En este artículo
En nuestro sector, apenas hay tiempo para pensar de verdad en el origen de las decisiones estratégicas de posicionamiento. Cuando decimos que queremos posicionar un sitio web, solemos basarnos en nuestros conocimientos previos sobre SEO. Esto parece obvio hasta que investigamos más a fondo qué hacemos exactamente nosotros, como proveedores de SEO, al tomar esas decisiones.
Al estudiar los factores importantes para el SEO, la rutina tradicional consiste en analizar nuestras observaciones con lupa. Revisamos las últimas actualizaciones del algoritmo de <a href="https://seodemia.es/blog/como-utilizar-google-<a href="https://seodemia.es/blog/como-utilizar-google-trends-para-generar-ideas-de-contenido-seo/» title=»Ver más sobre trends»>trends-para-generar-ideas-de-contenido-seo/» title=»Ver más sobre google»>Google. Analizamos cientos de casos prácticos para comprobar qué ha funcionado y qué no. Incluso vimos vídeos de YouTube, como todos los demás, para obtener consejos y orientación externos.
Todos tenemos una mentalidad predictiva
Nos dimos cuenta de que, en realidad, cada decisión de SEO que tomamos es un paso para predecir el mejor resultado posible. Cuando decimos que identificamos problemas de SEO en un sitio web, en realidad queremos decir que, si los solucionamos, teóricamente tendrá un impacto positivo en nuestro posicionamiento.
Descubrimos que toda decisión de SEO se basa en una predicción. Eso es todo. En realidad, no sabemos cuál será el resultado de nuestras acciones hasta que medimos las clasificaciones después de que Google haya visto nuestros cambios y determinado el valor del resultado.
Por ejemplo, si optimizamos los títulos y las meta descripciones, o escribimos contenido semánticamente relacionado con las palabras clave que queremos abordar, deberíamos obtener mejores resultados. Al menos en teoría.
Pero si ese es el caso, ¿por qué no siempre se garantiza la certeza de los resultados? A veces, las clasificaciones no suben o, en el peor de los casos, incluso bajan.
Como expertos en SEO, a veces nos quedamos perplejos al preguntarnos por qué Google no ha tenido en cuenta nuestros cambios o por qué nuestras estrategias, a pesar de nuestros mejores intentos, han dado resultados menores a los esperados.
Tendemos a terminar reflexionando, revisando, viendo más videos de YouTube y leyendo más foros de discusión de Reddit, y preguntando a más personas sobre lo que está sucediendo hasta que llegamos a una nueva respuesta.
Cuando finalmente concluimos nuestros nuevos hallazgos, hacemos otra predicción con la esperanza de obtener mejores resultados.
Con el tiempo, se han desarrollado numerosas herramientas para solucionar al menos los problemas de SEO más comunes o básicos. Herramientas como SEMRush pueden indicarnos si los títulos y las meta descripciones están completos o proporcionar cientos de sugerencias automatizadas. Sin embargo, la información suele carecer de contexto, por lo que corregir los problemas que presentan estas herramientas no necesariamente mejorará el posicionamiento de la palabra clave que queremos.
También existen herramientas que pueden analizar todo tu sitio web e identificar problemas que se consideran perjudiciales para el SEO. Sin embargo, los análisis automatizados se clasifican como «bots no inteligentes». Nunca hemos experimentado una avalancha de tráfico en un sitio web ni una sobrecarga de posiciones de palabras clave como resultado de la corrección de problemas automatizados. Fue entonces cuando realmente nos dimos cuenta.
Empezamos a darnos cuenta de que, en realidad, es necesario tomar decisiones para alcanzar un mayor nivel de comprensión cognitiva del funcionamiento de Google. El reto es que el motor de búsqueda de Google es cada vez más complejo e inteligente.
Un aspecto que Google no puede obviar es que su motor de búsqueda debe ofrecer resultados relevantes. Y es precisamente este factor de relevancia el que lo mantiene anclado en el lado humano de los resultados.
Como algoritmo que, en última instancia, define la búsqueda de Google, concluimos que el objetivo de Google a lo largo de los años ha sido imitar la mejor experiencia posible al buscar. Parece obvio, pero hemos observado que la mayoría de las agencias de SEO no lo ven así.
Los resultados deben ser relevantes, las tendencias importantes deben estar entre las más destacadas, y dos personas pueden obtener resultados diferentes para lograr la mejor experiencia. Sin embargo, para un experto en SEO, inmerso en tecnicismos, directrices de Google o los cientos de vídeos que hemos visto, esta mentalidad se nos escapa.
