小语种内容都在追新词，洗衣机这种词写了19年，21门语言里只有10门写过

摘要：拿29个跟做生意有关的概念在22门语言上逐个查条目，量的是三件事——有没有、有多旧、有多薄。结果跟做内容的直觉是反的：全球品牌那一格早填满了，微软21门、谷歌20门、新冠20门；而洗衣机这种词英文写了19年，21门语言里只有10门有人写过，雨伞缺8门，冰箱缺7门，缺的名单里没有一门成熟语言。已有的那些还很旧，约鲁巴语60%、阿姆哈拉语57%的条目超过两年没人动，阿姆哈拉语的条目字节只有英语的1.4%。本文给出完整覆盖表、一把在中途失效的尺子，以及一份把选题从追新词改成占品类词的清单。

去年做一份东南亚市场的内容排期，第一批词的清单是从竞品的热门页面里扒出来的。清单交上去，本地同事看了一遍，问了一句：为什么全是新东西。

清单上确实全是新东西。直播带货、跨境支付、某个平台的运营方法。理由也说得通——新东西竞争少，做得早能占位置。

那位同事说，这些词在我们这儿也确实少人写，但更少人写的是另一批。他举了个例子，你们要不要查一下，我们语言里有没有一篇正经讲洗衣机怎么挑的东西。

查完之后我把那份清单重做了。这篇写的就是重做的依据。

做小语种内容排期，第一批词是怎么挑出来的？

清单通常从哪儿来

做一门新语言的第一批内容，选词的路子来来回回就三条：翻译英语站的现有清单、扒本地竞品的热门页、从关键词工具里按搜索量排序取前几十。

三条路各有各的毛病——拿词典逐词换出来的词表是其中一种——但它们有一个共同的毛病：都在照着已经存在的东西选。翻译照的是英语市场已经存在的，扒竞品照的是本地已经存在的，看搜索量照的是工具已经记录的。

