엔티티 SEO
엔티티 SEO(Entity-Based SEO)는 검색 키워드라는 '문자열'이 아니라 그 뒤에 있는 실제 대상, 즉 엔티티(사람·장소·사물·개념)와 엔티티 사이의 관계를 검색엔진이 정확히 이해하도록 최적화하는 접근입니다. 구글 지식 그래프(Knowledge Graph)에 자사 브랜드·인물·제품을 명확한 엔티티로 인식시키는 것을 목표로 합니다.
- 엔티티 SEO는 키워드(문자열)가 아니라 그 뒤의 실제 대상인 엔티티(사람·장소·사물·개념)와 그 관계를 검색엔진이 이해하도록 최적화하는 접근입니다.
- 핵심 기반은 구글 지식 그래프(Knowledge Graph)로, 2012년 출시 당시 5억 개 이상의 대상과 35억 개 이상의 사실로 시작해 현재는 50억 개 엔티티·5,000억 개 사실 규모로 성장했습니다.
- 스키마 마크업, 특히 sameAs 속성으로 위키데이터·위키피디아·공식 채널을 연결해 브랜드를 모호함 없이 하나의 엔티티로 식별시키는 것이 실행의 핵심입니다.
- 엔티티는 키워드와 달리 고유성·속성·언어 독립성을 가지므로, AI 검색과 지식 패널에서 인용·노출될 구조적 기반이 됩니다.
엔티티 SEO란 무엇인가
엔티티 SEO는 검색어를 단순한 '문자열(string)'로 다루는 대신, 그 문자열이 가리키는 실제 대상인 '엔티티(entity)'와 엔티티들 사이의 관계를 검색엔진이 정확히 이해하도록 최적화하는 접근입니다. 여기서 엔티티란 사람·장소·조직·사건처럼 단일하고 고유하며 명확히 구분되는 대상이나 개념을 뜻합니다. 키워드가 사용자가 입력하는 표면의 단어라면, 엔티티는 그 단어 뒤에 있는 의미 자체입니다.
이 접근의 출발점은 2012년 5월 16일 구글이 발표한 지식 그래프(Knowledge Graph)입니다. 당시 구글의 Amit Singhal은 "things, not strings(문자열이 아니라 사물)"라는 표현으로, 검색이 40여 년간 이어온 키워드 매칭에서 벗어나 실세계 엔티티와 그 관계를 이해하는 방향으로 전환한다고 밝혔습니다. 예를 들어 "세계에서 가장 높은 건물은 언제 지어졌나"라는 질문에 대해, 검색엔진은 단어를 일치시키는 대신 부르즈 할리파라는 엔티티가 가진 높이·완공일·위치 같은 사실을 연결해 답을 구성합니다.
키워드 SEO vs 엔티티 SEO
| 구분 | 키워드 SEO | 엔티티 SEO |
|---|---|---|
| 최적화 단위 | 검색어 문자열(텍스트) | 실제 대상(사람·장소·사물·개념) |
| 매칭 방식 | 단어·구문 일치 | 의미·관계 기반 이해(시맨틱) |
| 중복·동음이의 | 구분 어려움(같은 단어=같은 의미로 처리) | 속성으로 구분(예: 기업 테슬라 vs 발명가 테슬라) |
| 언어 의존성 | 언어별로 별개 | 언어와 무관하게 동일 엔티티로 연결 |
| 핵심 수단 | 키워드 배치·밀도·메타태그 | 스키마 마크업, sameAs, 지식 그래프 연결, 토픽 클러스터 |
| 목표 | 특정 키워드 순위 상승 | 지식 그래프·지식 패널·AI 답변에 엔티티로 인식·인용 |
두 접근은 배타적이지 않습니다. 키워드는 여전히 사용자의 표현을 파악하는 입구이지만, 검색엔진이 그 표현을 어떤 엔티티로 해석하느냐가 노출과 인용을 좌우하기 때문에 엔티티 단위의 최적화가 상위 레이어로 작동합니다.
