Datos SEO de empresas en Madrid y España estudio 2026

Los datos sirven si ayudan a tomar una decisión que antes no podíamos tomar. Un porcentaje vistoso, sin saber de dónde sale, puede hacer justo lo contrario. Este observatorio reúne los estudios de YAG Comunicación sobre visibilidad local, estructura de las webs y señales de captación. Su función es facilitar la consulta y la comprobación: qué se analizó, cuándo, con qué límites y dónde descargar la fuente.

La distinción que conviene tener delante desde el principio es sencilla. Aparecer en Maps, tener una web técnicamente ordenada y recibir un cliente son tres cosas distintas. Pueden relacionarse, pero nuestros estudios no permiten sustituir una por otra. Aquí no vas a encontrar una promesa de contactos escondida detrás de un porcentaje. Encontrarás cifras observadas y una forma de usarlas sin engañarte con ellas.

Tampoco hemos creado una megamuestra sumando estudios. Hay tres fuentes, con unidades y fechas diferentes. Una empresa puede estar en más de una. Parte de las webs se pudo leer y otra parte no. Algunas señales solo se buscaron en la portada y sin ejecutar JavaScript. Esos detalles cambian lo que se puede afirmar. Por eso están al lado de los datos, no enterrados en una nota final.

Puedes entrar directamente en cualquiera de las fuentes:

1. Qué pregunta responde cada estudio y cuál deja abierta

Descargas directas: datos de España, Google Maps Madrid y captación en webs de Madrid. Estos enlaces también están fuera de la tabla para que puedas abrir las fuentes desde el móvil sin desplazarte por columnas.

La primera decisión no es qué cifra destacar. Es qué pregunta queremos resolver. Si una clínica quiere saber por qué recibe pocas solicitudes, un dato nacional de H1 no responde a su problema. Puede darle una pista para revisar la estructura, pero no le dice si la demanda existe, si su anuncio atrae a las personas adecuadas o si alguien está recibiendo el formulario. Mezclar preguntas produce informes aparatosos y decisiones pequeñas.

Visibilidad local no es toda la visibilidad de una empresa

El estudio nacional observa negocios que aparecen en Google Maps al buscar su actividad seguida de una localidad. No es un censo de empresas. Tampoco es el historial de posiciones de cada negocio para todas las búsquedas posibles. El resultado está ligado a una consulta y a una observación dentro del periodo descrito. Una empresa puede salir para una especialidad y no para otra, o competir de manera diferente cuando la consulta añade un barrio.

La palabra «localidad» tampoco equivale a tamaño de población en este trabajo. Los grupos se construyen según cuántos negocios hay en la muestra de esa localidad. Puede guardar relación con la competencia observada, pero no convierte el archivo en una clasificación demográfica oficial. Cuando leas «menos de 30 negocios», piensa en el número recogido por ese procedimiento, no en todos los comercios que existen allí.

Mi criterio para trabajar con este tipo de investigación es conservar la pregunta original. Si se ha medido una presencia en el top 3, no la convierto en cuota de mercado, notoriedad o ventas. Eso no rebaja el estudio. Lo vuelve reutilizable. Otra persona puede tomar la misma tabla y saber si el dato le ayuda, sin tener que adivinar qué se ha querido decir con «visibilidad».

Una lectura de portada no es una auditoría funcional completa

El estudio de captación pregunta qué elementos se pueden detectar en el HTML inicial de una página principal. Es una pregunta concreta y útil: ¿hay un enlace de teléfono que se pueda pulsar?, ¿se ve una etiqueta publicitaria?, ¿existe un formulario que no sea un buscador? No comprueba todo lo que una persona encontraría navegando ni lo que un navegador carga tras aceptar determinadas opciones.

Eso significa que «no detectado en portada» y «no existe en la web» no son equivalentes. Un formulario puede estar en una página de contacto; una etiqueta puede cargarse desde un contenedor; un botón puede aparecer después de ejecutar código. La medición identifica la superficie leída, no toda la capacidad técnica de la empresa. Para decidir un cambio hay que abrir después la web y verificar el recorrido afectado.

El reverso también importa. Detectar un formulario no demuestra que funcione. Detectar un enlace de WhatsApp no demuestra que alguien responda. Detectar una etiqueta no demuestra que esté asociada a una acción de conversión válida. El archivo proporciona señales, no certificados de calidad. Usarlo bien exige mantener ese límite incluso cuando una interpretación más rotunda daría un titular más llamativo.