已经存在的东西会有偏向。它偏向热闹的、新的、有人在讨论的，因为只有这些东西才会留下足够多的痕迹让你扒到。

缺口按定义就是没有痕迹的地方。用照着已有的东西选词的办法，找不到缺口。

缺口这个词在这里指什么

先把定义收窄。这里说的缺口不是这个词没有搜索量，也不是这个词竞争度低。它指的是这门语言的公共知识里，关于这个东西还没有一份说得过去的中文之外的表述。

为什么盯这个而不是盯搜索量？因为搜索量在小语种上本来就测不准，工具返回的零有一半是数据缺口。而公共知识里有没有这份东西，可以直接数出来。

更实际的理由是：当有人要在这门语言里回答一个问题——不管是搜索引擎、答案系统，还是一个记者、一个学生——它会去公共知识里找。找不到的时候，你那份就是唯一的一份。

所以缺口的价值不在于竞争少，在于你写的那份会成为默认答案。这两件事在英语市场是一回事，在小语种市场不是。

这次量了什么

29个概念，22门语言，逐个查有没有对应条目、条目什么时候建的、最后一次修改是什么时候、现在有多大。

概念分三组。老的一组是1990年代以前就存在的东西：咖啡、鞋、洗衣机、自行车、冰箱、手表、雨伞、信息技术，加上微软和IBM两个老牌子。

中间一组是2000年之后长出来的：智能手机、电子商务、搜索引擎优化、比特币、Instagram、云计算、二维码、网上购物、加密货币、机器学习、播客，加上谷歌。

新的一组是最近这些年的：TikTok、新冠、5G、通用数据保护条例、充电站、无人机、电动汽车。

为什么用维基百科的数据

这套数据的来源是维基百科各语言版本的条目和它们的完整修订史。选它有一个很实际的理由：它是唯一一个在所有语言上用同一套规则、且把每次修改的时间都公开的地方。

它当然不等于这门语言的商业内容。但它是这门语言公共知识里组织得最好的那一块，用它做出来的结论是个上界。它都空着，商业内容只会更空。

另外它有一个别的来源给不了的性质：可以回溯。所有数字都能截到某一个时点重算，不受今天的状态影响。用同一套数据算写内容的人有几个用的是这批数据的另一列。

本文的所有统计截止到2022年6月30日。

本文不谈的两件事

第一件是这些词有没有搜索量。缺口和需求是两条独立的轴，一个词可以缺而且没人搜，那种词不该做。怎么判断需求那一侧，工具返回零的时候怎么补数据写过。

第二件是写出来之后怎么让引擎收录。那是另一层的事，跟这门语言里有没有人写过没有关系。

本文只回答一个问题：这门语言的公共知识里，哪一格是空的。

二十年过去，洗衣机这种词在几门语言里还是空的？

先看两头的对照

把29个概念按覆盖门数排一遍，最上面和最下面的差距大到不像同一批数据。

最上面：微软21门语言全有，谷歌20门，新冠20门，咖啡18门，自行车17门，鞋16门，Instagram16门，TikTok16门。

最下面：充电站3门，手表7门，网上购物7门，机器学习9门，洗衣机10门，播客10门。

把这两列并排看，一个很别扭的事实浮出来：一门语言里可能有关于TikTok的条目，却没有关于洗衣机的条目。

洗衣机缺在哪11门语言里

洗衣机的英文条目建于2003年1月，到观测点已经19.4年。这19年里，21门非英语语言中有10门写了对应条目，11门没有。

没有的那11门是：缅甸语、高棉语、僧伽罗语、老挝语、蒙古语、尼泊尔语、阿姆哈拉语、斯瓦希里语、豪萨语、约鲁巴语、乌兹别克语。

这11门语言的使用者加起来超过五亿人，其中好几门在印度十一门语言那份预算表里被单独讨论过。这五亿人里想在自己的语言里读一篇关于洗衣机的介绍，公共知识里一份都没有。

雨伞的情况类似，缺8门；冰箱缺7门。这三个都是家家户户都有的东西，也是电商大类里最常见的品类。

与之对照的新东西

新冠的英文条目建于2020年1月，到观测点2.4年。这2.4年里，21门语言中有20门写了对应条目，只有宿务语没有。

TikTok的英文条目建于2018年3月，4.3年时间覆盖了16门。5G十三年覆盖11门。

把新冠那个数摊开算：平均每年有8.35门语言补上这个条目。洗衣机19年才补上10门，平均每年0.51门。差16倍。

当然新冠是极端案例，全球性事件。但即使拿掉新冠和TikTok，剩下的新东西也没有出现洗衣机这种量级的空缺。

把两组数摆在一张表上

最上面五行有一个共同点：它们要么是全球品牌，要么是全球事件。最下面几行也有一个共同点：它们是没有主人的普通东西。

缺口的分布不是均匀的

如果一门语言只是内容少，缺口应该均匀地散在各个话题上。实测下来不是这样。

约鲁巴语在这29个概念上缺了24个，剩下的5个是：微软、谷歌、Instagram、二维码、新冠。三个全球品牌、一个技术标准、一个全球性事件，日常品类一个都没有。

豪萨语剩7个：微软、谷歌、Instagram、TikTok、新冠，加上自行车和冰箱。高棉语剩8个，里面有微软、谷歌、TikTok、新冠，加上咖啡、信息技术、电子商务、二维码。

