Question-Based Opportunity Mapping
M-1 — Question-Based Opportunity Mapping
What this action is
M-1 is the structured identification of the questions the brand’s audience asks within the brand’s category, including the questions AI systems are being asked about that category, and the mapping of those questions to the brand’s existing or planned content. It comprises three components: question discovery (what questions are being asked), categorization (how questions cluster by intent and category), and gap analysis (which questions the brand has answered, which it has not, and which it should).
The work is analytical-editorial. Analytical work surfaces and categorizes questions; editorial work assesses content coverage and identifies gaps. The output informs subsequent M-pillar work, particularly M-2 and M-3.
Why this action matters in AVO
AI-mediated discovery is question-driven. Users pose questions to AI systems; AI systems synthesize answers; brands appear in those answers when the AI system has grounded knowledge of brands relevant to the question. Without knowing which questions the AI is being asked about the brand’s category, the practitioner cannot direct content work toward citation-relevant questions.
M-1 also surfaces the difference between the brand’s content topology and the audience’s question topology. Brands typically organize content around their offerings and corporate structure; audiences ask questions organized around their problems and decisions. The two organizations rarely align without deliberate work.
M-1 is foundational for the answer-first content architecture (M-2) and the FAQ and knowledge hub work (M-3). Both depend on knowing which questions matter; M-1 provides the answer.
What it requires before you can attempt it
Hard prerequisites:
| Prerequisite | Why required |
|---|---|
| Declared Focus | M-1 is conducted relative to the brand’s Focus. Without a declared Focus, question discovery has no axis along which to filter. |
| Access to category-relevant query data | M-1 requires data sources: search analytics, AI platform measurement, customer service inquiry logs, social listening data. Without data, the work is intuition-based. |
Soft prerequisites:
| Prerequisite | Why it helps |
|---|---|
| Existing search analytics or content performance data | Existing data accelerates question discovery and validates question importance |
| Customer service or sales conversation logs | Direct customer questions are the highest-fidelity input to question mapping |
| O-1 substantially complete | Competitive context informs which questions matter for the brand specifically (some questions are well-served by competitors; others are gaps) |
Stage assessment: M-1 is a foundations-stage action that runs in early engagement. The basic form is achievable from AS ≈ 0; depth comes through subsequent cycles as more data accumulates.
What gets done in this action
M-1 work proceeds through four phases.
Phase 1 — Question discovery from multiple sources. Questions are gathered from:
- Search analytics (long-tail queries that suggest specific questions)
- AI platform measurement (the prompts that surface category-relevant content)
- Customer service inquiry logs (literal questions customers ask)
- Sales conversation logs (questions that appear during purchase decisions)
- Social listening (questions posed in public forums)
- Competitor content (which questions competitors have explicitly addressed)
- Reddit, Quora, and similar platforms within the brand’s category
The discovery work produces a catalog of questions, often hundreds. The catalog is the substrate for subsequent categorization and prioritization.
Phase 2 — Question categorization. Questions are categorized along multiple axes:
- Intent: informational (seeking knowledge), navigational (seeking a specific resource), transactional (seeking to act), comparative (seeking to choose), validation (seeking confirmation)
- Stage in audience journey: awareness (unfamiliar with the category), consideration (evaluating options), decision (selecting), retention (using or maintaining)
- Question type: what-is, why, how-to, comparison, recommendation, troubleshooting
- Audience segment: if the brand serves multiple segments, which segment poses the question
- Category alignment: how directly the question relates to the brand’s Focus
The categorization makes the catalog navigable and reveals patterns: which categories are well-served by existing content, which are gaps, which are over-served.
Phase 3 — Coverage and gap analysis. Each question is mapped to existing brand content (if any) or flagged as a gap. The mapping reveals:
- Questions the brand has answered well (covered, deep, citable)
- Questions the brand has answered superficially (covered but thin)
- Questions the brand has not answered (gaps)
- Questions the brand has answered indirectly (relevant content exists but doesn’t address the question explicitly)
Phase 4 — Prioritization. Gaps are prioritized for content development based on:
- Question frequency (how often it’s asked)
- Strategic value (alignment with the brand’s commercial or category-positioning interests)
- Competitive landscape (how well-served the question is by competitors)
- Effort required (whether the brand has the subject-matter expertise to answer well)
The output is a content backlog ordered by priority, ready to feed M-2 and M-3 work.