El observatorio es un índice explicativo, no un cuarto experimento

Esta página agrupa y explica tres fuentes existentes. No añade negocios, no crea un porcentaje combinado y no presenta resultados nuevos de clientes. Sus tablas seleccionan indicadores de los JSON enlazados. Las propuestas de diagnóstico que aparecen después son recomendaciones editoriales y los escenarios de empresa se identifican como hipotéticos. No deben citarse como observaciones extraídas de la muestra.

Hay una ventaja práctica en separar las capas. Quien necesita el dato puede ir al archivo; quien necesita entenderlo encuentra el método; quien necesita contratar puede consultar el servicio correspondiente sin que la investigación se convierta en un catálogo de promesas. A mi juicio, esa separación da más confianza que añadir una llamada comercial a cada párrafo.

Si tu pregunta es «¿qué tengo que mejorar en mi web?», la investigación te ayuda a plantear una comprobación. Si es «¿cuánto voy a vender?», faltan demanda, inversión, margen, propuesta, atención y datos propios. No vamos a rellenar ese hueco con una media nacional. La decisión siguiente consiste en conseguir la evidencia que falta, no en ampliar el significado del porcentaje que ya tenemos.

2. Las tres muestras, sus fechas y sus denominadores

Una tabla con muchas filas no es necesariamente más precisa que una tabla pequeña. Lo que importa es que cada fila conserve su denominador: el conjunto sobre el que se ha calculado el porcentaje. Aquí hay negocios, webs auditadas, portadas leídas, grupos de ciudades y grupos sectoriales. No son nombres distintos para lo mismo. Si cambia la unidad, cambia la lectura.

Ficha de las fuentes que se pueden descargar

Fuentes: campos periodo_medicion, totales y metodologia de los tres archivos enlazados en la introducción. Las fechas identifican la medición publicada; no convierten el dato en una descripción en tiempo real de cada negocio.

El estudio nacional cuenta un negocio por dominio y localidad, según su metodología. El técnico de captación utiliza un negocio por dominio y excluye ciertos perfiles de plataformas usados como web. Esa diferencia ya impide sumar sin más. Aunque dos archivos tuvieran exactamente el mismo número de filas, todavía habría que comprobar que hablan de las mismas entidades y con el mismo procedimiento.

No voy a calcular aquí una supuesta cobertura total del tejido empresarial porque no tenemos un marco censal con el que contrastarla. Sabemos qué se auditó; eso no nos autoriza a afirmar qué porcentaje de todas las empresas se ha cubierto. El tamaño de la muestra permite describir muchas observaciones, pero no corrige por sí solo cómo fueron seleccionadas.

Ausente, no leído y no aplicable no significan cero

Supongamos un ejemplo hipotético. Se intentan leer cinco portadas; una no responde, otra redirige a una plataforma y tres se leen. Si una de esas tres contiene un formulario, el porcentaje entre las leídas no se calcula usando cinco como denominador sin explicar el cambio. Tampoco se puede decir que las dos restantes carecen de formulario. No se ha observado esa característica en ellas.

En una auditoría operativa conviene conservar estados separados: leído, error de lectura, excluido por criterio y pendiente de comprobación manual. Una hoja que convierte todo lo desconocido en «no» parece más completa, pero introduce errores. Ese mismo problema aparece al interpretar una API sin acceso, una propiedad de analítica vacía o una exportación incompleta. La falta de dato no demuestra falta de actividad.

Para este observatorio usamos el denominador declarado por cada fuente, sin reconstruir recuentos exactos a partir de porcentajes redondeados. Un porcentaje con una cifra decimal puede corresponder a distintos redondeos. Si el archivo ofrece el recuento, se cita. Si no lo ofrece, no lo inventamos multiplicando y presentando el resultado como una cifra original del estudio.

El periodo también forma parte del indicador

Una medición realizada durante un intervalo no se compara automáticamente con otra hecha en un día. El estudio nacional agrega auditorías dentro de un periodo; el técnico de captación hace una lectura de portadas en una fecha concreta. Las webs pueden haber cambiado entre ambas observaciones. También pueden variar los negocios incluidos. Que el año coincida no las convierte en una serie temporal.

Para afirmar una evolución harían falta cortes comparables: misma selección, mismas definiciones, mismo modo de lectura y una explicación de altas, bajas y errores. Si una futura versión incorpora JavaScript donde antes solo se leyó HTML, una subida de detecciones podría deberse al método, no a que las empresas hayan instalado más herramientas. El cambio debe anotarse antes de dibujar la curva.

