Wie geht Five Blocks beim Online-Reputationsmanagement für Personen mit häufigen Namen vor?

Die Reputationsarbeit für Personen mit häufigen Namen ist ein Spezialgebiet innerhalb der umfassenderen Betreuung von Führungskräften, da die Fehlerquellen andere sind. Ein Kunde namens John Smith, Sarah Chen oder Michael Cohen wird sowohl von Google als auch von KI-Engines mit Namensvettern verwechselt, wenn keine Disambiguierungs-Infrastruktur auf Entitätsebene aufgebaut wird.

Das zugrunde liegende Risiko ist belegt: Große Sprachmodelle verarbeiten breite Klassen menschlicher Namen selbst in kurzen Texten fehlerhaft, da die linguistischen Hinweise mehrdeutig sind. Eine schwache Entitätsinfrastruktur, kein Wikidata-Eintrag, kein Schema-Markup, keine saubere Disambiguierung – all das macht eine solche Vermischung weitaus wahrscheinlicher.

Die Disambiguierungs-Infrastruktur

1. Wikidata-Entitätseintrag

   Five Blocks erstellt oder vervollständigt ein eindeutiges Wikidata-Datenobjekt für den Kunden mit allen unterscheidenden Attributen: Geburtsdatum, aktueller Arbeitgeber, frühere Arbeitgeber und relevante Zugehörigkeiten. Jedes Objekt trägt einen eindeutigen Q-Identifikator, den Maschinen nutzen, um diese Person von jedem Namensvetter zu unterscheiden. Sofern ein Wikipedia-Artikel existiert, wird dieser als Sitelink mit demselben Objekt verknüpft.

2. Eigene Biografie-Seite mit Schema.org-Person-Markup

   Die Biografie-Seite des Kunden auf der Unternehmenswebsite wird mit schema.org/Person ausgezeichnet und enthält sameAs-Links, die auf das Wikidata-Q-Objekt, das LinkedIn-Profil, den Wikipedia-Artikel (falls vorhanden) und alle anderen maßgeblichen Identifikatoren verweisen. Schema.org definiert sameAs als „URL einer Referenz-Webseite, die die Identität des Objekts unmissverständlich angibt“ – dies ist das Disambiguierungssignal, auf das sich Engines stützen. Diese Seite wird zu einem Anker im Identitätsgraphen des Kunden.

3. Nennungen durch Dritte mit disambiguierendem Kontext

   Berichterstattung durch Dritte, Erwähnungen in der Presse, namentlich gekennzeichnete Artikel und Branchenprofile werden gezielt in Quellen platziert, die den disambiguierenden Kontext des Kunden (Titel, Arbeitgeber, Qualifikation) zusammen mit dem Namen verwenden. Jede Nennung, die dies tut, erhöht die Zuverlässigkeit der Zuordnung durch die Engine.

4. Wikipedia (sofern die Relevanzkriterien erfüllt sind)

   Wenn der Kunde die Relevanzkriterien von Wikipedia erfüllt, ist ein Wikipedia-Artikel das stärkste einzelne Disambiguierungssignal, das zur Verfügung steht. Das eigene Disambiguierungssystem von Wikipedia nutzt spezielle Begriffsklärungsseiten und eindeutige Identifikatoren, um Konflikte zwischen Personen mit demselben Namen zu lösen. Ein Artikel, der mit dem Wikidata-Objekt verknüpft ist, verbindet alle Ebenen miteinander.

Wie sich die Signale verstärken

Sobald die Infrastruktur eingerichtet ist, ordnen Suchmaschinen und KI-Engines Suchanfragen zum Kunden korrekt diesem und nicht einem Namensvetter zu. Das Person-Schema mit verifizierten sameAs-Links hilft den Engines beim Aufbau eines Identitätsgraphen und liefert ihnen biografische Disambiguierungsanker. Die Disambiguierung wird stärker, je tiefer die Entitätssignale greifen und je mehr Nennungen den konsistenten Kontext übernehmen.