Consultor SEO para eCommerce a escala enterprise
SEO en un eCommerce con 500 productos es un trabajo. SEO en un eCommerce con 500.000 productos es un trabajo completamente distinto. El segundo necesita arquitectura técnica para gestionar crawl budget, faceted navigation que no se canibalice, JS rendering controlado, schema Product en cada SKU, internacionalización multi-mercado, y un sistema de medición que conecte tráfico orgánico con revenue real por categoría. Es lo que aprendí en Walmart México con millones de productos activos.
Qué cambia en eCommerce a escala
El SEO de un eCommerce SMB y el SEO de un eCommerce enterprise son disciplinas distintas. Cambian las prioridades, las herramientas, los riesgos, los stakeholders y el tipo de errores que cuestan caro. Cuando saltás de 1.000 productos a 100.000, casi todo se reescribe.
Crawl budget se vuelve un problema real. Con 1.000 URLs, Googlebot recorre el sitio entero sin problemas. Con 500.000 URLs (productos + filtros + categorías + tags), Googlebot decide qué crawlear y qué ignorar. Si la arquitectura no gestiona explicitamente las URLs valiosas vs las no-valiosas (faceted navigation, parámetros, paginación), se pierde indexación masiva.
Faceted navigation es un campo minado. Cada filtro combinado genera una URL única. “Camiseta + roja + talle M + manga corta + algodón” puede generar 200.000 URLs derivadas si no se controla. Sin canonical estratégicos, noindex selectivo, o parámetros gestionados, el sitio se duplica solo.
JS rendering define qué Googlebot ve. Plataformas modernas (Shopify Plus, VTEX, Salesforce Commerce Cloud, custom React) renderizan productos vía JavaScript. Sin SSR o pre-rendering correcto, Google indexa páginas vacías. El audit técnico tiene que validar cada plataforma específicamente.
Schema Product en cada SKU. Product, Offer, AggregateRating, Review, Brand son obligatorios para rich results (precios, reviews, disponibilidad en SERP). En catálogos grandes esto se implementa programáticamente — no se escribe a mano. Coordinación con dev y datos del PIM es crítica.
Internacionalización multi-mercado. Mismo catálogo en 5 países = hreflang correcto, precios localizados, idiomas, búsqueda local. Errores en hreflang son responsables del 60–70% de problemas en eCommerce internacional.
Errores típicos que veo en eCommerce
Faceted navigation sin control
Cada filtro genera URL indexable. Sin canonical inteligente o noindex, Google indexa 50.000+ URLs sin valor que diluyen autoridad y consumen crawl budget. Síntoma: caída de impresiones en URLs importantes mientras crecen las basura.
Schema Product genérico
Implementación que solo cumple los mínimos. No se aprovechan Offer.priceValidUntil, AggregateRating, shipping details, return policy schema. Pérdida directa de visibilidad en SERP (precios, reviews, badges).
Páginas de categoría sin contenido
Categorías que son solo listas de productos. Sin párrafo introductorio único, sin contenido editorial, compiten con marketplaces que sí lo tienen. La categoría es la URL más valiosa de un eCommerce SEO — desperdiciarla cuesta tráfico.
Productos descontinuados mal gestionados
Producto sin stock se elimina (404), se canonicaliza a la categoría, o se deja con noindex. La decisión correcta depende de stock futuro + historial de tráfico. Sin política, se pierden links/autoridad de productos populares descontinuados.
Hreflang con errores estructurales
Self-referencing incompleto, language codes mal, mercados sin hreflang reverso. Síntoma: el site argentino rankea en España y vice versa. Pérdida de tráfico cualificado en cada mercado.
SEO no conectado con revenue
Reports que muestran tráfico orgánico, no revenue por canal. Sin GA4 + ecommerce tracking + atribución correcta, el SEO no defiende presupuesto. C-level corta la inversión cuando no ve el ROI directo.
Mi experiencia en eCommerce enterprise
La combinación es difícil de replicar entre consultores hispanoparlantes: Walmart (escala máxima retail), Tiendamia (crossborder LATAM), LEGO (marca global premium), Logitech (hardware tech global). Cada uno enseñó algo distinto sobre cómo opera SEO en catálogos grandes.
Cómo se estructura un engagement de eCommerce
El stack que armo en proyectos eCommerce tiene cinco etapas:
1. Discovery + audit con foco en arquitectura (4–8 semanas). Crawl completo (Screaming Frog, Botify, o Sitebulb según escala), análisis de crawl budget (logs de servidor), inventario de faceted navigation, validación de schema Product en muestreo, audit de JS rendering plataforma-específico. Output: roadmap priorizado por impacto en revenue, no por número de URLs.
2. Quick wins técnicos (1–2 meses). Implementación de fixes de alto impacto: faceted navigation governance, canonical strategy, schema Product enriquecido, hreflang fixes. Estos típicamente generan ganancias visibles en 6–10 semanas.
3. Contenido de categoría + producto (continuo). Optimización de páginas de categoría con contenido editorial único, schema enriquecido en productos clave, optimización de meta title + description con foco en CTR. Coordinación con merchandising y catálogo.
4. Capa AI Search (continua). Monitoreo de cómo aparecen los productos en ChatGPT, Gemini, Perplexity, AI Overviews cuando alguien pregunta “mejor [producto] para [uso]”. Optimización de schema y contenido para incrementar share of citations.
5. Dashboards conectados con revenue (mensual). Reports que muestran tráfico orgánico cualificado por categoría → revenue atribuido por categoría → tendencia mensual. C-level entiende esto. Reports de posiciones, no.
AI Search en eCommerce: la próxima ola
Cuando alguien le pregunta a ChatGPT “qué webcam comprar para hacer videollamadas profesionales”, el modelo cita productos que tiene en training data + en sus fuentes de RAG. Si tu eCommerce está bien posicionado en schema Product, Review, AggregateRating y autoridad de marca, te citan más. Si no, te ignoran — y a diferencia del SEO clásico, en AI Search no hay segundo página.
En proyectos eCommerce recientes (Logitech entre ellos, donde optimizamos webcams para queries tipo “webcam para Zoom”), montamos pipelines de monitoreo que miden citas en AI Overviews y modelos generativos. Es la métrica que mejor predice tráfico futuro porque el comportamiento de búsqueda está migrando hacia conversación con IA. Detalle completo de la metodología en AI Search + GEO.
Si tu eCommerce está pensando en SEO en serio
El primer paso es siempre una auditoría con foco en arquitectura — crawl + análisis de crawl budget + audit de schema + estado de hreflang + diagnóstico de AI Search + roadmap priorizado por impacto en revenue. De ahí decidimos si tiene sentido un retainer continuo (típico en eCommerce mediano-grande con releases mensuales) o consultoría intensiva por proyecto (típico en replatforming, migración a Shopify Plus / VTEX / custom, o lanzamiento de mercado nuevo).