What success looks like
A successful M-1 produces:
- A categorized question catalog covering the brand’s Focus
- A coverage map indicating which questions the brand has and has not addressed
- A prioritized backlog ready to direct subsequent content work
- Pattern recognition: which categories are gaps, which are well-served, which warrant strategic content commitment
Beyond the catalog, success is the practitioner’s ability to direct M-pillar work with confidence. “We need more FAQ content” is intuition; “we need FAQ content addressing these specific 12 questions because they appear in AI-platform measurement and the brand has no current coverage” is M-1-informed strategy.
What failure looks like
| Failure pattern | What it signals |
|---|---|
| Question catalog is keyword-list rather than question-list | The work treated keywords as proxy for questions; AI-mediated discovery is question-driven, not keyword-driven |
| Catalog is small (under 50 questions) and missing major categories | Question discovery sources were limited; broader sourcing required |
| Coverage analysis is binary (covered/not-covered) without depth assessment | Misses the largest opportunity — questions that are answered superficially could be answered well |
| Prioritization defaults to “high-volume questions first” without strategic consideration | Volume alone isn’t strategy; some high-volume questions are not the brand’s to answer; some low-volume questions are highly strategic |
| The output is delivered as a static report rather than a working backlog | M-1 should integrate with content production workflow, not exist as separate documentation |
Common mistakes
| Mistake | Better approach |
|---|---|
| Substituting keyword research for question discovery | Questions are the unit of AI-mediated discovery; keywords are downstream |
| Sourcing only from search analytics | Search analytics misses questions that are asked but not searched (because the asker uses an AI assistant directly); broader sourcing required |
| Treating M-1 as one-time work | Question landscapes shift; periodic refresh (quarterly or as significant changes occur) maintains relevance |
| Letting brand stakeholders drive prioritization based on commercial preference | Some commercially-irrelevant questions are the most strategic for AVO authority-building; the practitioner must surface this distinction |
| Not coordinating with O-1 | Competitive context informs question prioritization (questions well-served by competitors may be lower priority than questions where the brand can establish authority) |
| Conflating audience questions with brand FAQ patterns | The brand’s existing FAQ may not reflect what audiences actually ask |
Datapoints affected
M-1 does not directly lift datapoints. Like O-1, it is preparatory analytical work. Indirect effects include:
| Datapoint | Mechanism |
|---|---|
| topical-relevance (V2.1) | M-1 informs subsequent content work that lifts topical-relevance |
| content-depth (V2.1) | M-1 identifies depth gaps that subsequent M-pillar work addresses |
| ai-citation-presence (V3.1) | Long-term: M-1-informed content is more likely to be cited because it addresses questions the AI is being asked |
Multilingual considerations
Per-language question landscapes differ substantially. The English question landscape for a category is rarely the same as the Indonesian, Japanese, Korean, or Traditional Chinese landscape for the same category. Considerations:
- Per-language search behavior differs (long-tail patterns vary)
- Per-language customer-service patterns differ
- Per-language AI platforms have distinct prompt patterns
- Per-language cultural conventions affect question phrasing
- Direct translation of English questions rarely produces native-language equivalents
Multilingual M-1 is essentially conducting M-1 separately per language. The work expands proportionally with language scope.
A common multilingual M-1 finding is that per-language question landscapes overlap less than the brand stakeholder expects. The brand’s Japanese audience asks substantially different questions than its English audience, even within the same category. This finding informs per-language M-pillar work prioritization.
What comes after
M-1 typically leads to:
| Next action | Why it follows |
|---|---|
| M-2 (Answer-First Content Architecture) | M-1 identifies which questions to answer; M-2 structures the answers |
| M-3 (Dedicated FAQ & Knowledge Hubs) | High-priority questions cluster into hub content |
| G-3 (Comprehensive Long-Form Content) | Long-form content addresses higher-complexity questions identified in M-1 |
| M-7 (Multimedia Content Optimization) | Multimedia formats for questions where text-only answers are insufficient |
| Re-running M-1 at quarterly review | Question landscapes shift; periodic refresh maintains relevance |
In maturity-stage terms, M-1 is foundations-into-depth work. The first cycle establishes the catalog; subsequent cycles refine and extend it.
M-1 — Pemetaan Peluang Berbasis Pertanyaan
Apa itu action ini
M-1 adalah proses identifikasi terstruktur atas pertanyaan-pertanyaan yang diajukan oleh audiens brand dalam kategorinya, termasuk pertanyaan yang diajukan kepada sistem AI tentang kategori tersebut, serta pemetaan pertanyaan-pertanyaan itu terhadap konten brand yang sudah ada maupun yang direncanakan. Terdapat tiga komponen utama: penemuan pertanyaan (question discovery — pertanyaan apa yang sedang diajukan), kategorisasi (bagaimana pertanyaan-pertanyaan itu mengelompok berdasarkan niat dan kategori), serta analisis kesenjangan (pertanyaan mana yang sudah dijawab brand, mana yang belum, dan mana yang seharusnya dijawab).
