Cómo Medimos los Resultados de SEO y Visibilidad en IA

Un resultado es un cambio medido frente a un punto de partida fechado, calculado con una definición elegida antes de comenzar el trabajo e interpretado en el contexto de todo lo demás que cambió. No es un número favorable descubierto después de la entrega. Esta metodología es el contrato detrás de cada resultado que publicamos: un lector debería poder tomar los mismos datos de origen, aplicar la fórmula indicada y llegar al mismo número.

Ese estándar importa porque el rendimiento de búsqueda es un sistema observacional. Las páginas cambian, los competidores reaccionan, la demanda se mueve, los motores de búsqueda se actualizan y las campañas de marketing se superponen. Podemos probar qué entregamos y cuándo. Podemos medir qué sucedió después. Podemos afirmar que nuestro trabajo causó todo el movimiento solo cuando el diseño de investigación respalda esa afirmación.

El registro de medición que todo resultado debe incluir

Cada resultado publicado debe proporcionar información suficiente para ser auditado. Como mínimo, su registro contiene:

• el objetivo de negocio y la métrica seleccionada antes de la implementación;
• la fórmula de la métrica, fuente, zona horaria, moneda cuando corresponda y modelo de atribución;
• el sitio, directorio, plantilla, cohorte de páginas, mercado, dispositivo, motor y alcance de la instrucción;
• fechas de línea base y comparación, incluyendo el número de días completos en cada ventana;
• el valor inicial absoluto, el valor final absoluto y el cambio calculado;
• fechas de implementación y el trabajo exacto incluido en la afirmación;
• anotaciones relevantes y explicaciones alternativas conocidas;
• datos faltantes, cambios en el seguimiento, exclusiones y tamaño de la muestra o denominador;
• la solidez del lenguaje de atribución que tenemos derecho a usar; y
• el revisor que aprobó las cifras presentadas al cliente.

Si alguno de estos campos no está disponible, divulgamos la limitación junto al resultado o no lo publicamos. Una hoja de cálculo privada que contenga la salvedad no repara una afirmación pública no calificada.

1. Qué cuenta como resultado

El propósito de la medición es mostrar si el trabajo cambió algo valioso. Organizamos las métricas como una cadena, porque cada etapa responde a una pregunta diferente:

1. Entrega: ¿Se publicó correctamente el cambio previsto? Ejemplos incluyen páginas publicadas, plantillas actualizadas, redireccionamientos resueltos y acceso restaurado para rastreadores.
2. Descubrimiento y visibilidad: ¿Los sistemas de búsqueda o IA encontraron y mostraron el trabajo? Ejemplos incluyen páginas indexadas válidas, impresiones, distribución de rankings, puntuación de visibilidad en IA, menciones y citas.
3. Selección y engagement: ¿Las personas o los motores de respuesta lo seleccionaron? Ejemplos incluyen clics orgánicos, sesiones calificadas, URL citadas, visitas con interacción y visitas a una página de siguiente paso.
4. Resultado de negocio: ¿Ese comportamiento creó valor? Ejemplos incluyen leads calificados, pruebas, compras, ingresos por suscripciones, citas agendadas u otro resultado acordado con el cliente antes de comenzar el trabajo.

La entrega es evidencia de que el trabajo ocurrió. La visibilidad es un indicador adelantado: una medida que se espera que se mueva antes que un resultado de negocio. El engagement muestra la respuesta. El resultado de negocio es el resultado que la mayoría de las organizaciones finalmente financian.

El tráfico por sí solo no es, por tanto, un resultado para la mayoría de los modelos de negocio. Una empresa SaaS no se beneficia simplemente porque 20,000 visitantes adicionales lean un artículo irrelevante; se beneficia cuando prospectos adecuados inician o influyen en pruebas, demostraciones y suscripciones. Un negocio de comercio electrónico necesita pedidos rentables, no sesiones desconectadas de los ingresos y el margen. Un editor puede legítimamente tratar las visitas a páginas calificadas como un resultado de negocio cuando esas visitas producen valor publicitario o de suscripción, pero incluso entonces el tráfico de bots, las visitas accidentales y la geografía de la audiencia pueden cambiar el valor del mismo número de visitas.