规律很清楚：一门语言的公共知识薄到只剩几条的时候，留下来的几乎全是全球专名和全球事件。它们能留下来不是因为重要，是因为全世界都在说同一个名字，翻译成本最低。

阿姆哈拉语的例外说明了什么

阿姆哈拉语剩下的7条里有一条不符合上面那个规律：咖啡。除了微软、谷歌、新冠这三条全球款，它还有咖啡、鞋、自行车、冰箱。

咖啡出现在这个名单上一点都不奇怪——埃塞俄比亚是咖啡的原产地，这是这个社群的核心话题之一。有人愿意花时间把它写好。

这条例外把规律补完整了。决定一个词在这门语言里有没有人写，不是它新不新，也不是它常不常用，是它跟这个社群有没有特殊关系。

要么是全世界都在说的名字，要么是本地特别在意的东西。两头不沾的普通品类词，就一直空着。洗衣机在任何一个社群里都不是话题，所以在11门语言里没人写。

这批数据里有一把尺子中途失效了，是哪一把？

手表这一行不对劲

覆盖表排出来之后，最低的那几行里有一个数看着别扭：手表只有7门语言有条目。而缺它的名单里出现了瑞典语、希腊语、匈牙利语。

这三门语言在其他所有指标上都属于健康档，它们的维基百科各有几十万到上百万个条目，编辑人数上千。这样的语言不会没有关于手表的内容。

点开看了一下就明白了。这三门语言把手表和钟写在了同一个条目里，一个条目讲计时器具，手表是其中一节。而我用来对齐概念的那个数据库把这个条目链到了钟那一边。

所以手表那一行的7不是真实缺失，是概念切分粒度在语言之间不一致。同样的问题也出现在网上购物那一行——瑞典语和匈牙利语把它并进了电子商务。

这条判据可以直接用

发现这个问题之后，我给整张表加了一道自查：看每个概念的缺失名单里有没有出现成熟语言。

如果缺失名单里出现了瑞典语、希腊语、匈牙利语、波斯语、印尼语这一档，那多半是概念切分问题，不是真实缺失。只有缺失名单全部落在小语种上，才是真信号。

拿这条筛一遍，手表和网上购物两行被标为不可用。而洗衣机、雨伞、冰箱三行全部通过——缺它们的11门、8门、7门语言里，没有一门属于成熟档。

这道自查花了大概二十分钟，救下来的是整篇文章的主结论。如果不做，我会拿手表那个7当成最强的证据，而它是假的。

还有一把尺子在同一批数据上失效了

最开始的分析口径不是覆盖率，是滞后天数——一个概念在英语里有了条目之后，各语言平均隔多久补上。

按这个口径算出来：老概念中位滞后2015天，中间那组1755天，新概念只有1218天。看起来新东西进得更快，正好是我想要的结论。

但这个数是错的，错在观测窗口。新概念的英文条目本身就只有几年历史，它的滞后天数在数学上不可能超过这个年限。老概念有二十年可以慢慢拖，新概念最多只能拖六年。

这叫右删失，是个很基本的统计陷阱，而它在这里伪装得特别好——因为算出来的方向刚好符合直觉，让人不想再查。

换成不受删失影响的口径

补救办法是把所有概念截到同一个观测年限。取英文条目建立后的头六年，数这六年里有几门语言补上了。

结果反过来了：老概念头六年平均覆盖8.2门，中间组8.0门，新概念4.2门。在同样长的窗口里，新东西铺开得反而更慢。

这个口径也不是完美的。老概念的头六年正好是2001到2010年，那是各语言维基百科的扩张期；新概念的头六年是2016到2022，各语言版本早已进入平台期。时代背景在动。