Esta precaución sirve también para evaluar a una agencia. Comparar meses con distinta duración, propiedades o criterios de contacto puede producir una mejora aparente. La guía para comprobar un informe SEO mensual desarrolla ese problema en el trabajo por URL. Aquí mantenemos la misma regla: primero qué se contó y después cuánto parece haber cambiado.

3. Qué dicen los datos de Google Maps en España

El hallazgo más útil del estudio nacional no es una ciudad ganadora o perdedora. Es que una media general puede ocultar entornos de competencia muy distintos. En el total publicado, el 26,4 % de los negocios observados aparece en el top 3. Ese porcentaje no es una meta universal para una empresa, y tampoco es la probabilidad personal de entrar en ese bloque tras contratar un servicio.

La escala del mercado observado cambia la comparación

Fuente: ciudades_61 y resto_por_negocios_en_muestra del JSON nacional. Estos grupos son los publicados por el estudio. No se han recalculado con población municipal ni se presentan como categorías administrativas.

La diferencia invita a investigar cuántas alternativas encuentra una persona para la actividad y el lugar que busca. Una pequeña localidad y una gran ciudad no tienen la misma estructura de consulta ni la misma distribución de negocios observados. Sin embargo, el dato no permite concluir que en un pueblo no haga falta trabajar la web o que en una ciudad sea imposible conseguir solicitudes. Ambas afirmaciones irían más allá de lo medido.

Yo utilizaría la tabla para elegir comparables, no para vender un plazo. Antes de comparar una empresa con la media nacional, miraría si comparte entorno, actividad y tipo de búsqueda. Un negocio que presta un servicio especializado a toda una región puede tener otra forma de competir que un comercio al que el cliente llega andando. La tabla orienta la pregunta; no decide la estrategia por sí sola.

Los sectores requieren un marco común

El estudio compara sectores dentro de las 61 ciudades con al menos 300 negocios en la muestra. Esa restricción evita mezclar sin control una actividad concentrada en grandes ciudades con otra más repartida por localidades pequeñas. Sigue habiendo diferencias entre sectores, pero al menos la comparación conserva un marco territorial más consistente.

Fuente: sectores_en_las_61_ciudades del archivo nacional. Son resultados agregados de búsquedas de esas actividades en esa muestra, no porcentajes de pacientes, consultas contratadas ni rentabilidad. La tabla selecciona cuatro sectores; el archivo contiene el detalle del conjunto publicado.

El hecho de que dos actividades compartan porcentaje no implica que necesiten el mismo contenido. Una clínica dental puede tener tratamientos, financiación y una decisión de compra diferente a la de una consulta de fisioterapia. La información que reduce dudas, los requisitos de confianza y la forma de reservar pueden cambiar. Copiar una arquitectura por el parecido de una cifra sería una decisión bastante pobre.

La reputación observada no es un umbral garantizado

El archivo también recoge valoraciones medias de negocios que aparecen en el top 3. Ese dato describe a los que están dentro del grupo observado; no establece una nota mínima que, al alcanzarla, abra la puerta del mapa. Tampoco prueba que una valoración cause una posición concreta. Hay más variables y no se ha hecho un experimento que las aísle.

La documentación de Google sobre resultados locales explica que intervienen distintos factores, no una única casilla. Lo razonable es trabajar la exactitud de la información y la experiencia real de las personas, y comprobar las consultas relevantes. La tabla puede ayudar a contextualizar reputación, pero no justifica comprar reseñas ni prometer un puesto por conseguir una media determinada.

Una pregunta útil para el responsable de negocio sería: «¿qué información necesita quien encuentra mi ficha para decidir si puede llamarme?». Otra: «¿la especialidad que más nos interesa está bien explicada en la web a la que llega?». Ninguna se resuelve añadiendo palabras sin sentido al nombre de empresa. Los datos nos llevan a revisar una experiencia concreta, no a fabricar una señal aislada.

4. Madrid ciudad y Madrid por distrito no son un antes y después

Madrid aparece con un 2,9 % de presencia en el top 3 en el grupo de búsquedas generales de ciudad del estudio nacional. El grupo buscado por distrito presenta un 14,9 %. La diferencia es llamativa y merece atención. También es fácil contarla mal. Aquí no se ha tomado a los mismos negocios, se les ha aplicado una estrategia y se ha observado su resultado después.

