Co to jest Evidence Gap?
Evidence Gap to luka powstająca wtedy, gdy marka przedstawia określone deklaracje, kompetencje lub korzyści, ale nie dostarcza wystarczających dowodów, które je potwierdzają. Takimi dowodami mogą być między innymi case studies, wyniki projektów, dane, badania, przykłady wdrożeń, opinie klientów czy informacje pokazujące rzeczywiste doświadczenie firmy.
W AI Search Evidence Gap może mieć znaczenie wtedy, gdy system posiada więcej konkretnych informacji potwierdzających kompetencje lub cechy konkurenta niż analogicznych informacji dotyczących Twojej marki.
Przykład Evidence Gap
Załóżmy, że dwie agencje deklarują:
„Mamy duże doświadczenie w international SEO dla e-commerce.”
Pierwsza agencja pokazuje dodatkowo:
- pięć case studies międzynarodowych sklepów,
- konkretne wyniki organic revenue,
- liczbę obsługiwanych rynków,
- zakres przeprowadzonych działań,
- wypowiedzi klientów,
- przykłady wdrożeń technicznych.
Druga agencja ogranicza się do informacji, że posiada doświadczenie w tym obszarze.
Obie marki komunikują podobną kompetencję, ale tylko jedna dostarcza materiał, który pozwala ją zweryfikować.
W przypadku drugiej marki występuje Evidence Gap.
Evidence Gap a Data Gap, jaka jest różnica?
Evidence Gap i Data Gap mogą występować jednocześnie, ale nie oznaczają tego samego.
Data Gap oznacza brak konkretnych informacji potrzebnych do opisania produktu, usługi lub oferty. Evidence Gap oznacza brak materiału potwierdzającego określoną deklarację.
Przykład Data Gap:
Na stronie produktu nie ma informacji o:
- wymiarach,
- czasie dostawy,
- kompatybilności,
- dostępnych wariantach.
Przykład Evidence Gap:
Firma deklaruje, że produkt:
„skraca czas realizacji procesów o 40%”
ale nie pokazuje badania, metodologii, case study ani innych danych potwierdzających ten wynik.
Data odpowiada więc na pytanie „jakie są fakty dotyczące rozwiązania?”, a evidence na pytanie „co potwierdza tę deklarację?”.
Evidence Gap a Source Gap
Evidence Gap dotyczy braku dowodów. Source Gap dotyczy braku obecności marki w istotnych źródłach zewnętrznych.
Marka może mieć bardzo dobrze przygotowane case studies i dane na własnej stronie, ale nadal posiadać Source Gap, jeśli nie pojawia się w zewnętrznych materiałach wykorzystywanych przez AI.
Możliwa jest także sytuacja odwrotna. Marka może być często wymieniana w zewnętrznych źródłach, ale informacje te pozostają ogólne i nie zawierają konkretnych dowodów potwierdzających jej doświadczenie.
Evidence Gap i Source Gap warto więc analizować osobno.
Evidence Gap a Intent Gap
Intent Gap występuje wtedy, gdy treść nie odpowiada na konkretną potrzebę użytkownika.
Evidence Gap może być jednym z powodów takiego niedopasowania.
Jeżeli użytkownik pyta:
„Która agencja SEO ma udokumentowane doświadczenie z dużym e-commerce?”
sama informacja o oferowaniu SEO dla sklepów nie wystarczy.
Intencja użytkownika dotyczy weryfikacji doświadczenia, dlatego potrzebne będą dowody, takie jak case studies, wyniki czy przykłady realizacji.
W takiej sytuacji Intent Gap może wynikać właśnie z Evidence Gap.
Jakie materiały mogą być dowodem?
Rodzaj potrzebnego dowodu zależy od deklaracji, którą marka chce potwierdzić.
Mogą to być między innymi:
- case studies,
- konkretne wyniki projektów,
- dane przed i po wdrożeniu,
- własne badania,
- metodologia badania,
- benchmarki,
- przykłady realizacji,
- certyfikaty,
- nagrody,
- opinie i recenzje klientów,
- cytaty klientów,
- dane dotyczące skali działalności,
- informacje o liczbie obsługiwanych projektów lub rynków,
- przykłady ekspertów i ich doświadczenia.
Najważniejsza jest zgodność dowodu z deklaracją.
Duża liczba nagród branżowych nie musi być na przykład właściwym dowodem na skuteczność konkretnej usługi, jeśli użytkownik szuka wyników podobnych projektów.
Evidence Gap w AI Search
Systemy AI mogą odpowiadać na pytania znacznie bardziej szczegółowe niż klasyczne zapytania do wyszukiwarki.
Użytkownik może zapytać:
„Która firma wdrażała CRM w software house’ach zatrudniających ponad 100 osób?”
albo:
„Która agencja SEO ma udokumentowane wyniki na rynku niemieckim?”
W takich sytuacjach ogólne stwierdzenia typu „mamy doświadczenie” mogą dostarczać mniej użytecznej informacji niż konkretne przykłady i dane.
Dlatego podczas analizy widoczności w AI warto sprawdzać nie tylko, czy marka mówi o danej kompetencji, ale również czy w internecie istnieją informacje, które ją potwierdzają i pozwalają precyzyjnie opisać jej doświadczenie.
Czy Evidence Gap oznacza brak case study?
Nie zawsze.
Case study jest jednym z najmocniejszych przykładów materiału dowodowego, ale Evidence Gap może dotyczyć wielu innych elementów.
Może brakować:
- konkretnej liczby,
- metodologii,
- informacji o skali projektu,
- opinii klienta,
- danych produktowych,
- informacji o wcześniejszych wdrożeniach,
- źródła potwierdzającego określoną deklarację.
Najpierw trzeba więc ustalić, jaką tezę chcemy potwierdzić, a dopiero później dobrać do niej odpowiedni dowód.
Czy każdy claim marki wymaga dowodu?
Nie każda informacja wymaga osobnego case study czy badania.
Im bardziej jednak deklaracja jest:
- konkretna,
- porównawcza,
- istotna dla decyzji zakupowej,
- oparta na wyniku,
- dotycząca doświadczenia lub skuteczności,
tym większe znaczenie ma możliwość jej wiarygodnego potwierdzenia.
Stwierdzenie „oferujemy SEO międzynarodowe” wymaga innego rodzaju wsparcia niż „zwiększyliśmy organic revenue klienta o 300% w pięciu krajach”.
Jak Delante podchodzi do Evidence Gap?
W Delante zaczynamy od pytania:
„Co dokładnie powinno uzasadniać rekomendację tej marki?”
Jeżeli firma chce być postrzegana jako ekspert w international SEO, sama podstrona opisująca usługę nie jest dla nas pełnym pokryciem tego obszaru.
Sprawdzamy, czy istnieją również:
- projekty potwierdzające doświadczenie,
- konkretne wyniki,
- dane dotyczące skali działania,
- case studies,
- eksperci związani z tym obszarem,
- opinie klientów,
- zewnętrzne potwierdzenia kompetencji.
Następnie porównujemy ten materiał z dowodami dostępnymi dla konkurencji.
Dzięki temu Evidence Gap nie kończy się rekomendacją typu „dodajmy więcej contentu”. Może wskazać znacznie konkretniejszą potrzebę, np. opracowanie case study, zebranie danych z realizacji, dodanie wyników do istniejącej strony albo lepsze wyeksponowanie posiadanych już dowodów.
W analizie AI traktujemy Evidence Gap jako jeden z możliwych elementów szerszego AI Content Gap.