所以两个口径都有偏。真正干净、两边都不受影响的证据只有一条：绝对覆盖数。手表二十年七门、洗衣机十九年十门、充电站十五年三门，这些数不需要任何换算就能说明问题。

尺子失效之后剩下什么

两把尺子倒下之后，主张需要重写。原来想说的是新东西进得快、老东西进得慢；实测支持不了这个说法。

能站住的是另一句：覆盖率跟这个词是不是全球专名强相关，跟它新不新、常不常用都不相关。这句话每一个口径都支持。

顺带说一句，这已经是本站第五次记录到尺子在小语种数据上失效。前几次分别是地区参数不生效、整条判定看不见混合语言、工具对某语言返回的零是数据缺口。

每一次的处理都一样：不是修尺子，是换一把。换出来的那把通常比原计划更硬，因为它绕开了原来那个假设。

为什么最普通的词反而最晚有人写？

写条目的动机不是需求

要解释这个分布，得先想清楚谁在写这些东西，为什么写。写维基条目的人不拿钱，他们写的理由通常是三种之一：这件事我懂、这件事最近很热、这件事跟我们有关。

三种理由都跟这个东西常不常用没有关系。洗衣机每家都有，但它不属于任何一个人的专业，最近也没有新闻，跟任何一个社群都没有特殊关系。

所以它在选题的时候永远排在后面。这不是懒惰，是资源分配——一个只有三十个活跃编辑的社群，先写什么后写什么是有优先级的。

而全球专名不一样。微软、谷歌这类词有现成的英文条目可以对照翻译，事实清楚、结构固定、争议少，是最容易上手的选题。

商业内容的动机也是偏的

那商业内容会不会把这个缺口补上？理论上应该会，因为品类词才是有转化的那批词。实际情况没那么乐观。

做本地内容的团队面临的是同一批约束的另一个版本：预算有限，先做什么后做什么要看回报。而回报最好算的是品牌词和热点词，因为它们的搜索量能测出来。

品类词在小语种上的搜索量恰恰是最测不准的那一批，工具返回的经常是零。于是它在排期上又排到了后面，两个市场的意图差异那一层的判断也就跟着落空。

两批人各有各的理由，避开了同一批词。结果就是这批词在这门语言的互联网上长期是空的。

翻译为什么没有自动补上

还有一个显而易见的候选解释：既然英文条目都在，翻译一遍不就完了。这件事确实一直在发生，但它有自己的偏向。

翻译的优先级通常跟着源语言的重要性走。英文维基里被认为重要的条目、被列进基础条目清单的条目，被翻译的概率更高。

而那些清单本身是按知识体系的重要性排的，不是按商业价值排的。跨语言那份每个语言版本都该有的条目清单也是同一个逻辑，一千条里绝大多数是国家、人物、学科、事件。洗衣机在知识体系里的位置不高，在电商品类里的位置很高，两个排序不是一回事。

