LLMのクエリ再構成が変えるGEOキーワード調査「FAN手法」実践ガイド

例えば、チームの誰かがPerplexityに「エンタープライズ企業のマーケティングチームに最適な競合インテリジェンスプラットフォーム」と入力したとします。

Perplexityがコンテンツを1件検索・取得する前に、大規模言語モデル（LLM：Large Language Model）はそのクエリを十数個のサブクエリへと分解します。例えば、「競合インテリジェンスソフトウェアとは何か」「競合インテリジェンスプラットフォームの比較」「エンタープライズ向けマーケティング分析ツール」「CIプラットフォームの選び方」などです。

これらのサブクエリはそれぞれ独立して検索され、個別に評価・順位付けされた後、最終的にユーザーが目にする1つの回答へと統合されます。

自社コンテンツが元のクエリに最適化されていたとしても、その回答の中で引用されるかどうかは、LLMが生成したサブクエリをどれだけ網羅できているかで決まります。しかも、それはユーザーが実際には入力していないクエリであり、これまでSEO担当者が追跡していないクエリでもあります。

私は20年間SEOに携わってきました。キーワードスタッフィングの時代も、パンダアップデートも、セマンティック検索の台頭も、モバイルファーストインデックスへの移行も経験してきました。しかし、そのたびに変わらなかった問いがこれです。「このページは、どの検索クエリで上位表示されるべきか？」

ところが今、SimilarwebでGEOおよびAEO戦略を統括する立場として、私が自問しているのはまったく別の問いです。それは、「ユーザーの起点となる質問（アンカークエリ）から、LLMはどのようなサブクエリを生成するのか。そして、自社のコンテンツ群は、それぞれのサブクエリに対して引用される対象になり得るのか？」

この2つ目の問いこそ、多くのSEOチームが気づかないうちにAI検索での可視性を失っている原因になっています。これはSEO戦略の構造的な問題です。iPullRankとSimilarwebの共同調査によると、AI検索のクエリは平均70〜80語に及ぶのに対し、従来のGoogle検索は3〜4語程度です。

クエリが長く複雑になるほど、分解される範囲は広がり、サブクエリの対象範囲も広がります。

そして、Similarwebの2026年AIブランド可視性レポートがその重要性を裏付けています。消費者の35%が購買検討の「情報収集・アイデア出し」段階でAIツールを使用しているのに対し、同段階で従来の検索エンジンを使用するのはわずか13.6%です。AIの回答に登場できなければ、そもそも比較検討の候補に入りません。

 

一方で、従来のSEO戦略は今もなお「1ページ1キーワード」の最適化を中心に組み立てられています。しかしこのモデルでは、1つの回答が複数の独立した検索結果から構成されるLLM検索において、回答内で獲得できる接点がごく一部に限られてしまいます。

この記事は、クエリファンアウトとは何かを改めて解説するものではありません。それを説明した記事はすでに存在します。ここで伝えたいのは、その結果として実務で明日から何を変えるべきかです。

LLM検索において従来の「キーワードとページを1対1で対応させる」モデルがなぜ構造的に機能しないのか、クエリ再構成のプロセスが実際にどう動くのか、そして私がSimilarwebで使っているGEO向けの新しいキーワード調査手法（実用的なフレームワークとファンアウトマッピングテンプレート付き）について説明します。

LLMはユーザーの「検索クエリ」を実際にどう処理するのか？

クエリ再構成（Query Reformulation）とは、LLMがユーザーの元の入力クエリを1つ以上の最適化された検索クエリに変換してから、情報を取得するプロセスです。ユーザーが送信したクエリと、LLMが実際に検索するクエリの間に生まれるギャップに、既存のキーワード戦略が気づかぬまま通用しなくなっている落とし穴があります。

このメカニズムは、学術文献では「Rewrite-Retrieve-Read（書き換え→取得→読解）」の処理プロセスとして記録されており、GoogleのThematic Search（テーマ検索）特許でも確認できます。