El problema es que existen más de 300 factores diferentes relacionados con las clasificaciones. ¿Cuáles son los más importantes? Gestionar los factores de clasificación puede ser abrumador.
Predicción de sucursales SEO
Debido a todas las complejidades, al tomar decisiones de SEO, nos gustaría asegurarnos de que lo hacemos con el objetivo de maximizar el posicionamiento. De hecho, al elegir una estrategia de SEO, estamos estableciendo una probabilidad en nuestra mente.
En realidad, apostamos, como en una partida de póker, donde jugamos las cartas que nos reparten e intentamos ganar. En cada turno, nos enfrentamos a una decisión, mediante la cual nos desviamos para tomar el camino que predecimos que nos dará los mejores resultados.
Los mejores de nosotros harán conjeturas fundamentadas basadas en la experiencia, las observaciones, las herramientas y los resultados anteriores. Los peores de nosotros bien podrían ser jugadores.
En un juego de estadística probabilística y toma de decisiones, nadie mejor que las máquinas, y en particular la IA. La inteligencia artificial, en especial el aprendizaje automático, está diseñada para tomar decisiones basadas en un resultado probabilístico a partir de la revisión de patrones, reglas o datos del entorno natural.
En el caso de Google, se trata de un espacio construido artificialmente, pero que aún así está limitado por reglas y construcciones.
Al profundizar en este tema, nos preguntamos: si la IA puede ser mejor que nosotros en este juego, ¿deberíamos confiar en ella para que tome las decisiones por nosotros? ¿O al menos mostrarnos sus decisiones para que podamos tomar mejores decisiones?
Sin nuestros prejuicios, sesgos ni cualquier otro tipo de juicio deficiente, la IA puede tomar decisiones basadas exclusivamente en datos, en todo momento y a cualquier hora. Además, nos resulta muy difícil tomar decisiones basadas en 300 factores diferentes.
Revisar cada factor de SEO con minuciosidad se está convirtiendo en un desafío para la mayoría de las agencias, freelancers y expertos en general. A menos que trabajes solo en un número reducido de sitios o para una empresa donde puedas dedicar el 100% de tu tiempo a uno o dos proyectos, debemos tomar decisiones difíciles sobre el tiempo dedicado a cada proyecto.
El “dilema del análisis”
La mayoría de los propietarios de agencias con los que hemos hablado no cuentan con los recursos necesarios para contratar equipos de analistas SEO que realicen la debida diligencia necesaria para realizar un análisis exhaustivo de cada proyecto de SEO. Algunas agencias simplemente especifican claramente cuántas horas pueden dedicar a un proyecto cada mes.
Lo que sucede es que las agencias o los autónomos confían principalmente en herramientas de automatización como SEMRush o Ahrefs (que nosotros también hacemos) para señalar los problemas más obvios y, en general, se atienen a las últimas directrices sobre estrategias de SEO en función de lo que saben que funciona o no en la búsqueda de Google.
En general, un método de «top-of-mind» puede funcionar bastante bien, pero también tiene inconvenientes. Por ejemplo, no es posible adaptarse con la suficiente rapidez cuando se producen cambios en el algoritmo de Google o cuando hay una gran fluctuación en las clasificaciones. O si tus decisiones son erróneas, tienes que dar marcha atrás y hacer algo para mejorar tu posicionamiento.
El otro problema es lo que se conoce como el «dilema del análisis». Es decir, solo se dispone de un tiempo determinado al día o de un número limitado de personas y recursos disponibles para analizar un proyecto específico antes de que se vuelva económicamente imposible.
Como resultado, las agencias y los freelancers a menudo tienen que tomar decisiones difíciles. ¿Cuánto tiempo se puede dedicar a un proyecto antes de que deje de ser rentable? En 2018, Seodemia se encontró al límite de lo que podíamos hacer por cada proyecto.
Si dedicábamos demasiado tiempo a un proyecto en particular, perdíamos tiempo para otros proyectos. Por lo tanto, tuvimos que encontrar una solución antes de perjudicar el rendimiento SEO de nuestro cliente.
