Schema Dataset para publicar dados abertos citáveis

O que o Google exige e recomenda no Dataset?

O schema Dataset tem só dois campos obrigatórios na documentação do Google, name e description. A descrição precisa ter entre 50 e 5.000 caracteres, aceita Markdown, e o Dataset Search usa apenas os primeiros 5.000 caracteres de qualquer campo de texto. O resto é recomendado, e é justamente o que separa um cartão de catálogo de um dado que alguém consegue baixar e reusar.

O Google recomenda pôr a marcação na página canônica de cada conjunto e usar sameAs nas cópias que aparecem em listagens.

Um nó Dataset para o benchmark de agências

Um nó Dataset útil liga o arquivo, a licença, o período da coleta e o pesquisador em poucos campos. Para o benchmark de agências de GEO, com as rodadas feitas entre 28 de agosto e 14 de setembro de 2026, o desenho que recomendo fica assim:

{
  "@type": "Dataset",
  "@id": "https://lucasferrazseo.com/blog/benchmark/prontidao-ia-agencias-geo/#dataset",
  "name": "Prontidão para IA das agências de GEO no Brasil (2026-09)",
  "license": "https://creativecommons.org/licenses/by/4.0/",
  "isAccessibleForFree": true,
  "temporalCoverage": "2026-08-28/2026-09-14",
  "creator": { "@id": "https://lucasferraz.com/#person" },
  "distribution": [
    { "@type": "DataDownload", "encodingFormat": "text/csv",
      "contentUrl": "https://lucasferrazseo.com/wp-content/uploads/2026/09/prontidao-ia-agencias-geo-2026-09.csv" },
    { "@type": "DataDownload", "encodingFormat": "application/json",
      "contentUrl": "https://lucasferrazseo.com/wp-content/uploads/2026/09/prontidao-ia-agencias-geo-2026-09.json" }
  ]
}

O @id do dataset tem casa no domínio da agência, onde o relatório completo foi publicado, e a ficha do estudo neste site aponta para ele como referência tipada. A pessoa entra por @id, e o nó completo dela, com o ORCID no sameAs, fica na Home deste site.

O Dataset Search e o que ele indexa

O Google Dataset Search indexa as descrições de conjuntos de dados marcadas com schema.org e leva quem busca até o lugar onde os dados estão. O serviço saiu da fase beta em 23 de janeiro de 2020, com quase 25 milhões de conjuntos indexados, mais de 6 milhões deles em formato de tabela. O anúncio de Natasha Noy, do Google Research, repetia a regra de entrada: quem publica dados fica encontrável ao descrever o conjunto com o padrão aberto na própria página.

A DataCite, que registra DOIs de dados de pesquisa, resume as condições em duas: a página usa a classe Dataset e é alcançável por navegação ou sitemap. A mesma documentação avisa que DOIs registrados com o tipo Text, em vez de Dataset, não aparecem no Dataset Search. Artigo e dados são nós diferentes, e o relatório de um benchmark não vira dataset só porque tem uma tabela no meio.

Por que pesquisa própria é citável?

Um dado próprio, datado e aberto é um fato que só existe em uma fonte, e quem o repete precisa citar a origem. O guia de IA generativa do Google, atualizado em julho de 2026, pede conteúdo com ponto de vista único e diferencia o conteúdo commodity, baseado em conhecimento comum, do conteúdo que vai além do óbvio. A página de conteúdo útil do Search Central pergunta se o texto traz informação, pesquisa ou análise originais.

Um dado próprio, datado e aberto é um fato que só existe em uma fonte, e quem o repete precisa citar a origem.

Lucas Ferraz, especialista em SEO

Do lado acadêmico, o artigo que introduziu o GEO, aceito no KDD 2024, relatou aumento de até 40% na visibilidade em respostas de motores generativos com otimizações de conteúdo, e mostrou que a eficácia varia por domínio. Nos meus estudos, os números centrais só existem nos arquivos publicados: 8 de 19 agências com llms.txt curado, 82 marcas em 24 rodadas de recomendação, 4 de 25 escritórios de advocacia em mais de uma IA. Detalhes nas fichas do benchmark de agências e do benchmark de advocacia.

O que conferir antes de publicar os dados?

A publicação de dados abertos passa por seis conferências antes de o Dataset ir ao ar. Nenhuma delas garante citação, mas cada uma remove um motivo para o dado ser ignorado ou mal usado.

1. Licença explícita por URL no campo license e em texto na página;
2. Arquivo com URL estável, com a data no nome, porque a próxima edição não substitui a anterior;
3. temporalCoverage igual ao período real da coleta, e não à data de publicação;
4. Método e limitações ao lado dos números, com o tamanho da amostra;
5. Criador identificado, com ORCID quando for pessoa;
6. Um @id por conjunto, com o nó completo só na página-casa do relatório, que no caso dos benchmarks é o relatório da agência.