Pekerjaannya bersifat analitis-editorial. Kerja analitis menyingkap dan mengkategorikan pertanyaan; kerja editorial menilai cakupan konten dan mengidentifikasi kesenjangan. Hasilnya menjadi landasan bagi pekerjaan M-pillar berikutnya, terutama M-2 dan M-3.
Mengapa action ini penting dalam AVO
Penemuan yang dimediasi AI bersifat berbasis pertanyaan. Pengguna mengajukan pertanyaan kepada sistem AI; sistem AI mensintesis jawaban; brand muncul dalam jawaban tersebut ketika sistem AI memiliki pengetahuan yang terpijak (grounded) mengenai brand yang relevan dengan pertanyaan itu. Tanpa mengetahui pertanyaan apa yang diajukan kepada AI tentang kategori brand, praktisi tidak dapat mengarahkan pekerjaan konten menuju pertanyaan-pertanyaan yang relevan untuk dikutip.
M-1 juga menyingkap perbedaan antara topologi konten brand dan topologi pertanyaan audiens. Brand umumnya mengorganisasi konten berdasarkan penawaran dan struktur korporasinya; audiens mengajukan pertanyaan yang terorganisasi berdasarkan masalah dan keputusan mereka. Kedua pengorganisasian ini jarang selaras tanpa kerja yang disengaja.
M-1 merupakan fondasi bagi arsitektur konten answer-first (M-2) dan pekerjaan FAQ serta knowledge hub (M-3). Keduanya bergantung pada pengetahuan tentang pertanyaan mana yang penting; M-1 menyediakan jawabannya.
Apa yang dibutuhkan sebelum action ini dapat dilakukan
Prasyarat utama:
| Prasyarat | Mengapa diperlukan |
|---|---|
| Focus yang telah dideklarasikan | M-1 dilakukan relatif terhadap Focus brand. Tanpa Focus yang dideklarasikan, proses question discovery tidak memiliki sumbu untuk menyaring. |
| Akses ke data kueri yang relevan dengan kategori | M-1 membutuhkan sumber data: analitik pencarian, pengukuran platform AI, log pertanyaan layanan pelanggan, data social listening. Tanpa data, pekerjaan ini hanya berbasis intuisi. |
Prasyarat pendukung:
| Prasyarat | Mengapa membantu |
|---|---|
| Data analitik pencarian atau performa konten yang sudah ada | Data yang ada mempercepat question discovery dan memvalidasi pentingnya pertanyaan |
| Log percakapan layanan pelanggan atau tim penjualan | Pertanyaan langsung dari pelanggan adalah input dengan fidelitas tertinggi untuk pemetaan pertanyaan |
| O-1 yang telah selesai secara substansial | Konteks kompetitif menginformasikan pertanyaan mana yang penting bagi brand secara spesifik (beberapa pertanyaan sudah terlayani dengan baik oleh kompetitor; yang lain adalah kesenjangan) |
Penilaian tahap: M-1 adalah action tahap Foundations yang dijalankan di awal engagement. Bentuk dasarnya dapat dicapai dari AS ≈ 0; kedalaman akan berkembang melalui siklus berikutnya seiring bertambahnya data.
Apa yang dikerjakan dalam action ini
Pekerjaan M-1 berlangsung dalam empat fase.
Fase 1 — Penemuan pertanyaan dari berbagai sumber. Pertanyaan dikumpulkan dari:
- Analitik pencarian (kueri long-tail yang mengindikasikan pertanyaan spesifik)
- Pengukuran platform AI (prompt yang memunculkan konten relevan dengan kategori)
- Log pertanyaan layanan pelanggan (pertanyaan literal yang diajukan pelanggan)
- Log percakapan penjualan (pertanyaan yang muncul selama keputusan pembelian)
- Social listening (pertanyaan yang diajukan di forum publik)
- Konten kompetitor (pertanyaan mana yang telah secara eksplisit dijawab kompetitor)
- Reddit, Quora, dan platform serupa dalam kategori brand
Kerja discovery menghasilkan katalog pertanyaan, sering kali berjumlah ratusan. Katalog ini menjadi substrat untuk kategorisasi dan prioritisasi berikutnya.