Aprendizaje automático predictivo de SEO
Seodemia llevaba desarrollando tecnología propia de análisis CORE mucho antes de que el dilema del análisis se convirtiera en un problema. Sin embargo, el análisis CORE se basaba inicialmente en reglas y no era compatible con el aprendizaje automático. A finales de 2018, experimentamos con inteligencia artificial, concretamente con redes neuronales. De forma similar a cómo nuestro cerebro contiene sinapsis neuronales, un modelo de IA basado en aprendizaje automático simuló cómo nuestra mente resuelve problemas.
La IA tiene la ventaja de poder adaptarse a una gran cantidad de factores de entrada y puede resolver problemas rápidamente de maneras que los humanos no pueden.
La idea era que si entendíamos el SEO como un tipo de modelado predictivo en nuestras mentes, entonces hacer que una máquina haga el mismo trabajo es una cuestión de transferir nuestros métodos mentales a un sistema informático.
En 2018, inventamos un método basado en aprendizaje automático y redes neuronales artificiales para acelerar el proceso de análisis SEO y así poder solucionar el problema del dilema del análisis.
Las redes neuronales se basan en una matriz de nodos cuyos valores se desconocen hasta que se entrenan con datos de entrada. Con un conjunto de datos entrenados, la red neuronal modela su comportamiento para operar con una nueva entrada y producir una salida diferente.
En términos de SEO, entrenar una IA requiere comprender un conjunto de factores que permiten que un sitio web alcance una posición alta en los motores de búsqueda. Además, los datos provenientes de múltiples sitios ayudan a la IA a comprender cómo los factores influyen en las clasificaciones.
Según los resultados de las pruebas, la IA transformó por completo nuestro análisis SEO y nos resolvió el dilema del análisis. Hasta 2018, Seodemia tenía que invertir cada vez más tiempo en investigación, análisis y toma de decisiones SEO. En el punto álgido, llegábamos a casi 7 horas solo en estrategia.
Esto no contaba el tiempo y el esfuerzo dedicados a la creación de contenido ni a la generación de backlinks. Se trataba simplemente del tiempo dedicado al análisis SEO. Tras la introducción del análisis con IA, redujimos nuestro tiempo de análisis SEO a niveles anteriores a 2010.
Análisis predictivo de SEO
El tipo más básico de análisis predictivo de SEO disponible en el mercado es el que consideramos análisis de tendencias. Este método implica el uso de datos históricos, como las clasificaciones, para predecir un resultado futuro. El método se basa en el análisis de regresión y consiste en el estudio de las tendencias de datos, generalmente mediante ecuaciones lineales o parabólicas, para extrapolar un valor futuro.
Esto suele ser útil si analizamos una tendencia específica, por ejemplo, si los rankings tienden a subir o bajar. Podemos usar el SEO predictivo como indicadores de tendencias de posicionamiento a 1, 3 o 6 meses. Sirven como guía para la dirección general de nuestras estrategias. Sin embargo, las tendencias son menos efectivas si intentamos tomar una decisión estratégica sobre qué factores de SEO requieren mayor atención.
Los factores SEO tienden a reflejarse más en la observación de las mejores clasificaciones y las cualidades que se pueden extraer y que parecen ser las más importantes. Y aunque esto parezca subjetivo, podemos considerar que estos factores influyen en la decisión de Google de posicionar un sitio web.
En lugar de hacer suposiciones sobre qué factores de clasificación importan, el diseño consiste en permitir que la inteligencia artificial decida en función de un patrón construido dentro de sus redes neuronales para determinar una estrategia de clasificación en el futuro.
Si bien no profundizaremos en cómo funcionan las redes neuronales y los lenguajes de máquina, digamos simplemente que el resultado de intentar usar inteligencia artificial para predecir clasificaciones usando solo clasificaciones históricas está limitado en cuanto al valor de esa información.
En esencia, incluso después de muchas iteraciones de entrenamiento, incluso miles, solo se puede obtener una cantidad limitada de información de una única dimensión de clasificaciones.
Sin embargo, esto no significa que sean completamente inútiles. Las redes neuronales nos ayudan a comprender tendencias predictivas que resultan más útiles a largo plazo. Cuantos más datos históricos recopilemos, mejor podremos evaluar y comprender el comportamiento y la estrategia.
En esencia, el sistema, en el mejor de los casos, puede darnos una idea de las futuras clasificaciones y, en el peor, puede mostrarnos si tenemos posibilidades de ir en una dirección negativa. Esta información por sí sola puede ser crucial para comprender el rumbo que toma el barco. Si las clasificaciones tienden a la baja, al menos nos da una advertencia temprana para que reconsideremos nuestras estrategias de SEO.