Dos grupos, dos consultas y una comparación descriptiva

Fuente: entrada de Madrid en ciudades y objeto madrid_busquedas_por_distrito del archivo nacional. Las muestras no son iguales. La proporción es mayor en el grupo de distrito, pero eso no mide el efecto de crear páginas de barrios ni permite prometer un incremento individual.

Cambiar «se observa más presencia» por «multiplicamos tus resultados» altera el significado. Lo primero describe una comparación. Lo segundo atribuye un efecto a un servicio. Para hacer esa atribución habría que definir una intervención, observar los mismos negocios con un método comparable y explicar otras causas posibles. Tampoco bastaría con encontrar un caso favorable y generalizarlo al resto.

Mi lectura práctica es más concreta: conviene investigar cómo busca una persona cuando añade proximidad o una especialidad. Quizá existan preguntas locales que la web no resuelve. Quizá no, porque la empresa no presta ese servicio en esa zona. El estudio no obliga a fabricar páginas para todos los distritos. Invita a revisar demanda y utilidad con datos del proyecto.

Qué tendría que aportar una página local para merecer existir

Una página local debería ayudar a alguien que necesita ese servicio en ese lugar. Puede explicar cobertura real, desplazamiento, forma de atención, limitaciones, proyectos o condiciones relevantes. Si solo cambia el nombre del barrio sobre el mismo texto, el responsable tiene una colección de URLs, pero no necesariamente una respuesta mejor. No propongo multiplicar páginas para parecer presente donde no se trabaja.

Pensemos en un escenario hipotético: una empresa de reformas atiende varios distritos, pero los presupuestos dependen del acceso, del tipo de inmueble y del trabajo. Una página útil podría aclarar qué servicios realiza y cómo evalúa una visita. No necesita fingir una oficina en cada zona. El valor está en reducir incertidumbre antes de solicitar presupuesto, no en repetir un mapa y una frase con la localidad.

Otro escenario hipotético: un profesional solo atiende en una consulta concreta. Antes de crear páginas de todos los barrios, tendría sentido mejorar la información de llegada, el proceso de reserva y la explicación de especialidades. Es posible que una buena página resuelva mejor esas dudas que diez textos genéricos. La investigación local debe servir a la realidad operativa, no sustituirla.

Por qué otro estudio de Madrid ofrece porcentajes diferentes

El estudio específico de Maps Madrid incluye 10.741 negocios y mezcla búsquedas de ciudad, distrito y municipios cuyo nombre incluye Madrid. Publica un 6,5 % de presencia en el top 3 para su conjunto. Ese dato no contradice el 2,9 % del grupo de ciudad del estudio nacional: son agrupaciones distintas. Cambiar el denominador puede cambiar el porcentaje aunque no haya cambiado la situación de ningún negocio.

Por eso hay que citar el estudio junto al dato. «Madrid tiene un 2,9 %» es incompleto. Es mejor indicar «en el grupo de 8.793 negocios buscados a nivel de ciudad del estudio nacional». La frase es un poco más larga, pero evita mezclarla con otro universo. Si se necesita una versión breve para una gráfica, la nota metodológica debe permanecer accesible y el título conservar el ámbito.

Para una empresa que quiere trabajar su posicionamiento SEO en Madrid, lo relevante no es elegir el porcentaje más impresionante. Es identificar servicios rentables, consultas reales, páginas útiles y una forma de comprobar las solicitudes. Ese trabajo puede apoyarse en el estudio, pero necesita datos propios. La media de otra muestra nunca debe sustituir la evidencia de tu negocio.

5. H1, descripciones y schema qué se ha detectado realmente

El bloque técnico nacional lee la página principal de 30.839 webs. Busca características que pueden identificarse en esa lectura: encabezados, meta description, datos estructurados y canonical, entre otras. Es una forma de localizar asuntos que merecen revisión. No es una nota total de calidad, no evalúa todos los textos y no comprueba el recorrido completo de una persona.

Cuatro indicadores que conviene citar con su unidad

Fuente: totales del JSON nacional. El denominador de estos indicadores es el de webs auditadas, no el de negocios de Maps. Las categorías pueden solaparse: una misma portada puede carecer de H1 y de meta description. No sumes porcentajes como si fueran empresas diferentes.

