Une marque SaaS mid-market avec plusieurs produits, intégrations et sites régionaux perdait des citations IA et des rich results après une refonte.

Les entités étaient dupliquées, les IDs avaient changé et les bios étaient devenues obsolètes.

Nous avons reconstruit le graphe d’entités, standardisé le schema et mis en place une mesure qui reliait les correctifs au revenu.

Dans cette étude de cas, vous verrez ce que nous avons fait, le stack que nous avons utilisé et les résultats — plus une checklist réutilisable.

Utilisez-la avec notre pilier entités Entity Optimization: The Complete Guide & Playbook et notre pilier données structurées Structured Data: The Complete Guide for SEO & AI.

Le problème

  • Valeurs @id dupliquées pour les produits et auteurs entre EN/PT/FR.

  • Les pages d’intégration manquaient de noms cohérents ; les assistants citaient les concurrents à la place.

  • Les prix produits et la disponibilité ne correspondaient pas entre le schema et la page.

  • Bios auteurs obsolètes ; schema de reviewer manquant sur le contenu sensible.

  • Liens internes cassés après la refonte ; les piliers et supports étaient orphelins.

  • Les AI Overviews ont cessé de citer la marque sur les requêtes cœur « AI search optimization ».

Objectifs

  • Restaurer la clarté des entités pour la marque, les produits, les intégrations, les auteurs et les localisations.

  • Retrouver les rich results et les citations IA ; améliorer CTR et demandes de démo.

  • Construire une gouvernance pour éviter la dérive d’ID et les cassements de schema lors des futures releases.

Vue d’ensemble de l’approche

  1. Auditer entités, IDs, couverture schema et citations IA.

  2. Refaire la carte des entités et la politique de sameAs.

  3. Mettre à jour templates et contenus avec un schema stable et des intros answer-first.

  4. Revoir le maillage interne pour refléter le graphe d’entités.

  5. Monitorer citations IA, couverture et performance via des dashboards.

Étape 1 : audit

  • Crawl de 5 000 URLs pour la présence de JSON-LD, les champs requis, les IDs dupliqués et les champs about/mentions.

  • Extraction Search Console pour les requêtes de marque/d’entités et les rapports de rich results.

  • Tests de prompts dans AI Overviews, Perplexity et Copilot pour les principales entités.

  • Récupération des scores de saillance via Google NLP sur les pages piliers pour voir si la marque/les produits ressortaient comme entités principales.

  • Journalisation des mismatches : prix vs page, horaires vs schema, auteur vs byline.

Étape 2 : carte des entités et politiques

  • Création d’une carte d’ID unique pour Organization, Products, Features (ProductModel), Integrations (SoftwareApplication), Authors (Person) et Locations (LocalBusiness).

  • Ajout de conventions de nommage avec désambiguïsation (par ex. « Product X — Analytics » vs « Product X — Integrations »).

  • Standardisation des liens sameAs (LinkedIn, GitHub, Crunchbase, app stores) et suppression des profils peu fiables.

  • Documentation des règles about/mentions par template.

Étape 3 : correctifs de templates et contenu

  • Mise à jour des templates Article, Product et Integration pour référencer les IDs depuis le registre.

  • Ajout du schema Product/SoftwareApplication avec offers, identifiants et liens de marque ; correction de la parité de prix.

  • Actualisation des bios auteurs avec crédentials et sameAs ; ajout de schema de reviewer sur le contenu YMYL.

  • Ajout de about/mentions aux articles pour les relier aux produits et intégrations ; réécriture des intros pour définir les entités dans les 100–150 premiers mots.

  • Implémentation de BreadcrumbList et WebSite searchAction dans les templates.

Étape 4 : reconstruction du maillage interne

  • Les piliers pointent vers tous les supports ; les supports renvoient vers les piliers et les sujets frères.

  • Les guides d’intégration renvoient vers les pages partenaires et les piliers produits avec des ancres riches en entités.

  • Des cartes auteurs ont été ajoutées sur les clusters concernés ; les informations de localisation pointent vers le contenu support local.

  • Correction des pages orphelines ; les supports sont revenus à moins de trois clics de la home.

Étape 5 : validation et monitoring

  • Linting en CI pour les champs obligatoires et les IDs dupliqués ; checks Playwright pour le schema rendu.

  • Crawls hebdomadaires extrayant JSON-LD ; scripts de parité pour prix/disponibilité.

  • Banque de prompts loggée mensuellement ; citations suivies par entité et par marché.

  • Dashboards Looker montrant couverture, erreurs, citations IA, CTR et demandes de démo par cluster.

Résultats (90 jours)

  • Admissibilité aux rich results restaurée pour Product et Article ; erreurs réduites de 92 %.