这一层的错位是结构性的，不会自己消失。你不做，它就一直空着。

这个解释能不能证伪

上面那套解释听着顺，但顺不等于对。能拿来检验它的一条预测是：如果动机是全球专名和本地话题两头，那么本地特有的东西应该覆盖得很好。

阿姆哈拉语的咖啡就是一个正例。反过来找反例的话，可以查这些语言里本地的传统服饰、本地菜、本地节日有没有条目——按这套解释应该有。

这次没有跑这一组，因为本地特有概念在Wikidata里的对齐质量很差，跨语言比较做不干净。这是一个坦白的缺口，不是结论。

所以上面那套因果讲的是一个说得通的机制，不是被验证过的结论。真正被验证的只有分布本身：全球专名覆盖高，普通品类覆盖低。

这个机制在别的地方也见过

这套结构其实不新鲜。任何靠志愿投入的内容体系都会往同一个方向偏：有争议的、有话题的、有人格化对象的东西被反复写，无聊而必要的东西没人碰。

英文维基百科自己也有这个问题，他们专门有个常设项目在处理这件事。区别在于英语的分母足够大，偏向之后剩下的绝对量还是很可观。

小语种的分母只有几十个人，同样比例的偏向会让整个品类彻底消失。偏向的比例可能一样，后果差了一个数量级。

这也是为什么这套观察不能直接从英语市场的经验里推出来。在英语市场，你从来不会遇到一个品类完全没有人写过的情况。

逐语言看，缺口集中在哪一档语言上？

22门语言的缺口分布

前面按概念看，现在换个方向按语言看：每门语言在老、中、新三组概念上各缺几个。三组的总数分别是10、12、7。

这张表分成三段，不是连续的

上面九门语言几乎全绿，缺口加起来不超过三个。这一档做内容跟做英语市场没有本质区别，缺口地图对它们没什么用。

中间六门在三到六之间，是缺口地图最值得跑的一档。有一半的格子空着，另一半有内容可以参照，投入产出比最好。

最下面五门缺了大半，属于公共知识整体薄的状态。这一档要先回答另一个问题——这门语言的商业活动是不是整体用另一门语言在办，答完再决定要不要做。

三段之间的分界不在语言的使用人口上。豪萨语和斯瓦希里语的使用者都以千万计，孟加拉语两亿多，泰米尔语八千万，它们分散在三段里。

缅甸语和老挝语的一个反常

看最下面那一档会发现一件怪事：缅甸语在老概念上缺5个、中期概念缺7个，可新概念只缺3个。老挝语也是，老概念缺6个、中期缺9个，新概念只缺4个。

按比例算，这两门语言在新概念上的覆盖率反而比老概念高。这跟英语的直觉正好相反。

能想到的解释是：新概念大多带着一个全球通行的名字进来，翻译成本低、参照现成；而老概念要用本地词从头写，工作量大得多。前面阿姆哈拉语那条例外说的是同一件事。

不管解释对不对，落到动作上很清楚：在最薄的那几门语言里，你以为最安全的基础品类词，恰恰是最空的那一批。

缺口正在被填，速度能测出来

还有一组数值得记下来：在观测点之后才建起来的条目。这批条目今天存在，但在2022年6月30日那一刻还没有。

乌兹别克语7条，豪萨语4条，蒙古语3条，缅甸语、高棉语、僧伽罗语、斯瓦希里语各2条，越南语、泰米尔语、孟加拉语、老挝语、阿姆哈拉语各1条。

把这个数除以时间跨度，就是这门语言填补缺口的速度。乌兹别克语明显快于其他几门，它同期的编辑人数也在涨，两个信号是一致的。

这个数的用法是估窗口期。如果一门语言每年填两三个格子，而你的品类清单里有十个空格，那你大概有三到五年时间；如果它每年填七八个，就得抓紧。

就算有条目，它有多旧、有多薄？

有没有只是第一层

覆盖率回答的是有没有。但一个存在的条目可能只有两句话，也可能六年没人碰过。对做内容的人来说，这三层是叠加的。

所以同一批条目又量了两件事：最后一次修改距离观测点多久，以及现在有多少字节。第一个是新鲜度，第二个是分量。维基媒体自己有个叫条目深度的口径，做的也是把数量和分量分开这件事。

这两个数跟覆盖率不完全相关。有些语言覆盖率不低，但条目普遍很旧很薄；也有覆盖率低但剩下那几条维护得很勤的。

三个数一起看，才能判断这门语言的这个格子到底是空的、旧的，还是活的。

静默月数：多久没人动过

把每门语言的条目按最后修改时间排，取中位数，得到的是这门语言的内容平均沉睡了多久。

最久的是阿姆哈拉语，60.2个月，五年。然后是约鲁巴语29.6个月、尼泊尔语18.3个月、僧伽罗语17.8个月、蒙古语15.3个月、高棉语10.3个月。

另一头，波斯语0.9个月、越南语1.8个月、印尼语2.1个月、希腊语2.5个月。这些语言的条目几乎每个月都有人碰。

老挝语是7.3个月，缅甸语8.7个月，都在中间。这跟它们的编辑人数对得上——人少但那几个人在动。

陈旧率：超过两年没人动的占多少

中位数会被少数活跃条目拉偏，所以另外算了一个比例：有多少比例的条目超过24个月没人改过。

约鲁巴语60%，阿姆哈拉语57%，老挝语40%，僧伽罗语38%，斯瓦希里语35%，蒙古语33%，高棉语29%，泰米尔语19%。

另一头是一批零：瑞典语、宿务语、泰语、越南语、希腊语、匈牙利语、孟加拉语、豪萨语、乌兹别克语的24个月陈旧率都是0，英语也是0。

这里有个反常值得记下来：豪萨语的24个月陈旧率是0，但它超过6个月没动的比例是71%。它的条目全都在半年到两年之间被碰过一次，一次都没有更久的。这说明它有一个活跃度不高但没断的维护节奏。

字节数：条目有多厚

第三个数是条目大小的中位数，跟英语的中位数比。

阿姆哈拉语1.4%，豪萨语2.1%，老挝语2.5%，斯瓦希里语2.7%，乌兹别克语3.1%，宿务语3.6%，约鲁巴语3.7%，尼泊尔语3.9%。

这一档的意思是：英语条目写了一万字的东西，这门语言里对应的那份是一百多字。不是简版，是一句话加一张信息框。

另一头是波斯语25.6%、希腊语17.8%、印尼语17.6%、越南语16.0%、孟加拉语15.4%。这一档是真的在写内容，只是没英语那么全。

三个数怎么合起来读

把覆盖率、陈旧率、字节比三个数放一起，能分出三种完全不同的格子。

第一种是空的：这门语言根本没有这个条目。你写的那份是第一份，没有参照也没有竞争。

第二种是旧的：有条目，但五年没人动、只有一百多字。这种格子表面上被占了，实际上一推就倒。阿姆哈拉语和约鲁巴语的绝大多数格子属于这一种。

第三种是活的：有条目、经常更新、内容成规模。这一档要按正常竞争对待，波斯语和印尼语的多数格子属于这一种。这三档跟学界给世界语言排的资源等级的资源分层大体对得上，只是那份分层看的是语料总量，这里看的是具体某一格。