実際には、1つのユーザークエリがコンテンツ取得前に少なくとも5つの変換プロセスを経ます。

1. 検索意図の解析： LLMがユーザーの本当の目的を分類します。表面的なトピックではなく、根底にあるタスクを把握します。
2. クエリ書き換え： 生の入力を整理・明確化・曖昧さを解消します。スペルミスの修正、専門用語や略語の補完、暗黙の文脈を明確化します。
3. クエリファンアウト（分解）： クエリが6〜20のサブクエリに分岐し、それぞれが元の検索意図の異なる側面を対象とします。Googleはこれを2025年のGoogle I/OのAI モードブログ投稿で公式に説明しています。「AI モードはクエリファンアウト技術を使用し、質問をサブトピックに分解して、ユーザーに代わって多数のクエリを同時に実行します」とのことです。
4. 並列検索： サブクエリがインデックス全体で同時に検索されます。各サブクエリが独立した候補ドキュメントのセットを取得します。
5. チャンク（情報のまとまり）のスコアリングと統合： 取得された情報のまとまりが各サブクエリとの関連性で順位付けされ、最終的な回答として組み立てられます。LLMが取得するのはページ全体ではなく、段落やセクション単位のまとまりです。この違いは、コンテンツ設計の考え方を大きく変えます。

主要AIプラットフォームごとの処理の違い

ファンアウトの仕組み自体は各プラットフォームで共通していますが、実装方法はそれぞれ異なります。そのため、各プラットフォームで生成されるサブクエリの重点領域が異なる場合があり、留意する必要があります。

このデータから私が得た実践的な教訓としては、同じコンテンツ戦略がすべてのAIプラットフォームで同じように機能するという思い込みは禁物、ということです。

トピックを自己完結的に、かつ網羅的に扱うコンテンツは、どのプラットフォームでも取得されやすくなります。しかし、同じアンカークエリに対して各プラットフォームが生成する具体的なサブクエリは異なる場合があります。

すべてを変える「不安定性」の問題

多くのクエリファンアウト解説が見落としているポイントがあります。それは、LLMが生成するサブクエリは非決定的（毎回同じ結果になるとは限らない）だということです。同じクエリを複数回検索した場合、ファンアウトのサブクエリで一貫して出現するのはわずか27%であり、66%は1回しか出現しません。

これはシステムのバグではありません。アーキテクチャの仕様です。LLMは設計上、確率的に動作するものであり、そのファンアウト動作はユーザーのコンテキスト、セッション履歴、プラットフォーム、モデルのバージョンによって形成されます。

同じ質問をする2人の異なるユーザーが、異なるサブクエリ分解をトリガーし、異なる回答を受け取る可能性があります。

キーワード調査への影響は大きいです。特定のLLMの回答を逆引きしてサブクエリを見つけたとしても、明日も同じサブクエリが出現するとは限りません。

固定されたサブクエリリストへの最適化は、動く的を追いかけることと同じです。あるトピック領域のセマンティックカバレッジを幅広く最適化し、LLMがどのサブクエリを生成しても自社コンテンツが候補として挙がる状態を作ること。それが唯一の持続可能なアプローチです。

なぜ「1ページ1キーワード」はLLM検索で構造的に破綻するのか？

従来のキーワードとページを1対1で対応させる手法は、「コンテンツはユーザーが入力したクエリで競合する」という前提に立っています。しかしLLM検索では、そのクエリはコンテンツが取得される前に6〜20のサブクエリに即座に分解されます。

1つのキーワードに最適化されたページは、各サブクエリで2〜7個のソースしか引用しないシステムにおいて、その内の1つにしか入れません。

この構造は非常にシビアです。

従来のGoogle検索では、1位を獲得すればそのキーワードを検索するすべてのユーザーに対して表示されます。

LLM検索では、1つの回答を構築するために複数の独立した検索が行われるため、複数のサブクエリで同時に引用候補になっている必要があります。

大本のクエリのみをカバーするページは、技術的には関連性があっても、最終的な回答に完全に含まれない可能性があります。

実データで見てみましょう。Similarwebのキーワードインテリジェンスから「クエリファンアウト」を調べると、2026年1月時点で米国で月間2,764件の検索数、キーワード難易度20、有料検索の競合はほぼゼロです。

同じキーワードのゼロクリック率は67%で、検索の半数以上がSERP上でAIによって直接回答され、どのWebサイトもクリックされていません。このクエリの可視性はもはや検索順位の問題ではありません。

引用の問題です。

一方、親キーワードの「生成エンジン最適化（GEO：Generative Engine Optimization）」は難易度85、競合スコア66です。

多くのSEO担当者が参入しようとしている領域はすでに飽和しています。これらのトピックからファンアウトするサブクエリ空間（具体的な側面、比較、方法、事例）にはほとんど競合がいません。

