SEO en la era de la IA
con BigQuery y experimentación
- GSC y GA4 combinados en BigQuery: vista completa desde la consulta hasta la conversión.
- SEO priorizado en función del valor empresarial y optimizado mediante pruebas A/B.
- Céntrese en las conversiones en lugar de en la mera visibilidad, también con vistas generales de IA.
Consejos prácticos para principiantes
Empezar con una consulta relativamente compleja como ésta puede parecer un gran salto, pero no hace falta ser un experto en SQL para sacarle partido. Aquí tienes algunos consejos para empezar:
En primer lugar, defina sus variables: En las primeras líneas de la consulta se definen variables para las fechas de inicio y fin (fecha_inicio, fecha_fin) y las cadenas de variantes del experimento (variante_a, variante_b). Modifíquelas en la parte superior del script para adaptarlas a su prueba específica. Aquí puede personalizar fácilmente el análisis. Se trata de una práctica recomendada que hace que la consulta sea reutilizable y reduce el riesgo de errores.
Empieza ya: No intente comprender todas las líneas de código a la vez. La consulta consta de varias subconsultas (las cláusulas WITH). Cada una de ellas es una pieza pequeña y manejable del puzzle. Ejecute primero sólo la parte gsc_data para ver el resultado, luego la parte variant_data y así sucesivamente. Este enfoque paso a paso le ayudará a construir su comprensión gradualmente.
Concéntrate en los enlaces: La parte más importante de todo el script es la forma en que se enlazan las distintas partes. Observe las sentencias LEFT JOIN en la sección user_level_data. Esto es crucial, ya que garantiza que conservamos todas nuestras variantes de usuarios, incluso las que no se han convertido. Un INNER JOIN eliminaría a los usuarios sin compra, lo que daría como resultado una tasa de conversión sesgada. El LEFT JOIN conserva el grupo de prueba completo, lo que es esencial para un análisis de prueba A/B preciso.
Lee los comentarios: Los comentarios (marcados con -) en la consulta tienen por objeto ayudarle. Explican lo que hace cada sección del código. Léalos atentamente, son su guía a través de la lógica del script.
Utiliza la salida final: El resultado final del script es una tabla con dos partes principales: query_level_results y overall_results. La primera tabla muestra el rendimiento de cada variante para consultas de búsqueda específicas, y la segunda ofrece un resumen general. Aquí encontrará las respuestas a sus preguntas clave: "¿Dónde va bien?", "¿Dónde va mal?" y "¿Dónde hay potencial sin explotar?".
Este guión es algo más que una herramienta de elaboración de informes. Es un marco básico que le ayudará a pasar del análisis a la acción con confianza. Le proporciona los datos precisos que necesita para identificar problemas, formular hipótesis y probarlas con rigor científico.
Desglose de la consulta
Un script como éste puede parecer intimidante a primera vista, pero se basa en un principio sencillo: conectamos diferentes tablas de información utilizando un ID de usuario único. Toda la consulta se crea utilizando una serie de expresiones comunes de tabla (CTE), es decir, las partes que empiezan por WITH. Piense en cada sentencia WITH como un paso lógico y autónomo en nuestro procesamiento de datos. Es como construir con ladrillos de LEGO: se empieza creando unos cuantos bloques sencillos y luego se ensamblan para formar un modelo completo.
Veamos con más detalle cada uno de los "componentes básicos":
gsc_data: Este es nuestro punto de partida. Pedimos a BigQuery que llame a nuestra tabla de Search Console y recupere todos los datos de un periodo de tiempo específico. Esto agrega impresiones, clics y páginas para darnos una línea de base para nuestro rendimiento orgánico.
datos_variantes: Aquí recuperamos datos directamente de nuestros eventos GA4. En concreto, buscamos el evento personalizado que registra a qué variante del experimento (A o B) se expuso un usuario. Esto establece el importante vínculo entre un usuario y la prueba en la que participó.
organic_users: Esta parte de la consulta identifica a todos los usuarios que han llegado a nuestro sitio web a través de una búsqueda orgánica en Google. Nos ayuda a filtrar nuestros datos para garantizar que solo analizamos a los usuarios que son relevantes para nuestro experimento relacionado con SEO.
user_purchases & user_add_to_cart: Aquí obtenemos los datos de conversión (nota: en el ejemplo se utilizan KPI de comercio electrónico, pero pueden sustituirse perfectamente por conversiones de lead gen). Pedimos a BigQuery que encuentre todos los eventos de compra y add_to_cart y los vincule a nuestros usuarios. No solo nos fijamos en el número de conversiones, sino también en otras métricas valiosas como los ingresos totales.
Cuando llegamos a las secciones user_level_data y query_level_results, ya hemos hecho todo el trabajo duro. A continuación, el script fusiona todos estos conjuntos de datos más pequeños utilizando el user_pseudo_id único y, por último, agrega todos los datos para proporcionar una salida clara y fácil de leer. Esta es la lógica central que transforma tus datos aislados en un modelo unificado para que puedas responder a preguntas como: "¿El nuevo contenido de la página aumentó las conversiones móviles para palabras clave de cola larga de alta frecuencia?".
¿Preguntas sobre el guión?
El autor, Bas Linders, está encantado de intercambiar ideas y a su disposición para cualquier pregunta o sugerencia de mejora.