Index bloat y thin content: audita el valor, no las palabras

Una tienda tiene 8.000 productos, pero Search Console informa de más de 120.000 URL conocidas. La mayoría son filtros de color, ordenaciones, archivos de etiquetas, resultados de búsqueda interna y variaciones de parámetros. El equipo de SEO lo llama index bloat y propone noindex para toda página con menos de 300 palabras.

Ambos atajos son arriesgados. Un gran número de URL no es bloat cuando cada página satisface una demanda distinta. Una página corta no es automáticamente pobre; una página de tipos de cambio, un horario o una especificación de producto pueden ser muy útiles sin necesidad de un ensayo. La verdadera cuestión es la proporción entre las páginas técnicamente aptas para indexarse y las que merecen responder a una búsqueda.

Qué significa index bloat

El index bloat describe una situación en la que los sistemas de búsqueda deben descubrir, rastrear, procesar o conservar demasiadas URL de poco valor en relación con las páginas estratégicas de un sitio. Esas URL pueden:

• Duplicar o casi duplicar el contenido.
• No tener una demanda de búsqueda independiente.
• Cambiar solo la ordenación, el seguimiento o la presentación.
• No contener elementos, datos ni una respuesta utilizable.
• Haber caducado pero seguir devolviendo 200.
• Generarse sin límites por filtros y calendarios.

No existe un porcentaje oficial a partir del cual un sitio esté hinchado. Una plataforma de un millón de URL puede estar sana cuando esas URL representan un millón de productos, ubicaciones o documentos útiles. Un blog de 500 entradas puede estar hinchado cuando su CMS crea 20.000 páginas pobres de etiquetas, autores, fechas y paginación vacía.

Thin content no significa contenido corto

«Thin» debería describir el valor, no el número de palabras. Compara:

• Una página de producto de 180 palabras con imágenes originales, precio actualizado, inventario, medidas, políticas, valoraciones y detalles de entrega.
• Un artículo de 1.500 palabras que repite definiciones genéricas de otras fuentes y nunca ayuda al lector a tomar una decisión.

La primera página puede cumplir su tarea mucho mejor. La longitud es solo una prueba complementaria. Evalúa una página preguntándote:

1. ¿Atiende una necesidad distinta?
2. ¿Son únicos sus datos o su experiencia?
3. ¿Puede un visitante completar una acción después de usarla?
4. ¿Es lo bastante distinta de las URL de la misma plantilla?
5. ¿La información es precisa y se mantiene?

Un solo «no» no exige eliminarla. Varias respuestas negativas a la vez indican que hace falta actuar.

Fuentes habituales de expansión de URL

Navegación por facetas

Los filtros de ecommerce incluyen el color, la talla, la marca, el precio, el material y la valoración. Cada combinación puede generar una URL. Diez filtros no crean diez páginas; pueden producir miles de combinaciones, muchas con unos pocos productos de diferencia o sin resultados.

Algunos filtros responden a una demanda de búsqueda real, como «zapatillas de running para hombre» o «portátiles por menos de 1.000 $». Da a las combinaciones seleccionadas URL limpias, información distintiva, canonical autorreferenciado y enlaces estables. Las variaciones de ordenación y las combinaciones extremadamente estrechas normalmente no necesitan indexarse.

Etiquetas y taxonomías sin control

Cuando cada editor inventa etiquetas, «SEO técnico», «técnico SEO», «auditorías técnicas» y «auditorías de sitio» pueden convertirse en cuatro archivos casi idénticos. Una etiqueta solo debería existir cuando ayude a los visitantes a explorar una colección suficientemente grande y bien definida.

Resultados de búsqueda interna

Cada frase que introduce un visitante puede crear una URL. Normalmente estas páginas no están diseñadas como landing pages, varían en calidad y forman un conjunto casi ilimitado. Deberían servir a la búsqueda en el sitio y no entrar por defecto en el índice.

Parámetros de seguimiento y de sesión

utm_source, los ID de afiliado, los ID de sesión y los parámetros de presentación crean muchas direcciones para un mismo cuerpo. Los canonical, los enlaces internos limpios y el comportamiento de la aplicación deben coincidir en la URL representativa.

Archivos por fecha, por autor y de paginación

Un pequeño sitio editorial rara vez necesita archivos de fecha, mes, año, autor, categoría, etiqueta y paginación que listen todos las mismas entradas. La taxonomía debería servir al comportamiento de navegación real y no a todas las funciones que activa un CMS.

Páginas caducadas y no disponibles

Los eventos pasados, las ofertas de empleo cerradas, los productos retirados y las landing pages de campañas antiguas se olvidan con facilidad. Cuando devuelven 200 con una frase de «esto ha terminado», pueden convertirse en thin pages o soft 404 a gran escala.