Inteligencia artificial para la predicción de ramificaciones y aprendizaje SEO real
Usar redes neuronales para predecir clasificaciones futuras basándose únicamente en datos de clasificación no es la forma más eficaz de usar la inteligencia artificial. Una mejor manera de obtener mejores clasificaciones mediante el aprendizaje automático es que este estudie los factores que contribuyen a las clasificaciones más altas, en lugar de las clasificaciones en sí. Por ejemplo, veamos los factores enumerados aquí.
- PA – Autoridad de página
- DA – Autoridad de dominio
- Enlaces – Número de backlinks
- MozRank – Clasificación Moz
- URLTotalBASECount: Total de palabras clave base en la URL
- TitleCount – Número de caracteres en el título
- TitleWordCount – Número de palabras en el título
- TitleEMTCount – Número de palabras clave en el título
- TitleTotalBASECount: Número de palabras clave base en el título
- MetaCount – Número de caracteres en la meta descripción
- MetaWordCount: Número de palabras en la meta descripción
- MetaEMTCount – Número de palabras clave en la meta descripción
- MetaTotalBASECount: Número de palabras clave base en la meta descripción
- H1Count – Número de caracteres en H1
- H1WordCount – Número de palabras en H1
- H1EMTCount – Número de palabras clave en H1
- H1TotalBASECount: Número de palabras clave base en H1
- H2Count – Número de caracteres en H2
- H2WordCount – Número de palabras en H2
- H2EMTCount – Número de palabras clave en H2
- H2TotalBASECount: Número de palabras clave base en H2
- H3Count – Número de caracteres en H3
- H3WordCount – Número de palabras en H3
- H3EMTCount – Número de palabras clave en H3
- H3TotalBASECount: Número de palabras clave base en H3
- BodyCount – Número de caracteres en el cuerpo del texto
- BodyWordCount – Número de palabras en el cuerpo del texto
- BodyEMTCount: Número de palabras clave en el cuerpo del texto
- BodyTotalBASECount: Número de palabras clave base en el cuerpo del texto
Si bien esto solo sirve como una lista no exhaustiva, podemos imaginar que un sistema de IA nos permite ingresar tantas variables como queramos tener en cuenta. Para cualquier palabra clave en particular, podemos examinar los 10 sitios principales y sus atributos para estos factores.
La razón por la que elegimos los 10 mejores sitios es que esos sitios contienen los atributos que Google ha decidido clasificar como los más altos.
Se activa un conjunto de redes neuronales para entrenar a la IA a aprender de cada uno de los factores enumerados para cada uno de los 10 sitios. Entrenar una red neuronal requiere iteraciones. Cuantas más iteraciones ejecutemos, mejor será la convergencia de la IA hacia un resultado fiable.
Ajustar y perfeccionar la IA hasta obtener una conclusión fiable requiere mucho ensayo y error. Debemos tener en cuenta que las redes neuronales son de propósito general. No tienen ninguna característica específica relacionada con el SEO.
Una unidad de IA no puede indicarnos con exactitud los factores SEO más importantes para Google. En cambio, podemos imaginar el interior de la red neuronal como una caja negra.
Lo que surge del análisis de IA es una observación de cómo los factores SEO influyen en la posición de ranking de un sitio.
Para entender qué factores tuvieron influencia, tenemos que comparar el resultado de la IA con los factores de entrada y luego relacionarlos en función de un análisis de brechas adicional.
Bancos de memoria de palabras clave de IA
Una vez entrenada una unidad de IA, podemos tomar una instantánea de su red neuronal y guardarla en conjuntos de datos de bancos de memoria. Cada banco de memoria almacena un conjunto específico de redes neuronales entrenadas para una palabra clave específica. Si quisiéramos entrenar la IA para que comprenda todas las palabras clave de un proyecto, entrenaríamos una unidad de IA con cada palabra clave y almacenaríamos el entrenamiento resultante en bancos de memoria, uno por uno.
Observamos que esta era la única forma consistente de entrenar la IA para que produjera resultados fiables. El problema que debíamos resolver era que cualquier solución de IA que desarrolláramos debía adaptarse a la enorme complejidad del algoritmo de Google.
Imaginemos que tuviéramos que desarrollar una IA capaz de determinar el resultado de las clasificaciones de cualquier palabra clave. Si bien almacenar todo el entrenamiento en una sola unidad de IA es técnicamente viable, implicaría desarrollar un sistema de IA capaz de muestrear factores de clasificación de miles de millones de palabras clave multiplicados por miles de millones de sitios.
