Consultor SEO para
eCommerce y retail

En retail, el problema no es escribir mejor contenido. Es decidir, entre las 14 millones de URLs que tu plataforma puede generar, cuáles realmente tienen demanda, intención de compra y sentido de negocio. Todo lo demás es ruido que canibaliza crawl budget y diluye la autoridad de las páginas que sí venden.

Trabajo con una taxonomía de tres capas — categoría, subcategoría, atributo — donde cada nivel responde a un clúster de keywords con volumen e intención verificados, no a la estructura del ERP. El mapeo arranca por demanda y termina en URLs, no al revés.

Las páginas de facetas (color, talle, rango de precio, marca) son el mayor generador de tráfico long-tail en cualquier retail serio — y también el mayor generador de duplicación, thin content y canibalización. La diferencia entre una implementación que escala y una que te lleva a una penalización manual está en tres decisiones:

• Qué combinaciones de facetas se indexan y cuáles se bloquean con noindex o robots.txt.
• Cómo se resuelve el orden de los parámetros para evitar URLs duplicadas con el mismo contenido.
• Qué facetas generan landing estáticas optimizadas y cuáles quedan como filtros dinámicos sin URL propia.

Las keywords de alta intención en eCommerce no son las head terms — son las combinaciones específicas: “zapatillas running mujer talle 38 amortiguación”, “notebook gaming 16gb ssd 1tb bajo 800 dólares”. Rankean las plataformas que generan landings automáticas para ese tipo de búsquedas con contenido único y útil, no las que tiran 2.000 palabras de SEO de catálogo.

El problema es operativo: ninguna empresa puede escribir 40.000 descripciones a mano. La solución es un sistema de generación controlada — templates alimentados por atributos del feed, con reglas editoriales que filtran lo pobre, y ciclos de QA por segmento.

El marcado estructurado no es un campo más del SEO técnico — es el canal por el que Google evalúa si tu catálogo es una fuente confiable de precios, stock y reviews. Implementar Product, Offer, AggregateRating y BreadcrumbList de forma correcta es mandatorio. Hacerlo de forma que sobreviva a cambios de stock, variantes y ediciones de producto es lo que separa un rich snippet estable de uno que parpadea.

En retail, el 60% del peso de la página suele ser imágenes y scripts de merchandising (recomendadores, personalización, A/B testing). Mejorar LCP y CLS sin apagar esas features es un ejercicio de prioridades, no de técnica pura. Trabajo con el equipo de frontend para definir qué carga above-the-fold, qué se difiere y qué se renderiza server-side.