  • Citations AI Overviews : de 0 à 18 mentions sur les requêtes cœur ; Perplexity/Copilot citent les bonnes specs produit.

  • CTR : +14 % sur les guides produits ; +9 % sur les pages d’intégration.

  • Demandes de démo : +11 % sur les clusters orientés entités ; lift le plus fort sur le contenu d’intégration.

  • Temps de résolution pour incidents de schema passé de 10 jours à moins de 2 jours.

Snapshot de dashboard (les métriques suivies)

  • Couverture : % de pages avec schema requis par template ; nombre d’IDs dupliqués.

  • Citations IA : volume/part par entité ; notes d’exactitude.

  • Performance : impressions/CTR sur les requêtes d’entités ; démos/appels issus des pages d’entités.

  • Fraîcheur : ancienneté des bios, des prix et des screenshots ; alertes > 120 jours.

  • Confiance : notes de reviews (le cas échéant), autorité des nouvelles citations.

Stack d’outils utilisée

  • Registre d’ID : Airtable avec @id, type, sameAs, owner, date de dernière mise à jour.

  • Templates de schema : JSON-LD basé sur composants dans le design system ; versionné dans Git.

  • Validation : lint en CI pour champs/IDs requis ; checks de rendu Playwright ; extraction personnalisée Screaming Frog hebdomadaire.

  • Scripts de parité : Python comparant schema vs valeurs on-page pour prix, disponibilité, noms d’auteurs.

  • NLP : API Google NLP pour suivre la saillance de la marque et des produits sur les piliers.

  • Logger de prompts : script Python capturant mensuellement les outputs AI Overviews/Perplexity/Copilot.

  • Dashboards : Looker avec Search Console API + GA + logs de prompts + résultats de crawl.

  • Alertes : webhooks Slack sur erreurs de schema, IDs dupliqués, chute de citations > 20 %.

Timeline et jalons

  • Semaine 1 : audit et brouillon de la carte d’ID ; création de la banque de prompts ; capture des métriques de baseline.

  • Semaine 2 : nettoyage des sameAs ; lint schema en CI ; correction des 20 pages prioritaires.

  • Semaine 3 : bios auteurs rafraîchies et schema de reviewer ajouté ; mise en place de about/mentions sur les piliers.

  • Semaine 4 : scripts de parité de prix en production ; checks de rendu Playwright ajoutés.

  • Semaine 5 : réécriture des pages d’intégration avec IDs et ancres cohérents ; alignement des pages partenaires.

  • Semaine 6 : dashboards live ; premier log de prompts avec 6 citations et 4 erreurs.

  • Semaine 8 : erreurs corrigées ; citations montées à 12 ; hausse de CTR visible.

  • Semaine 10 : passage de localisation en gardant les IDs stables ; ajout de descriptions en portugais ; citations ajoutées en PT.

  • Semaine 12 : revue : Entity Health Score de 54 → 82 ; checklist de gouvernance adoptée.

Banque de prompts (exemples)

  • « What is [Brand]'s AI search platform? »

  • « Does [Brand] integrate with [Partner]? »

  • « How much does [Product] cost? »

  • « Who leads AI search at [Brand]? »

  • « Where is [Brand] headquartered? »

  • « What features are in [Product]? »

Journalisés mensuellement avec notes d’exactitude et correctifs.

Changements de contenu qui ont compté

  • Ajout de définitions nettes et de prix dans les premiers paragraphes des pages produit ; alignées avec les offers schema.

  • Insertion de résumés d’intégration avec noms de partenaires et liens ; les mentions schema reflétaient les ancres.

  • Ajout de FAQs répondant aux principales questions PAA et prompts IA ; schema FAQ utilisé lorsque éligible.

  • Mise à jour de screenshots et d’images avec alt text reprenant les noms et contextes canoniques.

Pièges rencontrés (et résolus)

  • Problème : schema Person dupliqué généré par un plugin en plus des templates custom.

Correctif : désactivation du schema du plugin, standardisation du JSON-LD auteur.

  • Problème : devises mixtes dans Offers pour les pages localisées.

Correctif : injection de prix dépendant de la locale ; codes de devises ISO imposés.

  • Problème : noms d’intégrations obsolètes dans sameAs.

Correctif : revue sameAs trimestrielle, validation qui fait échouer les builds lorsque des sameAs renvoient 404.

  • Problème : anciennes URLs orphelines après redirections.

Correctif : crawl des 404 ; maillage interne revu et sitemaps mis à jour.

Comment la gouvernance a évité les régressions

  • La CI bloquait les releases lorsque des champs requis étaient vides ou des IDs dupliqués détectés.