Almacenar conjuntos de aprendizaje de IA individuales en bancos de memoria de palabras clave es una forma de aprender eficientemente. Podemos centrarnos en los sitios web más relevantes para una palabra clave sin comprometer la fiabilidad.
De esta manera, cada grupo de redes neuronales se destina a una sola palabra clave. Considérelo como una micromente artificial diseñada para una pequeña campaña de SEO.
Resultados de SEO del análisis predictivo de IA
Una de nuestras mayores preocupaciones en nuestros experimentos era cómo se obtendrían los resultados de nuestro análisis de IA. Debemos tener en cuenta que la unidad de IA no clasifica nuestros proyectos. Una persona participa en la ejecución del plan. Esto nos permitió supervisar cuidadosamente lo que la IA esperaba de nosotros, a la vez que verificamos la validez de sus recomendaciones.
Un algoritmo de IA no nos muestra con exactitud qué factores de posicionamiento fueron los más importantes, pero sí nos indica la diferencia entre nuestro sitio objetivo y los sitios mejor posicionados por Google. A partir de esta diferencia, podemos determinar qué atributos son deficientes en nuestro sitio.
Un análisis competitivo automatizado incorpora las conclusiones de la red neuronal a los datos de los 10 competidores mejor posicionados. Se comparan los factores esenciales para determinar la brecha que impide alcanzar una estrategia SEO óptima.
En nuestra prueba, recopilamos datos de análisis de IA de 3 años (2019-2021) y los comparamos con los de 2018 (antes de la IA) para 500 palabras clave seleccionadas al azar de nuestros proyectos. Los resultados fueron sorprendentes.
Antes de 2019, nuestra tasa de posicionamiento era del 75 %. Tras la introducción del análisis de IA, esta mejoró significativamente. Para 2021, alcanzamos una tasa de posicionamiento del 99 %, lo que significa que la gran mayoría de las palabras clave objetivo alcanzaron una posición superior a 100 en 6 meses o menos.
Las clasificaciones para el período de 6 meses a un año mejoran aún más.
Las clasificaciones entre los 10 primeros también mejoraron significativamente. En 2018, tuvimos una tasa de éxito del 23% en los primeros seis meses. Para 2021, esta tasa mejoró al 72%, casi tres veces mejor que en 2018.
Observaciones adicionales del análisis de inteligencia artificial para SEO
Mensualmente, reentrenamos la IA con cada palabra clave de un proyecto para que pueda re-aprender los 10 sitios mejor posicionados. De esta forma, la IA puede mantenerse al día con las actualizaciones del algoritmo de Google, los cambios en los sitios de la competencia y cualquier otra fluctuación en el posicionamiento.
También podemos introducir nuevos atributos en cualquier momento para permitir que el sistema de IA mejore la precisión de la salida.
Por ejemplo, si incluimos 300 factores, probablemente comprenderemos más acerca de qué atributos de clasificación son los más importantes.
Además, si ampliáramos el experimento añadiendo los 100 primeros puestos, también podríamos obtener una mayor magnitud de cambios en la clasificación. Es importante comprender esto, ya que el aprendizaje automático es más fiable si le proporcionamos más datos.
Cuanto mayor sea el conjunto de datos, más preciso será el comportamiento que podremos adquirir mediante el aprendizaje automático.
En un caso, un sitio de comercio electrónico que desarrollamos comenzó con un dominio nuevo sin backlinks ni historial de presencia en línea. En un lapso de 6 meses, el tráfico orgánico del sitio aumentó a más de 10,000 visitantes al mes, y el cliente reportó que sus ingresos pasaron de $0 a más de $30,000.
Una IA puede ayudar a analizar rápidamente una caída repentina en las clasificaciones e identificar atributos clave para mejorarlas. En nuestro sistema «Eye in the Sky», la IA proporciona a nuestro equipo un sistema de puntuación basado en un número cuantificable de problemas que ha identificado como deficiencias sistemáticas.
Seodemia continúa impulsando la investigación sobre SEO predictivo y análisis de IA. Nuestros
métodos de análisis de IA para SEO y aprendizaje predictivo forman parte de las tecnologías con patente en trámite, disponibles para todos los miembros de nuestra agencia. Si tiene alguna pregunta sobre nuestra tecnología de IA o cómo su agencia puede utilizarla para sus clientes, no dude en
contactarnos .
Deja una respuesta