Cómo agrupar tus consultas de Search Console en temas para encontrar oportunidades

Por qué agrupar las consultas de Search Console en temas

Search Console informa de las consultas fila a fila, y en cualquier sitio con tráfico real la mayoría de esas filas son minúsculas. Una consulta con 40 impresiones al trimestre no te dice nada por sí sola, pero doscientas formulaciones de la misma pregunta suman un tema para el que puedes posicionar, escribir y hacer seguimiento. Agrupar también convierte una lista que nadie lee en una tabla corta sobre la que actuar: qué temas te traen tráfico, en cuáles estás cerca de ganar y cuáles están perdiendo terreno. Es la misma razón por la que el playbook de striking distance funciona mejor por tema que por consulta, porque una página suele servir a un clúster entero.

Antes de empezar, saca dos tipos de consultas. Las consultas de marca se comportan distinto del resto (posicionan alto y tienen buen CTR), así que agrúpalas aparte o no las agrupes; el filtro de consultas de marca de Search Console ya divide el informe de rendimiento en una vista de marca y otra sin marca en los sitios que cumplen los requisitos. Y si tu lista de consultas ha recogido cadenas largas con forma de prompt que las herramientas de visibilidad en IA envían a Google de forma programada, filtra también esas, o formarán un clúster propio que ningún usuario escribió jamás. El informe Query Analysis de GSC Wizard las etiqueta como sondeos de rastreadores de LLM para que puedas excluirlas.

Tres formas de agrupar consultas de GSC, comparadas

Hay tres métodos prácticos (el segundo viene en dos variantes, n-gramas y solapamiento de SERP), además de la agrupación que ahora muestra el propio Google en Search Console Insights. Equilibran control y cobertura: las reglas son predecibles pero solo encuentran lo que se te ocurrió, y los embeddings encuentran lo que se te escapó pero dan grupos que tienes que revisar a mano.

Primero, una frase sobre la opción del propio Google. En octubre de 2025 Google añadió Query groups a Search Console Insights, una tarjeta que "agrupa consultas de búsqueda similares" y muestra el total de clics por grupo, ordenados como Top, Trending up y Trending down. Google escribe que "los grupos se calculan con IA; pueden evolucionar y cambiar con el tiempo" y que "solo están disponibles para las propiedades que tienen un gran volumen de consultas". Así que es un buen resumen gratuito si lo tienes, pero no puedes definir los grupos, no son lo bastante estables para hacer seguimiento mes a mes y los sitios más pequeños ni siquiera reciben la tarjeta.

Método 1: grupos de regex en el filtro de Search Console

En el informe de rendimiento, añade un filtro de Consulta, elige Personalizado (regex) y escribe un patrón por tema, por ejemplo cold.?brew|iced coffee concentrate. Según la página de ayuda de Google sobre el filtrado avanzado, "se usa la sintaxis RE2", la coincidencia es parcial (el patrón puede coincidir en cualquier parte de la consulta salvo que lo ancles con ^ o $) y no distingue mayúsculas de minúsculas salvo que empieces el patrón con (?-i). RE2 no tiene lookaheads ni backreferences, así que los patrones copiados de una chuleta de JavaScript o PCRE a veces fallan; las preguntas frecuentes sobre el filtro regex de Search Console tienen ejemplos que funcionan.

La fuerza de este método es que decides exactamente qué pertenece a un tema, y el mismo patrón da el mismo grupo el mes que viene. La debilidad es que Search Console muestra una sola vista filtrada a la vez, así que comparar doce temas significa doce vistas filtradas y copiar a mano cada total en una hoja, y la tabla de consultas de cada vista se detiene en 1000 filas (consulta el límite de 1000 filas). Hay además una trampa más sutil: el análisis en profundidad de los datos de rendimiento de Google explica que las consultas anonimizadas, las "que no lanzan más que unas pocas decenas de usuarios en un periodo de dos a tres meses", se dejan fuera de las tablas y solo se "incluyen en los totales del gráfico, a menos que filtres por consulta". Por eso un grupo de regex siempre acumula menos clics que las páginas que lo atienden, y la diferencia es mayor en los temas de long tail.