Informamos tráfico cuando es el lugar adecuado de la métrica en la cadena, y lo emparejamos con evidencia de calidad o downstream siempre que el modelo de negocio lo permita. Nos negamos a presentar impresiones, un ranking único, recuento de páginas, tráfico bruto, tasa de engagement o una puntuación propietaria como impacto final de negocio cuando no se ha demostrado una conexión validada.

El resultado se selecciona de antemano. Si el resultado principal acordado son solicitudes de demostración calificadas, no lo reemplazamos después de la entrega con impresiones simplemente porque las impresiones aumentaron y las solicitudes de demostración no.

2. Líneas base: congelar el punto de partida

Una línea base es una medición fechada e inmutable del alcance relevante antes de que se implemente el primer cambio del alcance. La fase de medición de línea base P5 explica cómo capturarla. La línea base debe usar la misma fórmula, fuentes, filtros, segmentos, zona horaria, moneda, modelo de atribución, conjunto de instrucciones, conjunto de competidores y exclusiones que usará el punto de control posterior.

Para métricas de tasa, guardamos el numerador y el denominador, no solo la tasa. Para totales de todo el sitio, también guardamos la cohorte afectada. Si se están optimizando 40 páginas de producto, su línea base permanece separada de las otras 8,000 URL; de lo contrario, el crecimiento no relacionado del sitio puede disfrazar lo que sucedió con el trabajo.

Una línea base reconstruida retrospectivamente no es una línea base. Una vez que el equipo conoce el resultado, las decisiones sobre fechas, filtros, segmentos y exclusiones son vulnerables a la retrospectiva. Las herramientas en vivo también pueden haber cambiado su procesamiento, retención, atribución o datos de competidores. Llamar reconstrucción a una línea base implicaría un nivel de control que no existió.

Cuando un cliente no tiene un historial limpio, usamos una de tres alternativas honestas:

• Línea base prospectiva: conectar y validar la medición, no hacer ningún cambio dentro del alcance durante un período de observación definido, luego congelar ese período antes de la implementación.
• Referencia reconstruida: exportar el mejor historial disponible, documentar la fuente y los cambios en el seguimiento, etiquetarlo como “reconstruido” y restringir la afirmación a lo que los datos supervivientes respalden.
• Sin afirmación de antes y después: comenzar la medición ahora e informar el rendimiento absoluto del punto de control hasta que exista una comparación prospectiva válida.

Los datos faltantes son desconocidos, no cero. No los interpolamos meramente para crear un gráfico limpio. Si el intervalo faltante se superpone con un cambio relevante o hace que la comparación no sea equivalente, el resultado no se puede publicar como una afirmación de antes y después.

3. Ventanas de comparación y el reloj de reporte

Las dos ventanas deben contener el mismo número de días completos, usar la misma combinación de días de la semana y excluir el día actual incompleto. Indicamos ambos rangos en el resultado en lugar de usar etiquetas como “el mes pasado” que cambian de significado con el tiempo.

Comparación interanual compara una ventana con la ventana calendario equivalente un año antes. Es nuestra opción predeterminada cuando la demanda tiene patrones estacionales y los datos anteriores están limpios. Los días festivos fijos y móviles se anotan; cuando un día festivo se desplaza entre ventanas y afecta materialmente la demanda, alineamos las semanas comerciales o divulgamos el desajuste.

Comparación período contra período compara ventanas adyacentes de igual duración, como 28 días completos después de la implementación con los 28 días completos anteriores. La usamos cuando el sitio carece de un año anterior limpio, cuando el negocio no es materialmente estacional, o cuando necesitamos una señal operativa reciente. Está más expuesta a campañas, lanzamientos, días festivos y cambios del mercado, por lo que nunca la presentamos como estacionalmente controlada.

Cuando existe suficiente historial, mostramos ambas. La comparación interanual responde “¿estamos por delante de la temporada equivalente?” La comparación período contra período responde “¿cambió la dirección reciente?” Si discrepan, la discrepancia es información para explicar, no una razón para ocultar una.

Ningún movimiento de rendimiento es reportable como resultado antes de que hayan transcurrido 28 días completos después del cambio correspondiente. Las observaciones anteriores pueden verificar que una página está activa, rastreable, indexada o citada, pero son verificaciones de implementación más que resultados. Veintiocho días es un mínimo, no una aprobación automática. Extendemos la ventana cuando:

• el ciclo normal de compra o lead es superior a 28 días;
• el cambio tomó tiempo para llegar a todas las páginas o ser procesado por los sistemas de búsqueda e IA;
• el volumen semanal es demasiado pequeño para que unos pocos eventos dejen de dominar la tasa;
• el negocio tiene una fuerte estacionalidad mensual, trimestral o anual; o
• una interrupción, campaña, migración, cambio en el seguimiento o evento externo importante contamina gran parte de la ventana.