引用される機会はそこにあります。

従来のキーワード調査が「間違っていること」と「正しいこと」

従来のキーワード調査は死んだ、と宣言するのは短絡的です。従来のキーワードデータ（検索ボリューム、難易度、検索意図分類、CPC）は今も有用です。ただし、役割が変わりました。

GEO対応のワークフローでは、私は従来のキーワードデータを優先順位決めに使っています。ファンアウト空間内のどのサブクエリが独立したコンテンツに値するのか、それともセクションレベルの網羅で十分か、などの疑問を解決するための参考データとなります。

月間500件の検索があるサブクエリは独自の記事が必要です。50件のサブクエリは200語のサブセクションで対応できるかもしれません。従来のキーワードデータがその判断に役立ちます。

従来のキーワード調査が答えられないこととしては、LLMがどのサブクエリを生成しているか、どのサブクエリにどのコンテンツチャンクが取得されているか、AI生成回答におけるブランドの可視性、コンテンツアーキテクチャがチャンクレベルの取得をサポートしているか、などです。

これらに答えるには別のツールと別の思考モデルが必要です。

FAN手法：AEOとGEOのための改訂版キーワード調査ワークフロー

私はこれをFAN手法と呼んでいます。LLMがクエリを分解する現実に合わせて、キーワード調査を再構成するための3要素フレームワークです。これは従来のキーワード調査を置き換えるものではありません。キーワード調査の目的を再定義するものです。

F: Fan-out Mapping（ファンアウトマッピング）： コンテンツを1本作る前に、ターゲットトピックのサブクエリ空間全体を特定・文書化する。

A: Authority-Signal Alignment（権威シグナルの適合）： すべてのコンテンツ（段落・セクション）に、GEOの研究で「AIの引用率を高める」と実証されているデータや統計を必ず含める。

N: Node Architecture（ノードアーキテクチャ）： 引用されやすいように、各セクションを単体で成立する「独立した情報のかたまり」として構成する。

それぞれを実践する方法を説明します。

F：ファンアウトマッピング

ファンアウトマッピングは、新しいシードキーワード調査です。短いキーワードから外に広げていくのではなく、実際にユーザーがAIエンジンに尋ねる会話型のアンカークエリ（通常15〜25語）から始め、そのサブクエリ空間を分解します。

アンカークエリを見つける

アンカークエリは3つの場所から集めています。

①営業チーム・カスタマーサクセスチーム 見込み客が実際の商談や会話の中で口にする質問です。検索ボックスに打ち込む言葉ではなく、人に話しかけるときの自然な言い回しが手に入ります。

②サポートチケット・オンボーディング時の質問 ユーザーが困ったときに書く文章は、AIエンジンへの問いかけに近い自然な質問形式になりやすいです。

③AIエンジンへの直接入力と検索ステップの観察 自社のコアトピックをAIエンジンに実際に質問し、そのAIが内部でどんな検索ステップを踏んでいるかを確認する方法です。

Similarwebのコンテンツの場合、「AI回答でブランドの可視性をどう追跡するか」がアンカークエリです。「AI検索での可視性」はシードキーワードです。

アンカークエリは、人々がAIエンジンに話しかける内容です。シードキーワードは、SEO担当者がコンテンツ戦略を考える従来の内容です。生成エンジン最適化（GEO：Generative Engine Optimization）では、まずアンカークエリから考える必要があります。

ファンアウト空間を分解する

各アンカークエリについて、LLMが生成するサブクエリタイプをマッピングします。すべてのアンカークエリは、少なくとも7種類のサブクエリカテゴリにファンアウトします。

これが私の言うファンアウトカバレッジ監査です。「網羅済み？」が「いいえ」ならば、それが作成すべきコンテンツです。

A：権威シグナルの適合

プリンストン大学、ジョージア工科大学、IITデリーによるGEOの基礎研究では、GEO-Benchベンチマークを使用して複数の最適化戦略のLLM引用率への影響をテストしました。

この研究結果は、私のコンテンツ作成のやり方を根本から変えました。統計データの追加（定性的な説明の代わりに定量的なデータを含めるようにコンテンツを修正すること）により、可視性が最大41%向上しました。一方、キーワードの詰め込みは、最適化されていないベースラインを下回る結果となりました。