Método 2: n-gramas en una hoja de cálculo, o solapamiento de SERP

Para un mapa de n-gramas, exporta tus consultas con clics, impresiones y posición de tres a doce meses (la exportación de la interfaz se detiene en 1000 filas, así que usa la API de Search Console o la exportación masiva de datos en un sitio grande). Pasa cada consulta a minúsculas, divídela en palabras, descarta las palabras vacías como "cómo", "el" y "para", y unifica los plurales simples para que "molinillos" y "molinillo" cuenten como una sola palabra. Después cuenta cuántas consultas contienen cada palabra suelta (unigrama) y cada par de palabras vecinas (bigrama). Los pares que se repiten en muchas consultas, como "cold brew" o "burr grinder", son tus temas candidatos; asigna a cada consulta el candidato más específico que contiene y agrupa las métricas por tema en una tabla dinámica. Descarta las palabras que aparecen en una gran parte de todas las consultas, como "coffee" en un sitio de café, porque un tema que contiene la mitad del sitio no es un tema.

Los n-gramas son rápidos, gratuitos y repetibles, y se explican solos: una consulta está en "cold brew" porque contiene esas palabras. Lo que no pueden hacer es ver el significado. "French press" y "cafetiere" acaban en temas distintos, y una errata como "coldbrew" se queda sin su grupo. El solapamiento de SERP lo arregla desde el otro lado: obtienes los 10 primeros de Google para cada consulta y pones dos consultas en el mismo clúster cuando comparten suficientes URLs posicionadas, por ejemplo tres o más. Eso mide lo que Google trata como la misma intención, lo que lo convierte en el mejor método para decidir si un tema necesita una página o dos, pero cuesta una consulta de SERP por cada consulta, los resultados cambian con la ubicación, el dispositivo y la fecha, y escala mal a partir de unos pocos miles de consultas. GSC Wizard no hace clustering por solapamiento de SERP, porque trabaja solo con tus propios datos de Search Console y no hace scraping de los resultados de Google.

Método 3: clustering semántico basado en embeddings

Un modelo de embeddings convierte cada consulta en un vector de números, de modo que las consultas con un significado parecido acaban cerca unas de otras, sea cual sea el vocabulario que usen. Un pipeline típico calcula los embeddings de cada consulta con un modelo multilingüe (para que "cafetière" y "french press" puedan quedar juntas), reduce los vectores a unas pocas dimensiones con UMAP y los agrupa con HDBSCAN o k-means. Después pones nombre a cada clúster según sus consultas más grandes y sumas las métricas como antes. Este es el método que encuentra temas que no sabías que tenías, y maneja las erratas, el orden de las palabras y otros idiomas mucho mejor que las reglas.

Los costes, sin embargo, son reales. Necesitas Python o una API de embeddings de pago, y el resultado depende de los ajustes: cambia el tamaño mínimo del clúster, o añade tres meses de consultas nuevas, y los grupos se desplazan, lo que hace poco fiable el seguimiento mes a mes. HDBSCAN además deja una parte de las consultas como ruido que no pertenece a ningún clúster. Y la cercanía semántica tampoco es lo mismo que una sola intención: "cold brew maker" y "cold brew recipe" están una al lado de la otra en el espacio vectorial, pero una quiere una página de producto y la otra una receta. El flujo de trabajo que recomiendo es descubrir los temas una vez con embeddings o n-gramas, luego dejar por escrito como reglas los temas que te importan y hacer seguimiento de las reglas.