Prerregistramos el primer punto de control y la ventana de reporte prevista. No movemos las fechas de inicio o finalización hasta que la curva se vea favorable.

4. Honestidad en la atribución

La atribución es la asignación de un efecto observado a una causa. La sincronización por sí sola no la establece: “después de” no significa necesariamente “debido a”. Usamos cuatro niveles de afirmación.

Entrega verificada significa que podemos atribuir el cambio implementado en sí mismo al trabajo: por ejemplo, 120 páginas especificadas recibieron etiquetas canónicas válidas en la fecha de publicación registrada. No establece el efecto en el rendimiento.

Efecto respaldado por experimento requiere un diseño capaz de estimar un efecto incremental, como un grupo de retención aleatorizado o emparejado de forma creíble con una hipótesis, métrica, muestra y fecha de finalización preespecificadas. Describimos el diseño y la incertidumbre; no convertimos un experimento de contenido imperfecto en certeza de laboratorio.

Evidencia contribuyente se aplica cuando la cohorte afectada se mueve después del cambio registrado, la dirección coincide con la hipótesis preespecificada, y una cohorte de referencia sin cambios o un benchmark competitivo no muestra el mismo movimiento. Podemos decir que el resultado es “consistente con”, “asociado con” o “respalda la contribución de” el trabajo.

Correlación solamente se aplica cuando la métrica se movió después del cambio pero no existe un contrafactual válido. Reportamos la secuencia y las explicaciones competidoras. No decimos “generó”, “causó” o “entregó” para el resultado.

En el trabajo ordinario con clientes, con frecuencia no podemos separar el efecto de:

• actualizaciones de algoritmos de motores de búsqueda o proveedores de IA;
• estacionalidad, días festivos, clima y cambios en la demanda subyacente;
• búsqueda pagada, redes sociales pagadas, retargeting y actividad de afiliados;
• cobertura de relaciones públicas, actividad de creadores, campañas de marca y promoción offline;
• lanzamientos de productos, precios, disponibilidad, merchandising y cambios en la tasa de conversión;
• migraciones, rediseños, cambios en el seguimiento, cambios en el consentimiento e interrupciones;
• lanzamientos, pérdidas, promociones de competidores y cambios en el gasto en medios; o
• cambios económicos, regulatorios, culturales y cambios en el mercado a nivel de categoría.

Nombramos los factores que ocurrieron, decimos si cada uno probablemente afecta a la cohorte medida, y reducimos la solidez de la afirmación en consecuencia. Si los anuncios pagados y el contenido orgánico llegan a la misma página durante un lanzamiento, no asignamos todas las conversiones al contenido orgánico. Si una actualización de algoritmo se superpone con el punto de control, podemos reportar el movimiento relativo frente a segmentos no afectados o competidores, pero esa comparación es evidencia, no un aislamiento perfecto.

5. Las anotaciones hacen posible la interpretación

Una anotación es un registro fechado de un cambio o evento externo colocado en la misma línea de tiempo que la métrica. Sin anotaciones, la atribución se convierte en un ejercicio de memoria meses después.

Registramos el evento cuando ocurre, no cuando comienza el informe. Cada anotación registra la fecha y zona horaria, propietario, URL o segmento afectado, categoría, descripción, referencia de despliegue o campaña, métrica y dirección esperadas, retraso esperado, fecha del punto de control y actividad superpuesta conocida. Los lanzamientos de varios días tienen fechas de inicio y finalización. Las reversiones y retrocesos reciben sus propias entradas en lugar de sobrescribir la original.

Anotamos lanzamientos de contenido, despliegues técnicos, migraciones, redireccionamientos, cambios de plantilla, cambios en analíticas y consentimiento, interrupciones, campañas pagadas, relaciones públicas, cambios de producto y precios, eventos importantes de competidores y actualizaciones de plataforma confirmadas. Resultados de Anotaciones mantiene esos cambios, expectativas, puntos de control y resultados observados juntos, tratando explícitamente la asociación como evidencia en lugar de prueba de causalidad.