  • Changelog obligatoire pour chaque release schema/contenu avec liens de validation.

  • Revue de prompts mensuelle pour détecter la dérive dans les descriptions d’assistants avant que cela n’affecte le CTR.

  • Owners de la carte d’ID assignés ; les edits nécessitaient approbation ; IDs obsolètes signalés.

Appliquer cela à votre site : étape par étape

  1. Lancer un audit crawl + prompts ; consigner erreurs et contresens.

  2. Construire une seule carte d’ID ; geler les IDs ; nettoyer sameAs.

  3. Corriger les templates ; ajouter linting, checks de rendu et scripts de parité.

  4. Rafraîchir bios/définitions ; ajouter about/mentions et intros answer-first.

  5. Rebatir le maillage interne ; mettre en avant cartes auteurs/localisations si pertinent.

  6. Lancer dashboards et alertes ; démarrer les logs de prompts mensuels.

  7. Itérer avec des expérimentations (ajouts FAQ/HowTo, enrichissements schema, tests d’ancres).

Enseignements par vertical

  • SaaS : la clarté des entités d’intégration stimule citations et démos ; gardez ProductModel propre ; faites des liens vers la doc.

  • Cliniques : horaires et crédentials des praticiens doivent rester synchronisés ; le schema de reviewer renforce la confiance.

  • Ecommerce : identifiants et parité des offers réduisent les prix halluciné ; les liens accessoires/associés aident le clustering.

Reporting à la direction

  • Présentation d’un Entity Health Score (0–100) avec sous-scores de couverture, citations, confiance et impact.

  • Exemples avant/après de réponses IA citant la marque ; sources incluses.

  • Mise en avant du lien revenu : hausse des démos et baisse des tickets support grâce à une info d’intégration plus claire.

  • Partage d’un dashboard de risque : erreurs restantes, bios obsolètes et prochaines actions.

Ce que nous ferions ensuite

  • Ajouter du schema Speakable/Clip lorsque éligible pour guider les extraits.

  • Étendre la banque de prompts aux réponses multimédia (image/vidéo).

  • Construire un mini knowledge graph pour alimenter un chatbot interne et la QA de contenu.

  • Automatiser la mesure de saillance en CI pour signaler les pages où les entités passent sous les seuils.

Comment AISO Hub peut aider

AISO Hub reconstruit systèmes d’entités et mesure pour la recherche IA.

Commencez par AISO Audit pour découvrir la dérive.

Utilisez AISO Foundation pour déployer cartes d’ID, templates et gouvernance.

Choisissez AISO Optimize pour étendre les clusters et tester les changements schema/contenu.

Gardez vos gains avec AISO Monitor, en suivant couverture, fraîcheur et citations IA.

Ce qui a fait la plus grande différence

  • IDs stables et sameAs propres : ont empêché les assistants de mélanger produits et auteurs.

  • Définitions answer-first : les modèles IA ont repris les intros quasi telles quelles.

  • Checks de parité : la suppression des prix incohérents a réduit les nombres halluciné.

  • Logging de prompts : a mis au jour rapidement les contresens pour corriger schema/texte vite.

Checklist réutilisable pour vos projets

  • Construire/nettoyer la carte d’ID avec owners et sameAs ; l’appliquer à toutes les langues.

  • Corriger les templates de schema ; ajouter lint en CI + checks de rendu.

  • Rafraîchir bios/crédentials ; ajouter des reviewers pour le YMYL.

  • Ajouter about/mentions et intros answer-first aux piliers/supports.

  • Revoir le maillage interne pour refléter le graphe d’entités ; supprimer les orphelins.

  • Configurer des dashboards : couverture, erreurs, citations IA, CTR/conversions, fraîcheur.

  • Lancer la banque de prompts chaque mois ; logguer outputs et correctifs.

  • Tenir un changelog ; exiger l’annotation des releases.

Métriques additionnelles suivies

  • Taux de raffinement de marque : % de requêtes de marque nécessitant des modificateurs en baisse de 12 %.

  • Exactitude du Knowledge Panel : champs incorrects réduits de cinq à zéro après nettoyage des sameAs.

  • IDs dupliqués : de 146 à trois ; les restants mappés et redirigés.

  • Couverture about/mentions : de 22 % à 94 % sur les articles, améliorant la désambiguïsation.

  • Réactivité aux alertes : temps de réponse aux incidents schema passé de plusieurs jours à quelques heures après alertes Slack.

Exemples de visualisations (décrites)

  • Graphique de couverture : barres empilées par template montrant champs requis vs manquants au fil des semaines.

  • Tendance des citations : courbe des citations IA par entité avec annotations des releases et événements PR.

