Data Gap

Co to jest Data Gap?

Data Gap to luka informacyjna powstająca wtedy, gdy o produkcie, usłudze, ofercie lub marce brakuje konkretnych danych potrzebnych do ich pełnego opisania, porównania lub dopasowania do potrzeb użytkownika. Może dotyczyć między innymi ceny, dostępności, parametrów, wariantów, funkcji, warunków dostawy, lokalizacji czy innych istotnych informacji.

W AI Search Data Gap może ograniczać możliwość udzielenia precyzyjnej odpowiedzi na pytanie użytkownika, nawet jeśli ogólna treść dotycząca produktu lub usługi jest już dostępna.

Przykład Data Gap

Załóżmy, że użytkownik pyta:

„Znajdź czarną sofę do 3000 zł, o szerokości maksymalnie 220 cm, dostępną z dostawą w ciągu tygodnia.”

Sklep posiada odpowiednie produkty, ale na stronach produktowych brakuje części informacji:

• przy jednym modelu nie podano wymiarów,
• przy drugim brakuje terminu dostawy,
• trzeci ma kilka kolorów, ale warianty nie są prawidłowo opisane,
• informacje o dostępności są nieaktualne.

Problemem nie jest brak artykułu o sofach. Brakuje danych potrzebnych do sprawdzenia, czy produkty spełniają warunki użytkownika.

To właśnie Data Gap.

Jakich informacji może dotyczyć Data Gap?

Zakres zależy od rodzaju biznesu.

W e-commerce mogą to być:

• cena,
• dostępność,
• wymiary,
• materiał,
• kolor,
• rozmiar,
• warianty,
• parametry techniczne,
• kompatybilność,
• czas i koszt dostawy,
• zasady zwrotu,
• stan magazynowy.

W przypadku usług mogą to być:

• zakres usługi,
• obsługiwane rynki,
• cena lub model rozliczenia,
• czas realizacji,
• dostępne warianty,
• ograniczenia,
• wymagania,
• obsługiwane technologie,
• lokalizacje.

Data Gap nie jest więc problemem ograniczonym wyłącznie do sklepów internetowych.

Data Gap a Evidence Gap, jaka jest różnica?

Data Gap oznacza brak konkretnej informacji. Evidence Gap oznacza brak dowodu potwierdzającego określoną deklarację.

Przykład Data Gap:

Firma oferuje dostawę, ale na stronie nie podaje, ile ona trwa.

Przykład Evidence Gap:

Firma deklaruje:

„95% zamówień dostarczamy następnego dnia”

ale nie pokazuje danych ani informacji, które potwierdzają ten wynik.

Data odpowiada więc na pytanie:

„Jaki jest fakt?”

Evidence:

„Co potwierdza, że ten claim jest prawdziwy?”

Data Gap a Comparison Gap

Data Gap może prowadzić do Comparison Gap, ale oba pojęcia opisują inne problemy.

Data Gap występuje wtedy, gdy brakuje informacji o jednej z opcji. Comparison Gap występuje wtedy, gdy użytkownik nie może łatwo zestawić kilku dostępnych możliwości.

Przykładowo, jeśli przy jednym modelu telefonu nie podano czasu pracy baterii, mamy Data Gap.

Jeśli wszystkie modele mają komplet parametrów, ale użytkownik nie ma możliwości łatwego porównania ich między sobą, może występować Comparison Gap.

Data Gap a Content Gap

Data Gap jest jednym z rodzajów luki informacyjnej, ale nie oznacza automatycznie braku nowego contentu.

Strona może posiadać bardzo rozbudowany opis produktu lub usługi, a mimo to brakować jej jednej informacji kluczowej dla decyzji użytkownika.

Dlatego rozwiązaniem Data Gap najczęściej nie jest kolejny artykuł, ale uzupełnienie właściwych informacji w odpowiednim miejscu.

Data Gap w AI Search

W AI Search użytkownicy często formułują pytania zawierające wiele warunków jednocześnie.

Mogą pytać na przykład:

„Jaki CRM dla 30 osób kosztuje mniej niż 3000 zł miesięcznie, ma polski support i integruje się z Shopify?”

albo:

„Który laptop do 5000 zł waży mniej niż 1,5 kg i ma minimum 16 GB RAM?”

Żeby precyzyjnie odpowiedzieć na takie pytania, system potrzebuje dostępu do konkretnych informacji o porównywanych rozwiązaniach.

Jeśli konkurencja jasno komunikuje parametry, ceny, funkcje i dostępność, a Twoja marka pozostawia część z tych pól pustych lub opisuje je niejednoznacznie, może powstać Data Gap.

Data Gap w e-commerce

W e-commerce kompletność i aktualność danych ma szczególne znaczenie.

Informacje o produkcie mogą być dostępne w kilku miejscach:

• na stronie produktowej,
• w danych strukturalnych,
• w feedzie produktowym,
• w Google Merchant Center,
• w systemach marketplace,
• w innych źródłach wykorzystywanych do dystrybucji oferty.

Istotna jest nie tylko obecność danych, ale również ich spójność.

Jeżeli cena na stronie różni się od ceny w feedzie albo dostępność produktu nie jest aktualizowana, systemy korzystające z tych danych mogą otrzymywać sprzeczne informacje.

Czy schema rozwiązuje Data Gap?

Nie.

Dane strukturalne pomagają systemom lepiej interpretować informacje znajdujące się na stronie, ale nie zastępują brakujących danych.

Jeżeli sklep nie podaje czasu dostawy, dodanie schema nie stworzy tej informacji.

Najpierw trzeba zadbać o kompletność, poprawność i aktualność danych, a dopiero później o ich odpowiednie oznaczenie techniczne.

Nie istnieje też specjalny markup wymagany wyłącznie do widoczności w AI Search. W przypadku Google nadal obowiązują standardowe zasady dotyczące structured data.

Jak znaleźć Data Gap?

Analiza powinna zacząć się od pytania:

„Jakich informacji użytkownik potrzebuje, żeby ocenić, porównać lub wybrać to rozwiązanie?”

Następnie warto sprawdzić:

1. czy informacje znajdują się na stronie,
2. czy są jednoznaczne,
3. czy są aktualne,
4. czy są dostępne dla wszystkich wariantów,
5. czy dane na stronie i w feedach są spójne,
6. jakie informacje pokazuje konkurencja,
7. jakich danych wymagają pytania i prompty użytkowników.

Dopiero wtedy można określić rzeczywisty zakres luki.

Jak Delante podchodzi do Data Gap?

W Delante nie traktujemy Data Gap jako sygnału do produkowania większej liczby tekstów.

Najpierw sprawdzamy, jakiej konkretnej informacji brakuje i przy jakiej decyzji użytkownika staje się ona istotna.

W e-commerce analizujemy między innymi:

• strony produktowe,
• kategorie,
• feed produktowy,
• structured data,
• warianty,
• ceny,
• dostępność,
• parametry,
• dostawę i inne dane istotne dla wyboru produktu.

W usługach sprawdzamy natomiast, czy użytkownik i system AI mogą jednoznacznie ustalić m.in. zakres oferty, obsługiwane rynki, warianty, zastosowania i warunki współpracy.

W analizie AI traktujemy Data Gap jako jeden z możliwych elementów szerszego AI Content Gap. Marka może posiadać dużo contentu na dany temat, ale nadal przegrywać widoczność przy konkretnych pytaniach, jeśli konkurencja dostarcza pełniejsze i bardziej precyzyjne dane.