El operador site: no es un contador exacto del índice

Una búsqueda site:example.com es útil para tomar muestras de URL inesperadas, pero el número de resultados es una estimación. Construye el inventario a partir de:

• El informe de indexación de páginas de Search Console.
• Los sitemaps y el recuento de URL de cada sitemap hijo.
• Un rastreo de los enlaces internos.
• Las solicitudes de rastreadores en los logs del servidor.
• Las URL exportadas del CMS o de la base de datos.
• Las landing pages con impresiones, clics y sesiones.

El objetivo no es obtener un único recuento absoluto perfecto. Es identificar qué plantillas crean la mayor brecha entre «generado» y «valioso».

Elabora una tabla de indexabilidad por plantilla

Agrupa patrones en lugar de revisar una URL cada vez:

Estas cifras ilustrativas revelan la prioridad. Corregir 70.000 filtros profundos cambia más la arquitectura que editar diez páginas de etiquetas individuales.

Cinco decisiones para cada grupo de URL

1. Conservar y mejorar

Úsalo cuando una página tenga demanda independiente, tráfico o valor de conversión pero le falte información suficiente. Mejorar no significa rellenar el número de palabras. Una página de categoría puede necesitar:

• Un conjunto de productos preciso y disponible.
• Un título, una descripción y un encabezado claros.
• Una introducción concisa adaptada a la necesidad.
• Filtros útiles que no generen desorden.
• Preguntas reales de los clientes.
• Enlaces internos desde hubs relevantes.

2. Consolidar y redirigir

Úsalo cuando varias URL cubran la misma necesidad y no necesiten existir por separado. Traslada los datos únicos al destino más fuerte, repara los enlaces internos y redirige directamente. No envíes URL no relacionadas a la página de inicio en bloque.

3. Canonical hacia un representante

Encaja con las variantes que deben mantenerse para los visitantes pero que duplican o casi duplican otra página, como un listado de productos con otro orden. Un canonical es una señal y no una orden. Los sitemaps y los enlaces internos deberían usar la dirección representativa para evitar contradicciones.

Lee la guía de URL canónica antes de aplicar una regla a todo el sitio para los filtros.

4. Mantener accesible con noindex

Úsalo en páginas que cumplen una función en el sitio pero son malos resultados de búsqueda: la búsqueda interna, los filtros personalizados, las páginas públicas de cuenta limitadas o los archivos sin suficiente diferenciación.

<meta name="robots" content="noindex, follow">

Un rastreador debe acceder a la página para leer el noindex. Si robots.txt prohíbe a la vez la URL, Google puede no ver la directiva y puede que la eliminación no ocurra como se espera.

5. Eliminar con 404 o 410

Úsalo cuando una página ya no tenga ninguna finalidad y no exista un sustituto equivalente. Devuelve un estado honesto, quítala de los sitemaps y corrige los enlaces internos. Una página de error personalizada útil debe seguir devolviendo la respuesta 404.

Ordena con cuidado noindex y robots.txt

Aquí es donde muchos proyectos bloquean su propia limpieza. Los ingenieros añaden noindex e inmediatamente prohíben todo el directorio. Los rastreadores no pueden entrar a leer la directiva, así que las URL conocidas pueden seguir representadas sin un fragmento completo.

Un orden prudente es:

1. Permite el rastreo de las URL que necesitan eliminarse.
2. Devuelve noindex de forma coherente en el HTML o en X-Robots-Tag.
3. Quítalas de los sitemaps y reduce los enlaces internos.
4. Monitoriza Search Console hasta que la mayoría haya salido del índice.
5. Solo entonces plantéate bloquear el rastreo si Google ya no necesita verificar la directiva y el patrón de URL genera una carga considerable.

Robots.txt gestiona el rastreo; no es una instrucción directa de eliminación. Usa el Robots.txt Checker para verificar las reglas y el Sitemap Checker para asegurarte de que el XML solo contiene las URL que quieres indexar.

Gestiona la navegación por facetas según la demanda

Un plan de filtros útil divide las combinaciones en tres capas.

Landing pages gestionadas

Las combinaciones con demanda, suficiente inventario y valor de negocio reciben URL estáticas o reglas de enrutamiento limpias. Tienen títulos, H1, canonical autorreferenciados, textos útiles y enlaces desde sus categorías madre.

Filtros solo para la experiencia

Los visitantes siguen pudiendo filtrar, pero las URL resultantes no se envían en los sitemaps ni se exponen mediante rutas de rastreo masivas. Según la plataforma, pueden encajar el noindex, la canonicalización o un modelo de interacción que no se expanda. Prueba la elección con un rastreador real.

Combinaciones sin sentido o vacías

No dejes que la aplicación genere millones de rutas hacia conjuntos vacíos. Desactiva las opciones imposibles, devuelve el estado correcto cuando una dirección no tenga una representación válida e impide que los calendarios o los filtros creen espacios de URL infinitos.

