📡 InfoGapRadar SEO Prompt

Это аналитический промпт для систематического поиска "информационных лакун" (information gaps): тем, где спрос аудитории на информацию значительно превышает объём и качество существующего контента. Метод адаптирован из научной методологии анализа information voids (демонстрировавшейся на кейсе COVID-вакцин) под задачи SEO и контент-стратегии.

Промпт закрывает главную проблему классического content gap analysis - субъективность. Вместо интуитивного "тут вроде мало статей" он даёт воспроизводимую процедуру: сравнение временных рядов спроса и предложения, выявление статистически или логически подтверждённых периодов дисбаланса, и приоритизацию найденных тем по потенциалу трафика и слабости конкурентного контента. Итог - список тем с датами возникновения лакуны, обоснованием и рекомендацией по формату контента, который может занять эту нишу раньше конкурентов.

Как работать
Промпт имеет два режима, которые выбираются в зависимости от доступных ресурсов:

➡️Режим API - для тех, у кого есть платные доступы к NewsAPI/NewsCatcher, Ahrefs, экспортам Google Trends. Даёт точные числовые ряды и статистическую детекцию аномалий (STL-декомпозиция + IQR-критерий).

➡️Режим Deep Research - для работы без платных API, через ручной/агентный веб-поиск. Даёт оценочные (не измеренные) выводы, но сохраняет логику метода за счёт тройной кросс-проверки сигналов.

Перед запуском нужно заполнить: нишу, гео/язык, окно анализа (рекомендовано 6-12 месяцев), список ключевых слов кластера, и явно указать выбранный режим.

Рекомендации: работа с API
Спрос (demand) - Google Trends, Search Console/Ahrefs Keywords Explorer, Wikipedia pageviews - все открыты бесплатно, без ключей.

Предложение (supply) - NewsAPI.org (бесплатно, но история ~1 месяц) или NewsCatcher (платный тир, история до года) для подсчёта новостных публикаций по датам; Ahrefs Content Explorer в News-режиме как альтернатива/кросс-проверка.

Важно де-дублировать статьи по домену/заголовку - перепечатки одного пресс-релиза искажают реальный объём supply.

Все ряды нормализуются относительно собственного среднего перед сравнением (rescaling), иначе разномасштабные метрики (посты vs. просмотры) несопоставимы.

Параметр k в IQR-критерии начинать с 1.5, увеличивать до 2-3 при избытке ложных срабатываний.

Рекомендации: работа без API (Deep Research)
Замените точный подсчёт статей на ручные поисковые запросы с date-фильтром (тема before:ГГГГ-ММ-ДД after:ГГГГ-ММ-ДД в Google/Bing News) и оценивайте объём по порядку величины, а не точным числом.

SERP-анализ топ-10-20 делайте вручную: дата публикации, свежесть, приблизительный объём текста, наличие автора/экспертизы - это самый ценный сигнал supply для SEO, точнее новостного фона.

Используйте укрупнённые интервалы (месяц/квартал вместо дня) - точная дневная детализация без API нереалистична.

Фиксируйте лакуну только при совпадении минимум трёх независимых проверок (рост спроса по Trends + дефицит новостей + устаревший/отсутствующий контент в топ-10) - это компенсирует отсутствие строгой статистики.

Обязательно логируйте точную формулировку каждого поискового запроса и дату его выполнения - без API-лога это единственный способ обеспечить воспроизводимость.

Все выводы маркируйте как "оценочные" (estimate), а не "измеренные" (measured), чтобы не создавать ложное ощущение точности.

Общее правило для обоих режимов
Никогда не смешивайте факт (обнаруженная лакуна) с интерпретацией (гипотеза о причине) - второе всегда явно помечается как гипотеза. Если данных недостаточно для вывода по теме, промпт требует прямо сообщить об этом, а не заполнять пробел предположением.

Тестируйте

#DrMax