この事実は重要です。

統計データを追加すると引用率が41%改善します。キーワードを詰め込むと逆効果になります。

これは、GEOコンテンツのすべてのセクションに、最低でも1つの自社固有の定量的主張が必要だということです。Similarwebのコンテンツであれば、キーワードボリュームデータ、AI流入トラフィックの推移、ゼロクリック率、Similarweb AIトラッカーからの引用頻度などです。

自社コンテンツであれば、他の誰も引用できないあなた固有の一次データです。

同じ研究では、引用の追加（権威ある情報源からの信頼できる引用や参照を追加する）が可視性を28%改善したことも示されました。外部リンク戦略は今やGEOシグナルでもあります。

プリンストン大学の原著論文、Googleの特許、Googleの公式ブログ投稿を引用するというのは、単なる適切な出典明記ではありません。これらは「引用に値する」というシグナルです。

AutoGEOの研究でも、Gemini、GPT、Claudeがコンテンツ選好ルールを78〜84%共有していることが確認されています。つまり、コンテンツを引用されやすいものにするシグナルは、プラットフォーム間でほぼ一貫しています。

そのため、私はAIエンジンごとに別々の戦略を作っていません。よく構造化された、データが豊富な単一のコンテンツエコシステムを構築しています。

N：ノードアーキテクチャ

LLMはページを取得しません。文章の断片を取得します。3,000語の記事全体が取得単位になるわけではなく、個々の段落やセクションが取得単位になります。つまり、コンテンツの構成自体がキーワード調査の結果です。

ノードアーキテクチャとは、コンテンツを構成する際、重要な各セクションが独立した、個別に取得可能な単位となるように設計することを指します。つまり、記事の前の部分からの文脈を必要とすることなく、1つのサブクエリに対して完全に回答できるようにする、ということです。

私が従うノードアーキテクチャの3つのルールは以下です。

ルール1：すべてのH2は単独で完結する直接回答から始める

すべてのH2セクションの最初の30〜60語は、そのセクションの問いに完全に答えなければなりません。まるで読者やLLMがそのセクションだけを見る前提で書きます。「先ほど述べたように」や前のセクションへの代名詞的な言及はNGです。

ルール2：定義を必ず明示する

概念を説明する際は、「多くのSEO担当者が聞いたことのあるクエリ再構成」などと含みを持たせた表現は避け、「クエリ再構成とは、LLMがユーザーの元の入力を検索クエリへと変換するプロセスである」のように明示的に定義すること。LLMは定義文を照合して抽出するため、文脈に依存した暗黙的な定義では、情報抽出の対象外となってしまいます。

ルール3：統計データには必ず「完全な文脈」を持たせる

定量的な主張を行う際は、数値、母集団、事象（アクション）、対象期間、および情報源をすべて明示すること。例えば、「同一クエリにおける複数回の検索において、一貫性を維持するファンアウトのサブクエリは27%に留まる」という書き方なら、AIに引用される基準を満たします。一方で、「ファンアウトは不安定である」といった曖昧な書き方では、AIに引用される基準を満たしません。

ステップバイステップ：GEOキーワード調査ワークフローの実践

ここではFAN手法を適用する手順を説明します。これは従来のキーワード調査ワークフローを置き換えるのではなく、拡張するものです。

1. アンカークエリを定義する コアトピックについてユーザーがAIエンジンに尋ねる会話型の質問を5〜10個収集します。15〜25語の質問形式であるべきです。情報源：営業電話、サポートチケット、コミュニティフォーラム、AIエンジンへの直接テスト、など。
2. ファンアウトカバレッジ監査を実施する 各アンカークエリについて、7種類のサブクエリタイプをマッピングします。既存コンテンツと照合し、ギャップを記録します。
3. ギャップリストに対して従来のキーワード調査を実施する カバーできていないすべてのサブクエリを、Similarwebのキーワード分析ツールで検証します。検索ボリュームと難易度に基づき、そのテーマを独立した記事として扱うべきか、あるいは既存の記事内のセクションとして扱うべきかを判断します。
4. FANの基準に沿ってコンテンツを設計する すべてのコンテンツ設計書には、アンカークエリ、ファンアウトマップ、出典を明記した統計データ、ノードアーキテクチャの要件、および内部リンクを明記する必要があります。キーワードマッピングは引き続き有効ですが、キーワードをページに対応させるのではなく、サブクエリをコンテンツ単位に対応させるという違いがあります。
5. 既存コンテンツのファンアウトカバレッジを監査する トラフィックを最も多く集めている上位20ページを抽出し、ファンアウトマッピングの分析を行うことをお勧めします。各ページはいくつのサブクエリタイプを網羅しているでしょうか？1つのサブクエリタイプしか扱っていないページは、引用に弱い傾向があります。つまり、従来の検索順位が高くても、そのトピックに関するLLMの回答からは完全に除外されてしまう可能性があります。