缺口的形状变了，选题清单该怎么改？

先把品类词单独拉一张清单

动作上最小的改动是：在原来那份从竞品和工具里扒出来的清单之外，另起一张只放品类词的清单。

品类词的定义很朴素：你的商品分类树上的那些节点名。洗衣机、羽绒服、行李箱、跑鞋、蓝牙耳机，就是这些。不要带修饰语，不要带品牌。

这张清单不需要关键词工具，看自己的后台分类就能列出来。三十到五十个，一小时能列完。

列完之后逐个查这门语言的公共知识里有没有对应内容。查法下一节说。

逐个查的方法

最省事的做法是打开这门语言的维基百科，用它的搜索框逐个搜。有条目、条目多长、最后编辑时间，三个信息在一个页面上都能看到。

三十个词手工查大概四十分钟。要是嫌慢，可以用查询接口批量跑，一次请求能查五十个标题。

查的时候注意用这门语言的说法，不是英语的说法。同一个概念在不同语言里对应的条目标题不一定是直译——品牌名的本地写法是最典型的一类——用跨语言链接找过去最稳。

还要注意前面那条判据：如果一个词查不到，先确认它是不是被并进了上位概念的条目里。并进去了不算缺。

查完之后怎么排优先级

三个信号排出三档。完全没有条目的排最前，这是真空地带。

有条目但两年以上没动、且字节数很小的排第二。这一档的机会同样大，而且写的时候有个现成的参照能看出本地人怎么称呼这个东西。

有条目且维护活跃的排最后。这不意味着不做，意味着做的时候要有比现有内容更强的东西，不能只是复述。

另外提醒一句：这个排序是内容缺口的排序，不是收益排序。真正的排期还要乘上这个品类在你这儿的毛利和库存，这一层每家不一样。

内容该怎么写才占得住

占住一个空格子的门槛比想象中低，但有两个条件。第一是内容本身要能独立成立，不能是一段从英语翻过来的介绍加一个购买链接。

第二是要用本地的说法。这个东西在这门语言里叫什么、当地人买它的时候会关心哪几件事、有没有本地特有的规格或标准，这些是翻译带不过来的。结构化数据里的语言与地区字段那一层也要一起处理。

做到这两条，你那份内容在这个格子里就是最好的一份，而且很可能长期是唯一的一份。母语审校那道工序在这种内容上比在营销文案上重要得多。

反过来，如果做不到这两条，最好别做。一份翻译腔的品类介绍占住格子之后，你后面想改的时候要跟自己竞争。

这套做法的时间成本

列清单一小时，查一遍四十分钟，加起来不到两小时就能拿到一门语言的缺口地图。这个成本低到可以在决定要不要做这门语言之前先跑一遍。

跑完能回答两个问题：这门语言的公共知识空到什么程度，以及我手上这批品类里有几个是真空的。第二个数直接决定第一批内容做几篇。

多门语言并行的时候，这套查法可以复用同一份品类清单，换语言参数重跑。二十门语言一天能跑完。

拿到的结果不会过期得很快。公共知识的填补速度是以年计的，一份缺口地图用一年没问题。

品类词的位置，凭什么认为你能占住？

占住的意思不是排第一

先把话说清楚。这里说的占住，不是指某个关键词排到搜索结果第一位。它指的是当有人在这门语言里问这个东西，你那份内容是被找到的那一份。

这两件事在内容稀薄的语言里几乎重合，因为候选本来就没几个。在英语市场它们差得很远，因为候选有几千个，排序才是全部。

所以小语种的品类词有一个英语市场没有的性质：写得好本身就能兑换可见度，不需要额外的推动。这个性质在候选池填满之后会消失。

能占多久，取决于这门语言的内容生产速度。前面那些数据里，编辑人数和新建量的增长率就是这个速度的代理。

三类竞争者各自会怎么动

可能来抢这个格子的有三类。第一类是本地的内容站和媒体，他们最有可能写，但他们的选题同样跟着热点走，品类介绍不是他们的重点。

第二类是全球品牌的本地站。他们有预算也有动机，但他们写的是自己的产品，不是品类，而且从英文模板批量生成落地页这条路他们走得最熟。品类介绍对他们没有直接回报。

第三类是批量生成的内容。这一类的威胁在过去几年里明显上升，因为生成成本降到了几乎为零。机器翻译直接发布那条质量线讲的就是这类内容的边界。

三类里第三类最值得防，也最好防——它的特征太明显，本地读者一眼能认出来，而且它不会去查本地特有的规格和标准。

一个反向的风险

有一种情况会让整套判断失效：这个品类在这门语言的市场里根本不存在。

洗衣机在某些市场的家庭普及率很低，那么这门语言里没有关于洗衣机的内容不是缺口，是没有需求。这时候你写得再好也没有人来。

区分的办法是拿这个品类的本地说法去查搜索建议，看有没有返回，顺手把用户实际打出来的短形式可以一起做掉。有返回说明这个词在查询池里活着；一条都没有说明这一类查询在这门语言里整个不存在。