Un ejemplo práctico: las mismas consultas, tres métodos

Las consultas de abajo están inventadas para una cafetería ficticia y sirven para mostrar cómo discrepan los métodos; son ilustrativas, no datos de un sitio real. Las reglas de regex son cold.?brew para Cold brew, french press|press pot|cafeti[eè]re para French press y grinder para Grinders. La columna de embeddings muestra el tipo de agrupación que tiende a producir un modelo de embeddings, no el resultado de una ejecución real.

El patrón es típico. Las reglas son exactas pero ciegas a todo lo que no escribiste ("iced coffee concentrate"), los n-gramas separan los temas según la ortografía y los embeddings agrupan por significado pero difuminan la frontera entre intenciones vecinas ("coarse grind for press pot"). Ninguno está equivocado; responden preguntas distintas.

Qué hacer con tus clústeres para encontrar oportunidades

Cuando cada consulta tiene un tema, suma los clics y las impresiones por clúster y calcula la posición media y el CTR ponderados por impresiones (un promedio simple de posiciones hace que una consulta con 3 impresiones pese tanto como una con 30.000). Compara con el mismo periodo del año pasado o con el periodo anterior para que cada clúster tenga una dirección. Después busca cuatro patrones.

1. Clústeres con muchas impresiones y un CTR o una posición débiles. Ordena por impresiones y busca clústeres con una posición media de 8 a 25 o con un CTR muy por debajo del resto del sitio. Google ya te asocia con el tema, solo que no lo estás ganando. Abre el clúster, localiza las dos o tres consultas que aportan la mayoría de sus impresiones y mejora la página que posiciona para ellas, empezando por el title y la primera pantalla de contenido; los playbooks de striking distance y de recuperación de CTR cubren las ediciones.
2. Canibalización dentro de un clúster. Para cada clúster, cuenta cuántas de tus URLs reciben impresiones por sus consultas. Si tres páginas posicionan cada una cerca de la posición 15 para el mismo clúster, Google no puede decidir cuál mostrar y ninguna llega a la primera página. Elige la página más fuerte, fusiona o redirige las demás y apunta los enlaces internos a la ganadora, como en el playbook de canibalización.
3. Huecos de contenido. Un clúster que gana impresiones a través de una página que no trata de eso (tu página de inicio en el puesto 30 para una pregunta de cómo hacer algo, o una página de categoría posicionando para una comparación) está pidiendo una página propia. Lo mismo vale para las consultas que ningún clúster recogió: lee esa lista sobrante una vez por trimestre, porque un tema nuevo suele aparecer ahí primero.
4. Clústeres que se mueven con el tiempo. Haz seguimiento de cada clúster cada mes. Un clúster cuyas impresiones suben mientras los clics se quedan planos está ganando visibilidad que aún no convierte, y un clúster que baja tres meses seguidos está decayendo, de lo que se ocupa el playbook de content decay. Los clústeres también hacen legible una migración de sitio: un tema perdido es más fácil de arreglar que cuatrocientas consultas perdidas (consulta las migraciones de sitio en Search Console).

Así es ese triaje en la cafetería ficticia, de nuevo con cifras inventadas:

Cómo agrupa GSC Wizard las consultas de Search Console

Construí el clustering de GSC Wizard en torno a reglas, porque las reglas son lo que se puede seguir y explicar, y quiero ser preciso sobre lo que hace y lo que no hace cada parte.

Clústeres temáticos (basados en reglas, definidos por ti). En Property Setup creas un clúster como un nombre más una lista de hasta 100 palabras clave, escritas a mano o importadas desde un archivo CSV. Una palabra clave simple coincide con cualquier consulta que la contenga, sin distinguir mayúsculas, y una palabra clave entre barras, como /cold.?brew/, es una expresión regular. Una consulta entra en un clúster cuando coincide cualquiera de sus palabras clave, y una consulta puede pertenecer a más de un clúster, en cuyo caso cuenta completa en cada uno, así que los totales de los clústeres no están pensados para sumar el total del sitio. Cuando pulsas Ejecutar análisis, el informe de clústeres temáticos compara las reglas con todas las consultas de la propiedad en el periodo elegido, a partir de los datos almacenados en el warehouse cuando la propiedad tiene almacenamiento completo y desde la API de Search Console en caso contrario, de modo que no se limita a las 1000 filas que muestra la interfaz de Search Console. Cada clúster recibe clics, impresiones, CTR, una posición media ponderada por impresiones y un recuento de consultas, con el cambio frente al periodo anterior, y se despliega en las consultas que coinciden con la palabra clave que captó cada una.