GEOキーワード設計書テンプレート

このワークフローに使えるテンプレートはこちらから無料でコピーできます。

このワークフローに使えるテンプレートはこちらから無料でコピーできます。

プロのやり方：GEOキーワード調査ワークフローを自動化する

調査方法をステップバイステップで理解したところで、次の段階である自動化について説明します。

このワークフロー全体を数分で実行したい場合は、私が実践していることをそのまま試せます。

1. Similarweb MCPサーバーをClaudeに接続する
2. フレームワークに従って関連データを取得するスキルを作成する
3. SimilarwebのブランドガイドラインとGEO設計書テンプレートを読み込む

これだけです。SEOだけでなくAEOとGEOのニーズも考慮した、コンテンツ設計書作成のための簡単で再現性のある手順です。

計測をやめるべきこと、始めるべきこと

測定基準の変化は、手法の変化から必然的に生じるものです。もし今なお、主にキーワード順位を報告しているなら、それは間違った指標を測定していることになります。

キーワード順位をGEOの主要KPIとして扱うのはやめましょう。

SEOClarityは2025年11月の1週間にChatGPTが引用した上位1,000件のURLを分析したところ、その25%はGoogleにおけるオーガニック検索での可視性がゼロだったことを発見しました。

Status Labsの引用調査データによると、ChatGPT、Perplexity、Copilotによって引用されたURLのうち、Googleのトップ10にランクインしているのはわずか12%です。順位は依然として「参加資格」（インデックスに登録され、検索可能でなければ検索結果に表示されない）ではありますが、もはや「評価基準」ではありません。

キーワード密度の追跡もやめましょう。キーワードの詰め込みは、最適化されていないベースラインよりも低いパフォーマンスしか発揮しません。密度は、LLMが評価するシグナルではないのです。

LLMでの可視性に実際に関係する測定指標は以下です。

ゼロクリックの指標は特に注目すべきです。私のSimilarwebキーワードデータによると、「クエリファンアウト」は2026年1月時点でゼロクリック率67%です。

このキーワードを検索している人の半数以上が、どのWebサイトにもアクセスせずに回答を得ています。このような検索では、AI OverviewやPerplexityの回答で引用されることが可視性そのものです。順位追跡だけでは、この点を完全に見逃します。

キーワード設計書は廃れていない。より重要な役割へと進化したのだ。

従来のキーワード調査が答えていたのは、「このページはどの正確なフレーズで検索順位を上げるべきか」という一つの問いでした。

GEOに対応したキーワード調査が答えるのは、根本的に異なる問いです。それは、「ユーザーのAI検索行動から派生するあらゆるサブクエリの完全な意味空間において、私たちのコンテンツが存在し、引用される可能性のある場所はどこか」という問いです。

2つ目の問いに答えるのはより難しいです。これに回答するにはシードキーワードではなくアンカークエリをマッピングし、キーワード密度ではなくファンアウトカバレッジを監査し、検索順位ではなくAI引用頻度を計測することが必要です。

ワークフローはより複雑になり、テンプレートは長くなり、思考は機械的ではなくなります。

しかし、今こそチャンスが訪れています。AIエンジンの可視性はメインキーワードではなくサブクエリ空間で勝ち取られると理解している実務者が、業界の他社が追いつく前にLLMでのトピック権威性を確立するでしょう。

従来のSEOは依然として入口です。LLMがファンアウトするサブクエリに対して、インデックスされ、可視化されている必要があります。しかし、検索順位だけで勝負が決まる時代は終わりました。

勝負で本当に重要なのは、ユーザーのアンカークエリからLLMがどんなサブクエリを生成しても、自社コンテンツがその大部分で引用候補になれるほど網羅的なコンテンツエコシステムを構築することです。

