SEO en medios de comunicación: estrategia de contenidos para Google Discover

Cuando pensamos en Google, uno de los primeros elementos que se nos viene a la cabeza es su buscador. Sin embargo, hace ya mucho tiempo que el ecosistema de Google es mucho más que ese ‘simple’ buscador y su clásica hoja de resultados con aquellos famosos links azules.

Una de esas herramientas con las que Google ha ido ampliando y mejorando su capacidad de respuesta a los usuarios es Google Discover, un feed personalizado basado en los intereses y hábitos de navegación de cada persona en el que el contenido se muestra de manera proactiva por parte del propio Google, sin necesidad de que sea el usuario el que realice una búsqueda.

De esta manera, la optimización para Google Discover no sigue las reglas clásicas del SEO ‘tradicional’, ya que no se trata de posicionarse para determinadas palabras clave o entidades, sino de crear contenido relevante y atractivo que se adapte a las diferentes audiencias.

La relevancia de Google Discover como fuente de tráfico orgánico se acentúa especialmente en los medios de comunicación, donde alcanza un peso en términos porcentuales que puede ir desde el 50% hasta cerca del 90%. Como casi todo en la vida, esto tiene su lado bueno y su lado malo:

• En el lado positivo de la balanza, una inyección de tráfico extra con el que no era posible contar hasta la aparición de esta herramienta.
• ¿Lo negativo? La volatilidad del propio Google Discover, con constantes altibajos e incluso ’apagones’ que lo hacen impredecible.

Analizar el rendimiento de Google Discover: ¿qué es lo que mejor nos funciona?

Pese a ese comportamiento explicado anteriormente, que dificulta la posibilidad de ‘anticiparse’ a las necesidades de los usuarios para generar una estrategia de contenidos, como se hace de manera habitual con un keyword research de cara a Google Search, sí es posible trazar un plan que permita explotar el rendimiento en Google Discover y maximizar las visitas de usuarios procedentes de esta fuente.

En este post te contamos cómo, con seis herramientas -la mayoría de ellas de uso común para cualquier SEO- se puede analizar el tráfico procedente de Google Discover para tratar de ofrecer el mejor contenido posible con el que captar a los usuarios más cercanos a la línea editorial de un medio de comunicación:

1. ¿Qué formatos de contenido funcionan mejor en Google Discover?
2. Secciones, subsecciones y autores más relevantes del medio
3. Entidades SEO que más veces aparecen y mejor rendimiento ofrecen
4. Análisis de patrones en titulares en busca de enfoques con mejor respuesta en Discover

1. Los diferentes formatos de Google Discover

El primer paso es sencillo: extraer los datos de Google Search Console. Aquí, dentro de la propia plataforma, podremos hacer ya un primer análisis: ¿qué formato funciona mejor en cada medio de comunicación? Para ello, simplemente tenemos que acudir al apartado de ‘Aparición en Discover’ dentro de su correspondiente informe de rendimiento.

Más allá de la evidente dominancia del formato ‘Artículo de AMP’, lo que podríamos denominar como el clásico tarjetón que encontramos habitualmente en el feed, aquí podremos ver qué otros formatos tienen un buen rendimiento. En el siguiente ejemplo, podríamos destacar el papel del formato ‘Vídeo’ para uno de los dos medios analizados, que es prácticamente residual en el otro. Ya tenemos un primer hilo del que tirar…

2. ¿Cuáles son nuestras secciones y autores más relevantes?

Un segundo paso de este análisis, una vez ya descargados los datos de rendimiento de Google Search Console y volcados en un Excel o Google Sheets, sería la segmentación: 

• ¿Qué secciones o subsecciones tienen mejor rendimiento en Google Discover?
• ¿Qué autores aparecen con mayor frecuencia?
• ¿Hay alguna relación entre el rendimiento en Google Discover y Google Search?

Aquí podríamos entrar a hablar del EEAT o de la relevancia de esos autores y del medio en general para las diferentes temáticas.

Para hacer este ejercicio de analizar el rendimiento por autores entraría en juego Screaming Frog, la tercera de las herramientas utilizadas hasta el momento para el análisis. Mediante la Extracción Visual Personalizada de Screaming Frog podremos tomar este campo de una manera rápida y sencilla, sin necesidad de conocimientos en XPath.

De esta manera, ya tendremos en nuestro documento los siguientes datos asociados a cada URL descargada de Google Search Console:

• Clics, impresiones y CTR
• Sección y subsección a la que pertenece la noticia
• Autor

Con estos datos, podremos extraer nuevas conclusiones: más allá de saber simplemente qué secciones tienen un mejor rendimiento total, podremos saber cuáles tienen el mejor ratio entre el número de noticias publicadas y los clics, lo que nos puede dar una idea del ‘retorno’ que genera cada una de ellas.

Para el caso del ejemplo analizado vemos claramente que la sección1 -con su correspondiente subsección5- no solo es la que mejor rendimiento total tiene en términos de clics sino que también tiene una gran ‘rentabilidad’ en esa mencionada relación entre las URLs publicadas y el tráfico generado. Justo al contrario ocurre con la sección3, en la que el tráfico generado es bastante bajo en relación al número de artículos publicados.