Fase 2 — Kategorisasi pertanyaan. Pertanyaan dikategorikan berdasarkan berbagai sumbu:
- Intent: informasional (mencari pengetahuan), navigasional (mencari sumber daya tertentu), transaksional (ingin bertindak), komparatif (ingin memilih), validasi (mencari konfirmasi)
- Tahap dalam perjalanan audiens: awareness (tidak mengenal kategori), consideration (mengevaluasi pilihan), decision (memilih), retention (menggunakan atau memelihara)
- Tipe pertanyaan: what-is, why, how-to, perbandingan, rekomendasi, troubleshooting
- Segmen audiens: jika brand melayani beberapa segmen, segmen mana yang mengajukan pertanyaan tersebut
- Kesesuaian kategori: seberapa langsung pertanyaan berkaitan dengan Focus brand
Kategorisasi membuat katalog mudah dinavigasi dan mengungkap pola: kategori mana yang sudah terlayani dengan baik oleh konten yang ada, mana yang merupakan kesenjangan, mana yang terlayani berlebihan.
Fase 3 — Analisis cakupan dan kesenjangan. Setiap pertanyaan dipetakan terhadap konten brand yang ada (jika ada) atau ditandai sebagai kesenjangan. Pemetaan ini mengungkap:
- Pertanyaan yang telah dijawab brand dengan baik (tercakup, mendalam, layak dikutip)
- Pertanyaan yang telah dijawab brand secara dangkal (tercakup tetapi tipis)
- Pertanyaan yang belum dijawab brand (kesenjangan)
- Pertanyaan yang telah dijawab brand secara tidak langsung (konten relevan ada tetapi tidak secara eksplisit menjawab pertanyaan tersebut)
Fase 4 — Prioritisasi. Kesenjangan diprioritaskan untuk pengembangan konten berdasarkan:
- Frekuensi pertanyaan (seberapa sering ditanyakan)
- Nilai strategis (kesesuaian dengan kepentingan komersial atau positioning kategori brand)
- Lanskap kompetitif (seberapa baik pertanyaan tersebut terlayani oleh kompetitor)
- Upaya yang dibutuhkan (apakah brand memiliki keahlian subjek untuk menjawab dengan baik)
Hasilnya adalah content backlog yang diurutkan berdasarkan prioritas, siap untuk masuk ke pekerjaan M-2 dan M-3.
Seperti apa keberhasilan terlihat
M-1 yang berhasil menghasilkan:
- Katalog pertanyaan yang terkategorisasi, mencakup Focus brand
- Peta cakupan yang menunjukkan pertanyaan mana yang telah dan belum dijawab brand
- Backlog yang diprioritaskan, siap mengarahkan pekerjaan konten berikutnya
- Pengenalan pola: kategori mana yang merupakan kesenjangan, mana yang terlayani dengan baik, mana yang memerlukan komitmen konten strategis
Di luar katalog, keberhasilan tercermin dari kemampuan praktisi mengarahkan pekerjaan M-pillar dengan penuh keyakinan. “Kita butuh lebih banyak konten FAQ” adalah intuisi; “kita butuh konten FAQ yang menjawab 12 pertanyaan spesifik ini karena pertanyaan-pertanyaan tersebut muncul dalam pengukuran platform AI dan brand belum memiliki cakupan saat ini” adalah strategi yang diinformasikan oleh M-1.
Seperti apa kegagalan terlihat
| Pola kegagalan | Apa yang diindikasikannya |
|---|---|
| Katalog pertanyaan berupa daftar keyword, bukan daftar pertanyaan | Pekerjaan memperlakukan keyword sebagai pengganti pertanyaan; penemuan yang dimediasi AI bersifat berbasis pertanyaan, bukan berbasis keyword |
| Katalog berukuran kecil (kurang dari 50 pertanyaan) dan melewatkan kategori-kategori utama | Sumber question discovery terbatas; diperlukan sumber yang lebih luas |
| Analisis cakupan bersifat biner (tercakup/tidak tercakup) tanpa penilaian kedalaman | Melewatkan peluang terbesar — pertanyaan yang dijawab secara dangkal sebenarnya bisa dijawab dengan baik |
| Prioritisasi default ke “pertanyaan bervolume tinggi lebih dulu” tanpa pertimbangan strategis | Volume semata bukan strategi; beberapa pertanyaan bervolume tinggi bukan ranah brand untuk dijawab; beberapa pertanyaan bervolume rendah sangat strategis |
| Output disampaikan sebagai laporan statis, bukan sebagai working backlog | M-1 seharusnya terintegrasi dengan alur produksi konten, bukan ada sebagai dokumentasi terpisah |