これはキーワード設計書のマイナーアップデートではありません。キーワード調査自体の新しい役割定義です。

よくある質問

LLM検索におけるクエリファンアウトとは何ですか？

クエリファンアウトとは、LLMを利用した検索エンジンが1つのユーザークエリをコンテンツ取得前に複数のサブクエリに分解するプロセスです。Googleはこのメカニズムを2025年のGoogle I/Oで正式に命名しました。一般的なクエリは6〜20のサブクエリに展開され、それぞれが独立して検索され、結果が1つのAI回答に統合されます。

クエリ再構成とクエリファンアウトの違いは何ですか？

クエリ再構成は、LLMが検索前にユーザーの入力内容を整理し、検索しやすい形に変換する一連の処理です。具体的には、入力内容の表記ゆれや曖昧さを補正し、意図が伝わりやすい検索クエリへ書き換えます。

一方、クエリファンアウトは、その一連の処理の中に含まれる1つのステップです。書き換えられたクエリを単一の検索だけで終わらせるのではなく、複数のサブクエリに分解し、それぞれを並列で検索します。

つまり、クエリ再構成は検索前の変換プロセス全体、クエリファンアウトはその中でクエリを複数に分岐させる工程です。多くのLLM検索システムでは、この2つを順次実行しています。

従来のキーワード調査はGEOでもまだ重要ですか？

はい。ただし、役割は主要ターゲットから優先順位付けツールへと変化しました。従来のキーワードデータ（検索ボリューム、難易度、検索意図）は、ファンアウト空間内のどのサブクエリに対して、独立した記事を作成すべきか、あるいはセクションレベルでの取り上げで済むかを判断する手助けとなります。

従来の調査では、LLMがどのサブクエリを生成しているか、またコンテンツがチャンクレベルでどれだけ取得されやすいかまではわかりません。

なぜキーワードの詰め込みはGEOのパフォーマンスを低下させるのですか？

プリンストン大学、ジョージア工科大学、IITデリーの研究者によるGEO-Benchの研究によると、キーワードの詰め込みはLLMエンジンにおいて最適化されていないベースラインを下回るパフォーマンスを示します。LLMはキーワードの繰り返しではなく、意味的な関連性、構造的な明確さ、定量的なデータを評価します。同研究では、コンテンツに統計データを追加するとLLMの引用率が最大41%改善した一方、キーワードの詰め込みは可視性を著しく低下させることが示されました。

ターゲットトピックに対してLLMが生成するサブクエリはどうやって見つけますか？

私が使っている3つの実践的な方法は以下です。

1. GeminiのAPIがfanout_queriesを明示的なパラメーターとして返す
2. Perplexityの「Steps」タブが検索中に生成するサブクエリを表示する
3. Google AI モードの可視化された検索ステップがGeminiのサブクエリをリアルタイムで表示する

トピッククラスター全体での体系的なファンアウトマッピングを自動化するには、SimilarwebのAI SEO 戦略エージェント（AI搭載のSEO戦略支援ツール）が役立ちます。

このアプローチはChatGPT、Perplexity、Claude、Google AI モードで同様に機能しますか？

概ね有効です。AutoGEOの論文では、Gemini、GPT、Claudeはコンテンツ選好ルールの78〜84%共有していることが示されており、これは引用されやすいシグナルがプラットフォーム間でほぼ一貫していることを意味します。違いは程度の問題です。Perplexityは権威ある引用を重視し、Google AI モードはエンティティ間の関係性を把握するためにナレッジグラフを活用し、ChatGPTの検索モードは約31%のプロンプトでWeb検索を実行します。FAN手法の核心となる原則である、網羅的なファンアウトカバレッジと、データが豊富なアトミックチャンクは4つのプラットフォームすべてに適用されます。

クエリファンアウトとトピッククラスタリングの違いは何ですか？

クエリファンアウトはLLMが行う処理で、検索時に単一のユーザークエリを複数のサブクエリに分解することです。トピッククラスタリングはあなたが行う作業で、コンテンツをハブページと関連記事に整理して、あるテーマを網羅的にカバーすることです。トピッククラスタリングは、クエリファンアウトという現実に対する、コンテンツ戦略としての対応策です。7種類のサブクエリタイプ（定義、比較、方法、活用例、反論、エンティティ拡張、指標）にマッピングしたトピッククラスターを構築すると、コンテンツはファンアウト空間全体で検索可能になります。