  • Comparaison de CTR : barres pour pages avec schema complet vs partiel dans la même plage de positions.

  • Heatmap de parité : matrice montrant les taux de match pour prix, disponibilité, auteur et horaires par template.

  • Tracker de fraîcheur : mise en forme conditionnelle pour bios/images de plus de 120 jours.

Points clés de la formation équipe

  • Workshop de 45 minutes sur règles @id, hygiène sameAs et logging de prompts.

  • Checklist éditeur : intros answer-first, parité on-page/schema, sources citées, reviewer noté.

  • Checklist dev : linting, checks de rendu, garde-fous sur IDs dupliqués, plan de rollback.

  • Brief direction : pourquoi la clarté des entités booste citations IA et démos.

Risques que nous avons atténués

  • Churn d’ID lors des futures refontes : règles d’approbation pour la carte d’ID et checks CI.

  • Conflits de plugins : désactivation des générateurs de schema automatiques ; templates comme source unique.

  • Dérive de localisation : IDs verrouillés entre locales ; champs dépendants de la locale pour devise/fuseau horaire.

  • Données personnelles : suppression des emails individuels du schema ; usage de contactPoint Organization.

  • Performance : JSON-LD réduit à l’essentiel ; médias lourds lazy-loadés mais schema inlined.

Mini-plan de démarrage (30 jours)

  • Semaine 1 : audit IDs/schema/citations ; création de la carte d’ID ; correction des 10 pages top ; désactivation des plugins conflictuels.

  • Semaine 2 : ajout de about/mentions et d’intros answer-first ; rafraîchissement des bios clés ; mise en place du linting et des checks de rendu.

  • Semaine 3 : remaillage pour un cluster ; exécution de la banque de prompts ; configuration des dashboards de base.

  • Semaine 4 : correction des erreurs issues des prompts/crawls, alignement des sameAs, présentation des premiers gains pour sécuriser du temps sur le déploiement complet.

Ce que nous ferions ensuite

  • Ajouter du schema Speakable/Clip lorsque éligible pour guider les extraits.

  • Étendre la banque de prompts aux réponses multimédia (image/vidéo).

  • Construire un mini knowledge graph pour alimenter un chatbot interne et la QA de contenu.

  • Automatiser la mesure de saillance en CI pour signaler les pages où les entités passent sous les seuils.

Enseignements par vertical

B2B SaaS

  • Les entités d’intégration ont besoin d’un nommage strict ; à aligner avec pages partenaires et sameAs.

  • Les types ProductModel aident à séparer niveaux/modules ; les relier au Product principal.

  • Les CTAs de démo proches des blocs de définition ont augmenté les conversions.

Services locaux/cliniques

  • Les IDs LocalBusiness et Person doivent rester stables ; la parité des horaires est critique.

  • Le schema de reviewer sur le contenu médical a renforcé la confiance dans les réponses IA.

  • Le schema Event pour les ateliers a boosté la visibilité dans les carrousels d’événements.

Publishers

  • La clarté du schema Person et Organization a augmenté les citations d’auteurs.

  • Les about/mentions sur les articles ont amélioré la désambiguïsation des sujets ; moins de citations vers des marques proches.

  • L’exactitude des Knowledge Panels s’est améliorée après nettoyage des sameAs.

Gouvernance intégrée

  • RACI : SEO propriétaire de la carte d’entités ; engineering propriétaire des templates de schema ; content des intros et bios ; analytics des dashboards ; PR de la qualité des sameAs.

  • Cadence : revue d’erreurs hebdo, tests de prompts mensuels, audit de la carte d’ID trimestriel.

  • Politiques : aucun nouvel ID pour une entité existante ; champs requis par template ; liste de sources sameAs ; changelog obligatoire.

? AISO Hub reconstruit systèmes d’entités et mesure pour la recherche IA.

  • AISO Audit : identifier la dérive sur IDs, schema et signaux off-site avec une roadmap priorisée

  • AISO Foundation : déployer cartes d’ID, templates, gouvernance et dashboards pour garder les entités cohérentes

  • AISO Optimize : étendre les clusters et tester les changements schema/contenu pour augmenter citations et conversions

  • AISO Monitor : suivre couverture, fraîcheur et citations IA avec alertes et rapports pour la direction

Conclusion : la clarté des entités fait boule de neige

Stabiliser IDs, schema et définitions de contenu a transformé un site en dérive en source fiable pour l’IA.

Avec monitoring, logs de prompts et gouvernance, les améliorations ont tenu et le revenu a suivi.

Utilisez ce playbook pour diagnostiquer, corriger et garder vos propres entités claires pour la recherche et les assistants IA.