El informe tiene un interruptor de marca y sin marca (controlado por los términos de marca que guardas en la propiedad) y tres filtros rápidos que corresponden a los patrones de arriba: Oportunidad muestra los clústeres con al menos la mediana de impresiones de tus clústeres, una posición media entre 11 y 25 y un CTR del 1 % o menos; En alza muestra los clústeres cuyas impresiones crecieron al menos un 20 % mientras los clics crecieron un 5 % o menos; En descenso muestra los clústeres cuyas impresiones cayeron un 10 % o más. Una sección aparte, Rendimiento de los clústeres a lo largo del tiempo, grafica cada clúster en 3, 6 o 12 meses con una tabla mensual. Los mismos clústeres funcionan además como filtro en los informes de Consultas, Rankings nuevos y perdidos, Cambios de posición, Canibalización, Query Decay y Page Poaching, que es como compruebas la canibalización o el decaimiento dentro de un solo tema. La documentación de clústeres temáticos tiene los detalles, y los grupos de contenido hacen lo mismo para las páginas según una regla de URL.

Lo que Clústeres temáticos no hace. No te inventa clústeres: en este informe no hay agrupación automática ni semántica y, a diferencia de los grupos de contenido, no tiene un asistente de sugerencias. Si quieres ayuda para escribir las reglas, el servidor MCP de GSC Wizard permite que un asistente de IA como Claude o ChatGPT lea tus consultas principales, proponga clústeres, los guarde con create_topic_cluster o update_topic_cluster y los mida con get_topic_cluster_performance, que también informa de las consultas que ningún clúster captó. La agrupación es entonces el criterio del asistente, así que lee las reglas antes de guardarlas.

Temas léxicos automáticos en la comparación de migraciones. El único lugar donde GSC Wizard agrupa consultas automáticamente es la pestaña Consultas de la comparación de migraciones, que agrupa en temas las consultas de una comparación de antes y después para que una migración que falló en una línea de producto se lea como una sola fila. Es el método de n-gramas de arriba, hecho determinista: toma hasta 5000 consultas (primero las de más clics), descarta las palabras vacías en siete idiomas y unifica los plurales simples, usa como candidatos las palabras sueltas y los pares de palabras que se repiten en al menos tres consultas pero no en más del 40 % de ellas, asigna a cada consulta su mejor candidato y conserva los 25 temas más grandes, con el resto bajo "Otras consultas". Las mismas filas dan siempre los mismos temas, y no usa embeddings.

Clustering de URLs, no de consultas. La Visualización de long tail agrupa páginas y no consultas: ordena tus URLs por clics, suaviza la curva acumulada de clics con un filtro gaussiano y coloca dos puntos de inflexión donde la curva se dobla con más fuerza, lo que divide el sitio en Head, Chunky Middle y Long Tail. Necesita al menos 30 URLs (por debajo de eso muestra la lista ordenada), se ejecuta en un Web Worker en tu navegador para que un sitio grande no bloquee la página, y también está disponible para los asistentes de IA como get_longtail_clusters. Responde a una pregunta distinta de la del clustering por temas, concretamente cuánto dependes de unas pocas páginas, y la documentación de long tail explica los niveles.