Kesalahan umum
| Kesalahan | Pendekatan yang lebih baik |
|---|---|
| Menggantikan question discovery dengan riset keyword | Pertanyaan adalah unit penemuan yang dimediasi AI; keyword bersifat hilir |
| Hanya bersumber dari analitik pencarian | Analitik pencarian melewatkan pertanyaan yang diajukan tetapi tidak dicari (karena penanya langsung menggunakan asisten AI); diperlukan sumber yang lebih luas |
| Memperlakukan M-1 sebagai pekerjaan satu kali | Lanskap pertanyaan berubah; pembaruan berkala (setiap kuartal atau saat perubahan signifikan terjadi) menjaga relevansi |
| Membiarkan pemangku kepentingan brand mengendalikan prioritisasi berdasarkan preferensi komersial | Beberapa pertanyaan yang tidak relevan secara komersial justru paling strategis untuk membangun otoritas AVO; praktisi harus menyingkap perbedaan ini |
| Tidak berkoordinasi dengan O-1 | Konteks kompetitif menginformasikan prioritisasi pertanyaan (pertanyaan yang terlayani dengan baik oleh kompetitor mungkin berprioritas lebih rendah dibanding pertanyaan di mana brand dapat membangun otoritas) |
| Menyamakan pertanyaan audiens dengan pola FAQ brand yang sudah ada | FAQ brand yang ada mungkin tidak mencerminkan apa yang sebenarnya ditanyakan audiens |
Datapoints yang terpengaruh
M-1 tidak secara langsung meningkatkan datapoints. Seperti O-1, ini adalah pekerjaan analitis persiapan. Efek tidak langsung meliputi:
| Datapoint | Mekanisme |
|---|---|
| topical-relevance (V2.1) | M-1 menginformasikan pekerjaan konten berikutnya yang meningkatkan topical-relevance |
| content-depth (V2.1) | M-1 mengidentifikasi kesenjangan kedalaman yang ditangani oleh pekerjaan M-pillar berikutnya |
| ai-citation-presence (V3.1) | Jangka panjang: konten yang diinformasikan M-1 lebih mungkin dikutip karena menjawab pertanyaan yang diajukan kepada AI |
Pertimbangan multibahasa
Lanskap pertanyaan per bahasa berbeda secara substansial. Lanskap pertanyaan bahasa Inggris untuk suatu kategori jarang sama dengan lanskap bahasa Indonesia, Jepang, Korea, atau Mandarin Tradisional untuk kategori yang sama. Pertimbangan:
- Perilaku pencarian per bahasa berbeda (pola long-tail bervariasi)
- Pola layanan pelanggan per bahasa berbeda
- Platform AI per bahasa memiliki pola prompt yang berbeda
- Konvensi budaya per bahasa memengaruhi cara pertanyaan dirumuskan
- Terjemahan langsung dari pertanyaan bahasa Inggris jarang menghasilkan padanan dalam bahasa aslinya
M-1 multibahasa pada dasarnya adalah melakukan M-1 secara terpisah per bahasa. Pekerjaan bertambah secara proporsional sesuai cakupan bahasa.
Temuan M-1 multibahasa yang umum adalah bahwa lanskap pertanyaan per bahasa saling tumpang tindih lebih sedikit dari yang diharapkan pemangku kepentingan brand. Audiens Jepang brand mengajukan pertanyaan yang secara substansial berbeda dari audiens berbahasa Inggrisnya, bahkan dalam kategori yang sama. Temuan ini menginformasikan prioritisasi pekerjaan M-pillar per bahasa.
Apa yang datang setelahnya
M-1 biasanya mengarah ke:
| Action berikutnya | Mengapa mengikuti |
|---|---|
| M-2 (Answer-First Content Architecture) | M-1 mengidentifikasi pertanyaan mana yang harus dijawab; M-2 menyusun jawabannya |
| M-3 (Dedicated FAQ & Knowledge Hubs) | Pertanyaan-pertanyaan berprioritas tinggi mengelompok menjadi konten hub |
| G-3 (Comprehensive Long-Form Content) | Konten panjang menjawab pertanyaan dengan kompleksitas lebih tinggi yang diidentifikasi dalam M-1 |
| M-7 (Multimedia Content Optimization) | Format multimedia untuk pertanyaan yang jawabannya tidak cukup hanya teks |
| Menjalankan ulang M-1 pada tinjauan kuartalan | Lanskap pertanyaan berubah; pembaruan berkala menjaga relevansi |
Dalam istilah tahap kematangan, M-1 adalah pekerjaan Foundations yang menuju kedalaman. Siklus pertama membangun katalog; siklus berikutnya memperhalus dan memperluasnya.