6. Cómo medimos la visibilidad en IA

Las métricas de visibilidad en IA se calculan por separado porque responden preguntas diferentes. Nunca combinamos visibilidad, voz, citas, sentimiento y ranking en un número estimado de “impacto en IA”.

Antes de comparar períodos, congelamos el texto de la instrucción, el tema, la configuración regional, el motor, la cadencia de ejecución, el conjunto de marcas monitoreadas y el conjunto de dominios monitoreados. Una observación de instrucción es una respuesta almacenada de una instrucción, motor, configuración regional y ejecución programada definidos. La respuesta y sus URL citadas se conservan para que el agregado pueda ser auditado.

Puntuación de visibilidad en IA

La puntuación de visibilidad responde: “¿En qué parte del conjunto de instrucciones rastreadas este dominio obtuvo al menos una cita?”

Puntuación de visibilidad en IA = observaciones de instrucción que citan al dominio al menos una vez ÷ todas las observaciones de instrucción válidas en la cohorte congelada × 100

Las citas múltiples en una respuesta no hacen que esa observación sea más visible; cuenta una vez en el numerador. Un fallo de recopilación no es una respuesta sin citas. Son datos faltantes, reportados a través de cobertura y reejecutados o excluidos consistentemente de ambas ventanas. La vista de Visibilidad en IA expone las respuestas subyacentes necesarias para inspeccionar la puntuación.

Participación de voz

La participación de voz responde: “De las marcas monitoreadas mencionadas en estas respuestas, ¿qué participación correspondió a esta marca?”

Participación de voz = menciones de la marca ÷ menciones de cada marca monitoreada en el conjunto competitivo fijo × 100

Indicamos si la unidad de conteo es una mención por respuesta o cada ocurrencia de mención y mantenemos esa regla sin cambios. No renormalizamos el historial cuando se agrega un competidor; un cambio en el conjunto de competidores inicia una nueva serie comparable o hace que la ventana anterior se recalcule a partir de las respuestas almacenadas.

Participación de citas

La participación de citas responde: “De las citas asignadas al conjunto de dominios monitoreados, ¿qué participación apuntó a este dominio?”

Participación de citas = citas al dominio ÷ citas a cada dominio monitoreado en el conjunto fijo × 100

El numerador cuenta citas, no menciones de marca. Una respuesta puede citar varias URL del mismo dominio, y cada cita cuenta según la regla declarada. El reporte a nivel de dominio no debe presentarse como rendimiento a nivel de página. Inteligencia de Fuentes y Citas retiene el dominio, la URL, la instrucción y el detalle del motor detrás del agregado.

Estas métricas tienen limitaciones conocidas. Las respuestas de IA pueden variar entre ejecuciones; los proveedores cambian modelos, sistemas de recuperación, interfaces y comportamiento de citas; la ubicación, el idioma, la personalización y la actualidad pueden alterar una respuesta; y el conjunto de instrucciones y competidores elegidos definen el universo medido. Un conjunto rastreado es una muestra repetible de las preguntas que elegimos, no un censo de todo lo que los clientes potenciales preguntan. La presencia de una cita tampoco prueba que una persona haya visto, confiado o visitado la fuente. Por lo tanto, reportamos motor, configuración regional, cohorte, frecuencia de ejecución, cobertura y recuentos absolutos con cada afirmación material de visibilidad en IA.

7. Redondeo, rangos y valores absolutos

Los porcentajes nunca se publican solos. Cada porcentaje aparece con los valores absolutos utilizados para calcularlo.

Para un cambio en el recuento, reportamos la línea base, el valor final, la diferencia absoluta y el cambio relativo: “los leads orgánicos calificados aumentaron de 40 a 52, un incremento de 12 leads o 30%”. Para una tasa, reportamos ambas tasas en puntos porcentuales e incluimos sus numeradores y denominadores: “la tasa de conversión pasó de 2.0% (40/2,000) a 2.4% (52/2,167), un aumento de 0.4 puntos porcentuales”. Llamar a eso un aumento del 0.4% sería incorrecto; el aumento relativo es del 20%.

Los recuentos son números enteros. Los porcentajes normalmente se redondean a un decimal, excepto cuando eso convertiría un valor distinto de cero en 0.0%, en cuyo caso añadimos un segundo decimal. Calculamos los cambios a partir de datos sin redondear y redondeamos solo el resultado mostrado. Los valores inferiores a 1,000 no se abrevian. Las abreviaturas más grandes pueden aparecer en los encabezados, pero el número exacto permanece en el cuerpo o en una tabla accesible.