¿Hay relación entre el rendimiento en Google Discover y Google Search?

Como ya hemos dicho anteriormente, el funcionamiento de Google Discover no es el mismo que el de Google Search, lo que nos lleva a hacernos la siguiente pregunta. ¿Puede haber relación entre el rendimiento de una fuente y otra? Es decir, el hecho de que un artículo haya funcionado mejor en Search, ¿podría suponer un empujón de cara al feed de Discover?

La respuesta rápida a tenor de lo visto en la siguiente gráfica es que no. No obstante, profundizando en este análisis también podríamos sacar más conclusiones relacionadas con lo ya visto anteriormente: qué secciones tienen mayor potencial y retorno en Discover y cuáles rinden mejor en Search.

Aquí confirmamos, por ejemplo, el potencial de la sección1 en su conjunto para Google Discover, aunque también se aprecia que la subsección6 tiene un gran rendimiento en Google Search, mucho mejor que en Discover y muy superior al de su ‘coste de producción’ dado el bajo número de URLs que han generado todos esos clics.

Por otro lado, también vemos que la sección3, con un ratio muy bajo entre ese ‘coste de producción’ y su rendimiento en Discover, tiene datos mucho más positivos en la parte de Search, a la altura del peso de la sección en el total de URLs publicadas.

Autores, EEAT y relevancia

Para el análisis del rendimiento por autores, el trabajo sería similar al visto con las secciones y subsecciones. ¿Quién es el autor más ‘relevante’ de cada sección? O, incluso, para casos de autores que participan en diferentes secciones, ¿para cuál de ellas tiene más ‘autoridad‘? Ese término tan ‘de moda’ en el SEO actual y tan difícil, si es que acaso es posible hacerlo, de medir…

3. Análisis de entidades SEO

Dos de las herramientas no mencionadas todavía nos permitirán dar un salto de calidad en este análisis. Con Dandelion y un script personalizado en Google Colab -este es el paso más complejo del análisis y, seguramente, el más alejado de nuestro día a día como SEOs- podemos extraer las entidades de esas URLs descargadas del informe de rendimiento de Search Console y saber cuáles son esos temas para los que Google nos considera una fuente de referencia y que se ‘activan’ con mayor frecuencia y mejor rendimiento en Discover.

Para ello será necesario el token de la API de Dandelion, que con la cuenta gratuita nos permitirá un total de 1.000 consultas diarias, suficiente para este análisis:

1. Con el mencionado script, se extraerán las entidades de title, description y cuerpo de cada noticia.
2. Estas entidades extraídas están basadas en un grado de “confidence”, entendido como un umbral de seguridad, medido del 0 al 1, que determina la cantidad y precisión de las entidades extraídas en el análisis: a mayor grado de confidence, menos entidades se extraen de cada URL, porque el sistema filtra aquellas que no alcanzan el umbral establecido.
3. Dado que estos datos aparecen también asociados a las URLs concretas, podremos afinar nuestro análisis conociendo el peso de cada una de esas entidades en términos de clics más allá del número de veces que se repiten, o las secciones o autores que más ‘activan’ cada una de esas entidades, etc.

4. Análisis de titulares, enfoques y patrones

Ya por último, podríamos entrar también a analizar los enfoques de los titulares. Dado el alto volumen de URLs que manejamos, llevar a cabo este trabajo de manera manual sería inabarcable, así que, para ello, nos serviremos de alguna herramienta de Inteligencia Artificial.

Para el caso concreto del ejemplo mostrado -un vertical de afiliación, con un enfoque más transaccional, dentro de un medio de comunicación– nos servimos de ChatGPT para analizar los titulares y las entidades y temáticas comprendidas en ellos.

Conclusiones: cómo optimizar tus contenidos para Google Discover

Todo este análisis nos permitirá conocer de manera mucho más consciente y fidedigna qué contenido exacto es el que mejor resultado le da a tu medio de comunicación e identificar en qué cestas poner tus huevos, tanto a nivel de secciones, como de formatos, autores o entidades.

¿Tiene sentido trabajar contenido enfocado a Discover en una sección en la que históricamente su rendimiento ha sido bastante bajo y mucho peor que en Search? Pues seguramente, dado el ritmo del día a día en un medio de comunicación, merezca más la pena apostar por aquello que ya sabes que funciona y tratar de exprimirlo al máximo, salvo cuestiones estratégicas que vayan más allá de nuestro análisis como SEOs.

Dada la naturaleza de los medios de comunicación y el ritmo cambiante de los temas de actualidad, este análisis se puede realizar de manera periódica, ya que seguramente los resultados sean diferentes en cuanto a secciones o entidades con mejor rendimiento. Incluso se podría realizar con esos datos de rendimiento asociados al mes concreto del año, de forma que podamos definir un calendario en el que destaquemos mes a mes las entidades o secciones más relevantes y así poder anticiparnos a los grandes eventos del año y preparar planes de contenido ad hoc para Google Discover.