Es tentador convertir la primera fila en «una de cada cuatro empresas no tiene SEO». Yo no lo haría. La presencia de una etiqueta no resume el contenido, los enlaces ni el funcionamiento. Una página puede tener un H1 correcto y una propuesta confusa; otra puede carecer del encabezado y contener información valiosa que convenga conservar al corregirla. La acción profesional es revisar el problema, no tirar la web.

Un encabezado útil no es una frase escrita para una máquina

El H1 ayuda a identificar de qué trata una página. Para que tenga sentido, debe corresponder al contenido y ser legible para quien llega. Si se cambia solo para meter una lista de localidades y servicios, puede empeorar la comprensión. El diagnóstico debería mirar cómo se relacionan el título, el encabezado, la introducción y el resto de secciones, no evaluar cada pieza como una casilla independiente.

Un ejemplo hipotético: una portada anuncia «Soluciones que conectan» y solo al final explica que vende mantenimiento de comunidades. El primer trabajo no sería añadir veinte palabras al H1 por intuición. Sería aclarar qué se ofrece, a quién y dónde, conservando la identidad visual que ya funciona. Después se comprueba el texto publicado, el orden de lectura y cómo llega una persona al contacto.

La meta description merece el mismo cuidado. Su ausencia puede ser una tarea pendiente, pero tenerla no garantiza un fragmento concreto ni que quien vea el resultado haga clic. Hay que escribirla de acuerdo con la intención y con lo que la página entrega. Copiar una promesa de otra empresa sin poder sostenerla genera un problema comercial antes de que genere una oportunidad.

Los datos estructurados tienen que describir contenido verdadero

El marcado puede relacionar una empresa, una persona, una página y un artículo. Eso no autoriza a inventar una sede, una oferta, una valoración o un estudio descargable. Tampoco hay que convertir cualquier guía en un Dataset por incluir la palabra «datos». El tipo describe un recurso real; no es una medalla para dar apariencia técnica al artículo.

Este observatorio remite a los conjuntos de datos originales. No publica un cuarto archivo con una muestra nueva, así que no pretende que la explicación editorial sea una nueva investigación cuantitativa. La persona puede seguir los enlaces y leer lo que existe. Prefiero una referencia clara a tres fuentes que un grafo inmenso donde cada objeto repite el mismo reclamo comercial.

La documentación de Google sobre funciones de IA mantiene el foco en fundamentos, contenido y coherencia. No exige un archivo especial de IA ni un marcado exclusivo para aparecer. Esto no significa que no haya trabajo técnico que hacer. Significa que un JSON-LD válido no puede venderse como prueba de que una empresa será citada por un asistente.

6. Etiquetas publicitarias no es lo mismo que medir clientes

En el estudio técnico de 3.988 portadas madrileñas se detecta una etiqueta de Google Ads en el 7,3 % y un píxel de Meta en el 5,3 %. Son indicadores de presencia visible según el método descrito. No son porcentajes de empresas que miden correctamente, que anuncian en ese momento o que consiguen clientes rentables. Esa diferencia debería acompañar a cualquier reutilización de los datos.

Qué significan AW, Tag Manager y píxel en este archivo

Fuente: global.medicion del JSON de captación. Lectura de HTML inicial, sin ejecutar JavaScript, del 24 de septiembre. Los detectores pueden observar señales solapadas y tienen límites declarados. No se deben sumar filas como si fueran tecnologías excluyentes.

El archivo permite examinar una segunda pregunta: qué medios de contacto se detectan entre las 291 portadas con etiqueta AW-. Este bloque usa ese denominador, no las 3.988 portadas del total. El contraste ayuda a elegir una revisión de destino publicitario sin tratar ambos grupos como conjuntos independientes.

Fuente: webs_con_etiqueta_google_ads frente a global.contacto_en_portada del JSON de captación. El grupo de 291 forma parte del conjunto completo. Para una empresa que paga tráfico, la revisión concreta sería comprobar si la acción prometida en su anuncio se encuentra y funciona en la página de llegada, también cuando esa página no es la portada del estudio.

El evento tiene que representar lo que dice su nombre

Imaginemos un caso hipotético: una campaña cuenta como conversión cada vez que alguien abre el formulario. Ese evento puede ayudar a estudiar interés, pero no es una solicitud recibida. Si el panel lo llama «lead» y se optimiza o se informa como si ya hubiera una persona interesada, el negocio pierde la capacidad de distinguir atención de oportunidad. La etiqueta existe; el criterio comercial es incorrecto.