这一步不能省。缺口和需求是两条独立的轴，只看缺口会把没有需求的格子当成机会。

什么时候该放弃这门语言

把缺口和需求交叉，会得到四种组合，其中两种是明确的信号。

有缺口且有需求，是最好的机会，该抢。没缺口且没需求，说明这个品类在这门语言里既没人写也没人问，直接放弃。

另外两种要具体判断。有缺口但没需求，多半是品类没长起来，可以等；没缺口但有需求，说明这是个正常市场，按常规打法做。

值得注意的是，第一种和第二种在只看内容量的报表上长得完全一样，都是低数字。把它们分开的唯一办法是把需求那一侧单独测一遍。

做完之后怎么判断有没有效

三个月内不要看流量。品类词在这类市场的量本来就小，三个月的数据看不出趋势，容易做出错误的停手决定。

该看的是三个别的信号：有没有被本地站点引用、有没有出现在这门语言的问答里、有没有人拿它当参考。这三个信号出现得比流量早，本地目录与社群里给过一份可以照抄的渠道清单。

更直接的一个检验是过半年再查一次那个格子。如果这半年里没有第二份内容出现，说明这个位置确实空着，继续做；如果突然冒出来三四份，说明有人跟你想到一块儿了，得加快。

这个复查跟第一次的查法完全一样，五分钟。它比看流量报表更接近这件事的本质。

哪些相邻的问题不归这一层管？

需求侧那半边

本文从头到尾量的是供给：有没有人写过。它一次都没有回答有没有人在搜。

这两件事必须分开测。前面说过怎么测需求那一侧，但那只是一个粗筛，真正做决策的时候还需要更细的信号。

把两侧混在一起是这类分析最常见的错误，因为它们的数字长得像——都是低数字。低供给和低需求，动作完全相反。

语言本身的机制那半边

这门语言的词形怎么变、怎么分词、用什么书写系统，跟公共知识里有没有这个条目完全无关。

它们决定的是你做这门语言的技术成本，比如转小写会把土耳其语的词改成另一个词，又比如屈折语站的锚文本报告里精确匹配那一栏是假的，这一层跟缺口地图没有交集。

两张表分开做：缺口地图进选题会，技术成本进预算表。合成一个分数会得到很奇怪的结论。

引擎收录那半边

写出来的东西能不能被抓到、被收录、被排上去，是另一套逻辑。这门语言公共知识空不空，对引擎的收录行为没有直接影响。

实操上建议先确认引擎那一层没问题，再来看缺口。引擎那层如果有毛病，缺口地图做得再准也用不上。

顺序上这是个前置条件，不是并列关系。

维基百科代替不了商业内容的调研

这一条是本文最大的软肋，值得重复。维基百科的内容分布和商业内容的分布不是同一件事，前者受志愿者兴趣驱动，后者受商业回报驱动。

两者的偏向方向其实挺像——都偏热点、偏品牌、避开无聊而必要的东西。这是这套代理指标能成立的基础，但相似不等于相同。

能做的补充验证有一个：把缺口清单里排最前的三五个词，拿去用这门语言直接搜一遍，看返回的前两页里有没有像样的内容。半小时能跑完，能把明显的误判排掉。

这套方法的边界在哪

它在两种情况下不该用。第一是这门语言的公共知识已经很厚，覆盖率普遍在九成以上，这时候缺口地图全是绿的，给不出信息。表里的波斯语、印尼语、越南语、泰语基本属于这一档。

