczony. Autor badania słusznie zauważa, że są to raczej zapytania typowe dla interfejsów AI i chatbotów niż dla klasycznych SERP-ów. Użytkownik częściej zada takie pytanie w trybie „AI mode” lub w czacie, niż wpisze je w standardową wyszukiwarkę.

Search visibility: tam, gdzie zaczyna się biznes, schema nie dowozi

Najważniejsza z perspektywy przychodów część analizy dotyczyła search visibility – szacowanego udziału w kliknięciach dla monitorowanych fraz w zależności od pozycji. To metryka znacznie bliższa rzeczywistemu wpływowi na ruch i leady niż sama „średnia pozycja”.

W tej warstwie okazało się, że we wszystkich wyszukiwarkach grupa kontrolna średnio wypadła lepiej niż testowa. Mówiąc prościej: tam, gdzie zaczyna się realny biznes (udział w kliknięciach), schema nie pokazało przewagi. Różnice na plus dla grupy z LocalBusiness schema były zbyt małe, by przełożyć się na znaczący skok widoczności, np. awans z dalszych stron na pierwszą.

Dla firmy oznacza to jedno: nawet jeśli pojedyncze frazy nieznacznie „drgnęły” w górę po wdrożeniu LocalBusiness schema, nie przyniosło to przewidywalnego, mierzalnego wzrostu udziału w kliknięciach. A więc nie generowało wyraźnego zwrotu z inwestycji w ruch organiczny.

Wniosek z badania: schema nie jest „dźwignią rankingu”, ale wciąż ma swoje miejsce

Autor badania formułuje jasną tezę: samo dodanie schema markup do strony nie poprawia jej pozycji w wynikach wyszukiwania. Nie jest to „ukryty” czynnik rankingowy ani szybka sztuczka na skok w górę.

Nie oznacza to jednak, że warto zrezygnować z danych strukturalnych. Rola schema przesuwa się z „czynnika rankingowego” w stronę narzędzia poprawiającego prezentację, klikalność i możliwość ponownego wykorzystania treści w innych kontekstach (AI, Google Jobs, Google Shopping, asystenci głosowi).

Kluczowe jest rozróżnienie między markupem, który generuje rich snippets (i wpływa na wygląd wyniku), a markupem takim jak LocalBusiness, który porządkuje dane, ale sam w sobie nie uruchamia wyróżnień w SERP-ach. Typowym błędem jest wrzucanie wszystkich typów schema do jednego worka i oczekiwanie, że każdy z nich „podniesie pozycje”.

Gdzie schema jest krytyczne: produkty, oferty pracy, wybrane branże

Z punktu widzenia biznesu są obszary, w których brak schema praktycznie wyklucza efektywną obecność w wynikach. Najważniejsze z nich to przede wszystkim oferty pracy i produkty.

Bez JobPosting schema oferta pracy nie pojawi się w widocznej sekcji „Jobs” w Google. W branżach lokalnych – od ekip ogrodniczych po budowlankę – oznacza to utratę części kandydatów, którzy szukają pracy właśnie przez ten moduł. W takim scenariuszu schema staje się warunkiem wejścia do gry, a nie dodatkiem.

Podobnie w e‑commerce. Product schema jest kluczowe dla sposobu prezentacji produktu w klasycznych wynikach organicznych, nie tylko w Google Shopping. Informacje o cenie, dostępności czy ocenach mogą być wyświetlane bezpośrednio w SERP-ach, co zwiększa CTR i skraca drogę do zakupu. Brak tych danych to realna strata widoczności i przewagi konkurencyjnej.

Dla typowego lokalnego usługodawcy wachlarz schema, które realnie generują rich snippets, jest jednak znacząco węższy. Poza JobPosting i wybranymi zastosowaniami Product, możliwości są ograniczone. Dodatkowo FAQ rich results zostały praktycznie wyłączone dla zwykłych stron komercyjnych, co znacząco zredukowało ich znaczenie jako narzędzia do „zajmowania więcej miejsca” w wynikach.

Szczególnej ostrożności wymagają recenzje. Google jasno zaznacza, że nie wolno markować schematem Review lub AggregateRating opinii, które są własnością właściciela serwisu albo pochodzą z zewnętrznych źródeł agregowanych na stronie, jeśli zachodzi konflikt interesów. Recenzje z markupem muszą być: użytkownicze, powiązane z konkretnym produktem lub usługą i wyświetlane na stronie tego produktu/usługi.

Naruszenie tych zasad może skończyć się ręcznymi karami. Przy czym – biorąc pod uwagę, że schema samo w sobie nie daje gwarantowanego zysku rankingowego – to ryzyko o bardzo słabym stosunku potencjalnej nagrody (kilka punktów CTR) do możliwej szkody (spadek widoczności całej domeny).

LocalBusiness schema: dobre uporządkowanie, nie dźwignia wzrostu

W świetle badania LocalBusiness schema warto traktować przede wszystkim jako element porządkowy (good housekeeping). Jest proste do wdrożenia, wykonuje się je raz, a później jedynie aktualizuje przy zmianach danych (adres, godziny, numer telefonu).