Usamos rangos solo cuando la fuente o el método producen genuinamente incertidumbre. El rango debe nombrar su método, como un intervalo de confianza, rango del modelo de atribución o límite de cobertura de datos. No inventamos un rango para hacer que una estimación puntual parezca científica, y no reemplazamos recuentos exactos pequeños con porcentajes que exageran el movimiento.

8. Anonimización del cliente sin eliminar el significado

Un resultado anónimo debe seguir siendo comprobable. Podemos reemplazar el nombre del cliente, dominio, nombres de productos y cifras comercialmente sensibles, pero el relato publicado debe preservar:

• el modelo de negocio, la categoría amplia, el mercado y las restricciones relevantes;
• el alcance del sitio o cohorte de páginas y el tipo de páginas modificadas;
• las fechas exactas de línea base y comparación y las duraciones de las ventanas;
• la definición de la métrica, fuente, modelo de atribución y denominador;
• los valores absolutos de línea base y finales, o una serie indexada explícitamente cuando la confidencialidad contractual prohíba los valores absolutos;
• la intervención, las fechas de lanzamiento y el tiempo transcurrido antes de la medición;
• la actividad concurrente conocida y la limitación de atribución resultante; y
• suficiente detalle del método para que otro equipo pueda aplicar el cálculo.

Si no se pueden mostrar los valores comerciales exactos, un índice puede establecer la línea base en 100 y aplicar la misma escala a cada punto posterior. Lo etiquetamos como indexado y aún así mostramos los recuentos de eventos o muestras subyacentes cuando la divulgación lo permite. Nunca combinamos varios clientes en un “cliente típico” ficticio, alteramos fechas para fortalecer la curva, u ocultamos que el resultado provino de un directorio en lugar de todo el sitio.

Si preservar este contexto identifica al cliente, no publicamos el resultado. La confidencialidad es una razón para retener un caso, no un permiso para publicar un porcentaje impresionante pero no verificable.

9. Lo que no publicaremos

La publicación es una decisión de selección, por lo que sus reglas deben ser tan estrictas como sus cálculos. No publicaremos:

• una fecha de inicio, fecha de finalización, motor de búsqueda, país, dispositivo, instrucción, palabra clave o segmento seleccionados a conveniencia;
• el éxito de una sola página descrito como crecimiento en todo el sitio;
• una métrica seleccionada después del hecho porque se movió favorablemente;
• un porcentaje sin su línea base, valor absoluto final y denominador cuando corresponda;
• una comparación que mezcla diferentes fórmulas, alcances, fuentes, modelos de atribución, monedas o cohortes de instrucciones;
• un mes parcial comparado con un mes completo, o ventanas desiguales presentadas como equivalentes;
• observaciones faltantes tratadas como cero, o roturas en el seguimiento ocultas dentro de un gráfico continuo;
• un resultado reportado antes de la ventana mínima o antes de que el ciclo de conversión normal se complete;
• una puntuación de IA presentada sin su definición de instrucción, motor, configuración regional, competidor y cobertura;
• un resultado correlacional escrito como prueba de que solo nuestro trabajo causó el resultado;
• solo la mejor página, consulta, motor o punto de control cuando toda la cohorte declarada está disponible; o
• un resultado de cliente que el revisor autorizado no haya aprobado en cuanto a precisión, contexto y divulgación.

Tampoco eliminamos puntos de control desfavorables de una serie. Una hipótesis que falló aún puede enseñar al equipo qué cambiar. Ocultarla haría que el éxito posterior fuera menos creíble, no más.

Visto bueno de publicación

Antes de la publicación, la persona responsable de las cifras presentadas al cliente debe reproducir el cálculo a partir de las exportaciones congeladas, confirmar el alcance y las fechas de comparación, inspeccionar el libro de anotaciones, verificar cada valor absoluto y porcentaje, aprobar la redacción de la atribución y confirmar que la anonimización cumple con el acuerdo del cliente. Una segunda revisión editorial debe asegurar que el titular no diga más de lo que la evidencia respalda.

La pregunta final es simple: ¿podría un lector escéptico identificar qué cambió, qué no cambió, qué más podría explicar el movimiento y cómo se calculó cada número? Si no, el resultado no está listo para publicar.