지식 그래프와 엔티티 인식 규모
지식 그래프는 엔티티와 그 관계를 담은 대규모 데이터베이스입니다. 구글에 따르면 2012년 출시 시점에는 5억 개 이상의 대상과 이들에 관한 35억 개 이상의 사실·관계로 시작했고, 이후 누적으로 50억 개 엔티티에 대한 5,000억 개 이상의 사실을 축적했습니다. 지식 패널에 표시되는 정보는 바로 이 지식 그래프에서 나오며, 데이터는 위키피디아를 비롯한 웹의 여러 출처와 오픈소스·라이선스 데이터베이스, 그리고 콘텐츠 소유자가 직접 마크업한 정보 등에서 수집됩니다.
중요한 점은 구글이 지식 그래프의 구현 방식을 공식적으로 상세 문서화하지 않았다는 것입니다. 따라서 엔티티 SEO는 내부 알고리즘을 추정하는 작업이 아니라, 검증 가능한 신호(구조화 데이터, 권위 있는 외부 식별자, 일관된 명칭·속성)를 충분히 제공해 엔티티 인식 확률을 높이는 작업으로 이해해야 합니다.
실행: 스키마 마크업과 sameAs
엔티티를 명시적으로 알리는 가장 직접적인 수단은 스키마 마크업(구조화 데이터)입니다. 스키마는 페이지에 어떤 엔티티가 있고 그 속성이 무엇인지를 검색엔진에 명확히 전달합니다. 그중에서도 sameAs 속성은 해당 항목의 정체성을 모호함 없이 가리키는 참조 URL을 연결하는 역할을 합니다. schema.org 정의상 sameAs는 위키피디아 페이지, 위키데이터 항목, 공식 웹사이트처럼 그 대상이 누구·무엇인지 분명히 지시하는 URL을 의미합니다.
{
"@context": "https://schema.org",
"@type": "Organization",
"name": "ListeningMind",
"url": "https://www.example.com",
"logo": "https://www.example.com/logo.png",
"sameAs": [
"https://www.wikidata.org/wiki/Q00000000",
"https://en.wikipedia.org/wiki/Example",
"https://www.linkedin.com/company/example",
"https://www.youtube.com/@example"
]
}각 sameAs 링크는 동일 엔티티를 설명하는 권위 있는 다른 페이지를 가리키며, 검색엔진과 AI 시스템은 이 링크들을 통해 여러 출처의 정보를 하나의 엔티티 레코드로 병합합니다. 특히 위키데이터는 지식 그래프의 주요 입력원 중 하나로 꼽히므로, 위키데이터·위키피디아·공식 채널처럼 서로 일치하는 출처를 많이 연결할수록 엔티티 식별의 신뢰도가 높아집니다.
근거와 효과
스키마로 엔티티와 속성을 명시하면 엔티티 인식 속도가 빨라지고, 리치 결과(rich result) 적격성과 지식 그래프 연관성이 강화되며, AI 시스템이 해당 콘텐츠를 인용할 가능성도 높아진다고 Semrush의 엔티티 SEO 가이드는 설명합니다. 또한 엔티티는 키워드와 달리 (1) 고유성과 구분 가능성, (2) 가격·제조사·직업·위치 같은 속성, (3) 언어와 무관한 동일성이라는 특성을 가지므로, 다국어·다채널 환경에서도 하나의 일관된 대상으로 누적 인식된다는 점이 핵심 이점입니다.
실행 체크리스트
- 자사의 핵심 엔티티(브랜드·핵심 인물·주요 제품·서비스)를 먼저 정의하고 정식 명칭을 통일합니다.
- Organization·Person·Product·Article 등 적절한 스키마 타입으로 구조화 데이터를 구현합니다.
- sameAs로 위키데이터·위키피디아·공식 SNS·LinkedIn 등 권위 있는 외부 식별자를 연결합니다.
- 여러 출처(웹사이트·SNS·디렉터리)에서 명칭·설명·속성이 서로 모순되지 않도록 일관성을 유지합니다.
- 가능하면 위키데이터 항목을 정비해 지식 그래프 입력원으로 활용합니다.
- 핵심 엔티티를 중심으로 토픽 클러스터를 구성해 주제 연관성과 맥락을 강화합니다.
- 부자연스러운 엔티티 남발(엔티티 스터핑)은 피하고, 사람이 읽기에 자연스러운 문맥을 유지합니다.