第二是你要做的品类特别细，细到公共知识里本来就不会有对应的条目。这时候要往上找一层，查它的上位品类，属性值本身在这门语言里怎么分格这类问题也要一并考虑。

剩下的情况它是好用的，尤其是你手上有二十个品类、五门语言，要决定先做哪几格的时候。两小时能把明显的空格找出来。

开头那位本地同事的问题，后来查出来的答案是没有。我们那份清单里加了七个品类词，第一批就上了三个。

常见问题解答

维基百科上没有的东西，就等于这门语言的互联网上没有吗？

不等于，它只是一个方向性的信号。维基百科的内容偏向和商业内容的偏向很像但不完全一样，两者都避开无聊的品类介绍，但商业内容会因为转化价值补上一部分。

所以正确的读法是把它当第一道筛子：维基上有的，商业内容大概率也有；维基上没有的，商业内容里可能有一点，但十有八九不成规模。

拿到缺口清单之后花半小时用这门语言实搜前三个词，看前两页的结果，就能把误判排掉。这一步的成本很低，但能让整份清单从推测变成有依据。

为什么手表那一行不算数，洗衣机那一行就算数？

判据是缺失名单的构成。手表的缺失名单里有瑞典语、希腊语、匈牙利语，这三门语言的维基百科各有几十万到上百万条目、上千名编辑，不可能真的没有关于手表的内容。

点开确认之后发现它们把手表和钟写在同一个条目里，是概念切分粒度的差异，不是缺失。洗衣机的缺失名单里一门成熟语言都没有，全部是小语种，所以它是真信号。

这条判据可以直接搬去用在你自己跑的数据上：任何一个概念，如果它的缺失名单里出现了内容量明显充足的语言，先假设是对齐问题，点开验证之后再决定要不要采信。

覆盖率低的语言，是不是干脆不该做？

正好相反，覆盖率低本身是机会信号，但它必须跟需求侧的数据一起看才有意义。

缺口大而有需求，是最值得投的一档；缺口大而没需求，说明这个品类在这个市场还没长出来，可以先记下来等两年。这两种在报表上都表现为低数字，分开它们的唯一办法是单独测一次需求。

另外还要看这门语言的内容有多旧多薄。有条目但五年没人动、只有一百多字的格子，实际难度跟完全空着差不多，机会同样大。

这些空格子会不会很快被别人填上？

速度比想象中慢。公共知识的填补是以年为单位的：洗衣机这个条目在英语里存在了19年，21门语言里才补上10门，平均每年0.51门。

会加速这个过程的因素有两个：一是批量生成内容的成本降到接近零，二是这门语言的编辑人群在增长。第二个因素可以直接查，把新建量和编辑人数的年度趋势拉出来看方向。

保险的做法是做完之后每半年复查一次那几个格子，看有没有第二份内容出现。这个复查跟第一次的查法一样，五分钟，比看流量报表更接近这件事的本质。

用什么词去查，用英语还是本地语言？

用本地语言，而且要用跨语言链接找过去，不要自己翻译。同一个概念在不同语言里的条目标题经常不是直译，自己翻的词很可能查不到已经存在的条目。

做法是先在英文维基上找到这个概念的条目，然后从侧边的语言列表里点到目标语言。这一步同时能拿到这个概念在这门语言里的标准说法，写内容的时候用得上。

要批量跑的话，用概念的实体编号一次拿到它在所有语言的标题，一个请求几十个概念。这比逐个搜快得多，也不会因为翻译不准漏掉。

条目字节数这个指标可靠吗，会不会被模板撑大？

会，这是它最大的问题。信息框、分类标签、参考文献列表都算在字节里，一个只有两句正文的条目可能因为挂了一堆模板而显得不小。

所以字节数只适合做量级判断，不适合做精确比较。1.4%和25.6%的差别是真的，14%和16%的差别不必当真。

要更准的话得把渲染后的正文抽出来单独数，那要多一步抓取。做初筛的时候不值得，做最终决策的时候可以对排在最前面的那几个词单独做一遍。

这套缺口分析，中文市场用得上吗？

整体上用不上，中文的公共知识在覆盖率这一层已经很厚，缺口地图基本全绿。

但换一个粒度就有用了。如果你做的是一个很细的垂直领域，同样可以问：这个领域里的基础概念有没有一份说得过去的公开表述。答案往往是有，但都很旧，或者都是互相抄的。

做法上要换个数据源，中文没有一个像维基那样公开修订史的地方，只能靠实搜和抽样。结论会粗糙一些，但那个提问方式——不问竞争多不多，问最基础的那一份写好了没有——是可以直接搬的。

权威参考资料