W praktyce oznacza to, że dobrze jest je mieć, ponieważ porządkuje informacje o firmie dla wyszukiwarek i systemów AI. Nie należy jednak oczekiwać, że sama jego implementacja rozwiąże problem słabej widoczności, niskiego ruchu czy braku leadów. To warstwa wspierająca, a nie główna dźwignia wzrostu.

Rozsądnym podejściem do budżetu SEO jest więc wdrożenie LocalBusiness schema raz, poprawnie i zgodnie z wytycznymi, a następnie skoncentrowanie pracy i środków na obszarach, które mają silniejszą korelację z rankingami i ruchem: jakościowym contencie, linkach, UX, Core Web Vitals czy optymalizacji lokalnej wokół Google Business Profile.

Schema a AI i LLM – gdzie może leżeć prawdziwa przyszłość danych strukturalnych

Ciekawym wątkiem poruszanym w źródłowym artykule jest rola schema w kontekście LLM (Large Language Models) i systemów RAG (Retrieval‑Augmented Generation). Nowoczesne wyszukiwarki AI działają coraz częściej według schematu: pobierz dane z sieci, przetwórz je i zsyntetyzuj odpowiedź.

Przetwarzanie dużych ilości tekstu jest kosztowne obliczeniowo – każdy token to koszt. Stąd rośnie znaczenie „porządnych” formatów danych, takich jak JSON-LD, które są jednoznaczne, zwięzłe i łatwe do interpretacji dla maszyn. Dla systemów wybierających, jakie fragmenty strony przekazać modelowi jako kontekst, schema może być wyraźnym drogowskazem.

W średnim horyzoncie czasowym schema może bardziej wpływać na to, czy Twoje dane trafią do odpowiedzi generowanych przez AI, niż na klasyczny ranking „10 niebieskich linków”. Jeśli asystent głosowy ma odpowiedzieć na pytanie o godziny otwarcia czy zakres usług Twojej firmy, znacznie łatwiej mu zaufać informacjom z LocalBusiness schema niż „wyczytywać” je z opisowych akapitów.

Autor badania wspomina, że w pełnym raporcie testowano także trzy różne LLM-y pod kątem wykorzystania schematu. To kierunek, który warto śledzić, myśląc o SEO szerzej niż tylko w kategoriach pozycji w Google – raczej jako o ogólnej obecności marki w ekosystemie wyszukiwania i AI.

Co to oznacza w praktyce

Z punktu widzenia decydenta biznesowego kluczowe jest przekucie powyższych wniosków na konkretne decyzje dotyczące budżetu, priorytetów i wymagań wobec agencji lub zespołu in‑house.

Po pierwsze, nie traktuj LocalBusiness schema jako taktyki na poprawę pozycji w Google dla lokalnych usług. Jeżeli agencja sprzedaje wdrożenie tego typu schema jako „czynnik rankingowy”, warto poprosić o twarde dane i metodologię. Sensownym uzasadnieniem są: uporządkowanie danych, lepsza interpretacja przez systemy AI, spójność informacji w wielu kanałach – nie obietnica szybkiego wzrostu pozycji.

Po drugie, priorytetyzuj typy schema, które realnie zwiększają ekspozycję w wynikach. Dla e‑commerce będzie to przede wszystkim Product schema (oraz powiązane typy), dla firm intensywnie rekrutujących – JobPosting, dla wydawców treści – odpowiednie schematy contentowe. To one mogą faktycznie poprawić CTR, udział w kliknięciach i finalnie sprzedaż czy liczbę aplikacji.

Po trzecie, włącz schema w szerszą strategię „data readiness” pod AI. Traktuj dane strukturalne w formacie JSON‑LD jako warstwę, która ułatwia modelom AI sięganie po informacje o Twojej firmie. Dbaj o spójność danych (adresy, nazwy, godziny, ceny) między stroną, schema, Google Business Profile i innymi źródłami. To właśnie ta spójność będzie paliwem dla odpowiedzi generowanych przez asystentów i czaty.

Po czwarte, zachowaj szczególną ostrożność przy schema dla recenzji i wszelkich „granicznych” zastosowaniach. Kuszące jest „podrasowanie” wyników o gwiazdki za wszelką cenę, ale potencjalny zysk kilku punktów CTR może nie być wart ryzyka ręcznej kary i spadku widoczności całego serwisu. Schema dla opinii stosuj tylko tam, gdzie jesteś w pełni zgodny z oficjalnymi wytycznymi Google.

Po piąte, uporządkuj własne wdrożenia. Warto zacząć od audytu obecnego schema (np. narzędzia typu Rich Results Test, Screaming Frog, wtyczki analizujące dane strukturalne), usunąć błędne, przestarzałe lub ryzykowne implementacje i dopiero na tej bazie wdrażać „zestaw must‑have” dobrany do modelu biznesowego.

W efekcie schema powinno zająć w Twojej strategii jasne miejsce: to użyteczne narzędzie wspierające widoczność i gotowość na AI, ale nie samodzielna strategia rankingowa. Wdrożone raz, poprawnie i bezpiecznie, nie wymaga dużej bieżącej obsługi, a pozwala skupić większość budżetu SEO na działaniach, które realnie przesuwają wskaźniki: widoczność, ruch, sprzedaż i jakość leadów.

Źródło: Moz.com