No pidas a las etiquetas canonical que hagan todo el trabajo. Incluso cuando cada variante apunte a una categoría base, los rastreadores pueden tener que descargar miles de variantes para descubrir esas etiquetas.

Mejora el thin content según el tipo de página

Páginas de producto

Prioriza la información de compra: especificaciones precisas, imágenes originales, vídeo de uso, inventario, entrega, devoluciones, compatibilidad, valoraciones verificadas y preguntas de clientes. Una descripción de 800 palabras no compensa una talla o un precio ausentes.

Páginas de ubicación

La dirección, el horario, la zona de servicio, las indicaciones, el aparcamiento, las fotografías locales y los servicios propios de la ubicación aportan más valor que un párrafo de plantilla en el que se sustituye el nombre de una ciudad.

Páginas de categoría

Ofrece un buen conjunto de elementos, filtros utilizables, un orden sensato y un apoyo conciso para decidir. Un texto largo que empuje los productos por debajo del primer pantallazo puede empeorar la experiencia.

Artículos prácticos

Añade experiencia, datos, capturas de pantalla, ejemplos de fallos, decisiones y limitaciones. No aumentes la longitud definiendo el mismo concepto bajo tres encabezados.

Páginas programáticas

Cada URL necesita datos suficientemente distintos, controles de calidad y una razón por la que alguien buscaría esa página. Sustituir solo el nombre de un sector o de una ciudad en párrafos idénticos multiplica la pobreza en lugar del valor.

Migra en lotes controlados

No apliques noindex al 80% de un sitio en un solo lanzamiento sin un plan de reversión. Trabaja por plantilla:

1. Elige un grupo de bajo riesgo, como los parámetros de ordenación sin tráfico.
2. Registra el número de URL, las solicitudes de rastreo, las impresiones y la carga del servidor.
3. Lanza juntas las directivas, los cambios de sitemap y los cambios de enlaces internos.
4. Monitoriza durante cuatro a ocho semanas.
5. Comprueba si la regla ha afectado a URL valiosas.
6. Amplía al siguiente grupo cuando el resultado se estabilice.

Mide la calidad del conjunto indexable

El objetivo no es el índice más pequeño posible. Haz seguimiento de:

• El porcentaje de URL estratégicas indexadas.
• Los clics y las impresiones por cada mil URL indexables.
• Las URL excluidas por el motivo previsto.
• Las solicitudes de rastreo gastadas en plantillas de poco valor.
• El tiempo desde la publicación hasta el primer rastreo.
• Las tasas de soft 404 y de duplicados.
• Los ingresos o leads orgánicos de los grupos que se conservan.

Si el número de URL baja un 70% pero los productos nuevos tardan más en rastrearse, revisa las directivas, los enlaces internos y los sitemaps. Si las URL indexadas disminuyen mientras los clics se mantienen o suben, el rastreo se vuelve más enfocado y los errores de duplicados bajan, el proyecto avanza en una dirección útil.

Usa el SEO Checker para tomar muestras de las directivas de robots, los canonical y los estados. Una auditoría SEO gratuita ayuda a sacar a la luz los defectos repetidos de las plantillas antes de lanzar reglas amplias.

Una lista de verificación antes de cerrar un grupo de URL

• ¿El grupo tiene consultas distintas o valor de conversión?
• ¿Existe una URL representativa mejor?
• ¿Qué backlinks necesitan preservarse mediante redirecciones?
• ¿Cambiarán a la vez los enlaces internos y los sitemaps?
• ¿Pueden los rastreadores leer la directiva noindex?
• ¿Podría la regla afectar a locales, paginación o productos principales?
• ¿Hay una referencia de partida y una fecha de revisión?
• ¿Quién es responsable de revertir si desaparecen URL valiosas?

Si estas preguntas siguen sin respuesta, no empieces con un Disallow amplio.

Conclusión

El index bloat es un problema de asignación de URL y de valor, no una competición para reducir el número de páginas. El thin content es una falta de utilidad, no una falta de palabras. Audita por plantilla, identifica la necesidad independiente de cada grupo y elige si conservar, mejorar, consolidar, aplicar canonical, noindex o eliminar.

Durante la implementación, haz que los códigos de estado, las directivas de robots, los sitemaps y los enlaces internos cuenten la misma historia. Los lotes controlados con una referencia de partida avanzan más despacio que una orden noindex para todo el sitio, pero son medibles y mucho menos propensos a eliminar páginas que generan ingresos.

Referencias: especificaciones de robots meta y X-Robots-Tag de Google Search Central, orientaciones de rastreo para la navegación por facetas y orientaciones sobre contenido útil.