Clustering semántico. GSC Wizard no agrupa consultas con embeddings, así que si quieres clústeres semánticos, ejecuta tú mismo el Método 3 sobre una exportación de consultas y trae los temas que quieras seguir de vuelta a GSC Wizard como reglas, donde se mantienen estables de un mes a otro. Todos los planes incluyen Clústeres temáticos, la comparación de migraciones, la Visualización de long tail y el servidor MCP, desde 17 € al mes con una prueba gratuita de 7 días (consulta los precios).

Preguntas frecuentes

¿Cómo agrupo mis consultas de GSC en temas para encontrar oportunidades?

Asigna cada consulta de Search Console a un tema, con reglas de regex o de frases, n-gramas de palabras compartidas o embeddings semánticos, y después suma los clics y las impresiones y calcula la posición media y el CTR ponderados por impresiones de cada tema. Las oportunidades son los temas con muchas impresiones pero una posición media en la segunda página o un CTR bajo, los temas en los que varias de tus URLs se reparten las mismas consultas y los temas que reciben impresiones sin que haya una página escrita para ellos.

¿Puede Google Search Console agrupar las consultas en temas por sí solo?

En parte. Search Console Insights tiene una tarjeta de Query groups que agrupa consultas similares con IA y muestra los clics por grupo, pero solo para propiedades con un gran volumen de consultas, y Google dice que los grupos pueden cambiar con el tiempo. En el informe de rendimiento puedes filtrar las consultas con una regex personalizada, que muestra un grupo a la vez, así que comparar tus propios temas uno junto a otro sigue exigiendo copiar los totales a mano.

¿Qué sintaxis de regex usa el filtro de consultas de Search Console?

RE2. La página de ayuda de Google dice que la coincidencia es parcial por defecto, así que un patrón coincide en cualquier parte de la consulta salvo que lo ancles con ^ o $, y no distingue mayúsculas de minúsculas salvo que empieces el patrón con (?-i). RE2 no admite lookaheads ni backreferences.

¿Por qué los totales de mis clústeres no suman el total de mi sitio?

Por dos motivos. Google deja las consultas anonimizadas (las consultas raras) fuera de cada tabla de consultas y de los totales filtrados por consulta, así que las consultas agrupadas siempre suman menos que el total del sitio. Y si una consulta coincide con dos clústeres, una herramienta que permite el solapamiento, como los Clústeres temáticos de GSC Wizard, la cuenta en ambos.

¿Es mejor el clustering basado en embeddings que las reglas de palabras clave?

Encuentra sinónimos y traducciones que las reglas pasan por alto, así que es mejor para descubrir temas en un conjunto de consultas grande y desordenado. Las reglas son mejores para el seguimiento: dan la misma agrupación cada mes y puedes explicárselas a un cliente. Un buen flujo de trabajo es descubrir los temas con embeddings o n-gramas y después dejarlos por escrito como reglas.

¿Agrupa GSC Wizard las consultas de Search Console automáticamente?

No en el informe de Clústeres temáticos: tú defines cada clúster como una lista de frases o patrones regex y GSC Wizard lo mide en toda la propiedad. Migration Compare agrupa automáticamente las consultas de una migración en temas léxicos, y la Longtail Visualization agrupa URLs, no consultas, en cabeza, zona media y long tail. GSC Wizard no agrupa consultas con embeddings; para clústeres semánticos, ejecuta un modelo de embeddings sobre una exportación de consultas y trae los temas de vuelta como reglas.

¿Puede un asistente de IA crear los clústeres por mí?

Sí, a través del servidor MCP de GSC Wizard. Un asistente como Claude o ChatGPT puede leer tus consultas principales, proponer clústeres, guardarlos con create_topic_cluster y medirlos con get_topic_cluster_performance. Revisa las reglas propuestas antes de guardarlas, porque la agrupación es criterio del asistente.

Siguiente playbook

¿Has encontrado un clúster en el que compiten varias páginas? Arréglalo antes de reescribir nada: corregir la canibalización de palabras clave →