Otro supuesto: un formulario muestra agradecimiento antes de comprobar si el servidor ha aceptado el envío. El navegador podría registrar un éxito y, sin embargo, no llegar nada al equipo. Para descartarlo hay que verificar el recorrido de extremo a extremo: envío, respuesta, almacenamiento o recepción y consulta posterior. Mirar el código de una etiqueta no responde a esa pregunta.

La ayuda oficial de Google Ads sobre medición de conversiones explica el concepto de acciones valiosas. Nuestra recomendación práctica es definir qué acción vale para cada servicio y verificarla de verdad. Un clic de llamada, una conversación iniciada, una solicitud y un contrato son etapas diferentes. Pueden medirse por separado sin fingir que tienen el mismo valor.

Ausencia visible es una hipótesis que hay que comprobar

El archivo avisa de que sin ejecutar JavaScript no se ven determinadas cargas desde contenedores o plataformas. Esa limitación puede producir falsos negativos para la pregunta «¿hay medición en la web?». En cambio, para la pregunta más estrecha «¿aparece esta señal en el HTML servido?» la respuesta sigue siendo válida. La precisión está en no cambiar de pregunta después de obtener el dato.

Tampoco vamos a convertir una detección de consentimiento en una declaración de cumplimiento legal. Una plataforma visible o una llamada de modo de consentimiento no acredita la configuración completa. Haría falta una revisión específica de lo que se carga, cuándo y bajo qué elección. Este estudio no la realiza. Su dato puede orientar una comprobación, no sustituirla.

Cuando trabajamos una estrategia de marketing digital en Madrid, esta separación permite pedir la prueba que falta sin reinventar todo. Puede que la campaña necesite segmentación; puede que el formulario falle; puede que no exista demanda suficiente para la oferta. Primero se verifica cada capa. Subir presupuesto antes de saber cuál falla no convierte una señal técnica en un buen negocio.

7. Los medios de contacto deben evaluarse como un recorrido

El estudio de captación registra elementos que facilitan contactar desde la portada. Es una parte de la experiencia, no toda. Tener un teléfono escrito en una imagen no es lo mismo que ofrecer un enlace de llamada. Un botón puede existir pero resultar difícil de encontrar en móvil. Un formulario puede verse bien pero pedir información que la persona todavía no sabe dar. Para evaluar esas situaciones hace falta usar la web.

Lo que se observa en las portadas leídas

Fuente: global.contacto_en_portada del archivo técnico de Madrid. Un medio que solo está en otra URL no cuenta en esta lectura. Las opciones se solapan y la presencia no verifica recepción, tiempo de respuesta ni calidad de la atención.

Los datos por actividad permiten plantear preguntas más específicas. La siguiente selección conserva el número de portadas de cada sector; no pretende ordenar la calidad de las empresas ni sustituye su recorrido comercial.

Fuente: sectores, campos webs y contacto_en_portada del JSON técnico. En arquitectura, por ejemplo, revisaría si el portfolio deja claro cómo solicitar una valoración y qué información inicial hace falta. En restauración comprobaría la reserva, horarios y alternativas cuando no hay disponibilidad. En una consulta comprobaría que se entiende cómo pedir cita sin enviar información clínica innecesaria. Son decisiones propuestas, no comportamientos medidos por el detector. El porcentaje orienta dónde mirar; la necesidad de cada actividad explica qué probar.

Visibilidad del contacto y calidad del mensaje deben encajar

Pensemos en una situación hipotética: un anuncio promete hablar por WhatsApp, pero la página de destino solo enseña un formulario después de varias secciones. La incoherencia no se arregla diciendo que WhatsApp está en el pie. La expectativa se creó antes del clic. El recorrido debería permitir esa acción con claridad, sin obligar a buscarla ni tapar contenido con un elemento invasivo.

Otro escenario: la portada ofrece un presupuesto, pero el formulario exige un diagnóstico técnico completo del proyecto. La empresa puede necesitar ese detalle más adelante. Pedirlo todo antes de la primera conversación convierte una acción sencilla en una tarea. Reducir campos no significa atender sin criterio: significa pedir lo necesario para iniciar y cualificar después con un proceso definido.

Hay un matiz que me parece decisivo. Un formulario más corto puede recibir más envíos sin que mejore la calidad. Por eso el cambio debe comprobar recepción y también interés real. Si solo celebramos envíos, podríamos premiar spam o consultas que no encajan. La experiencia de usuario y la definición comercial se tienen que revisar juntas, no como proyectos separados.

Cómo comprobar el recorrido sin contaminar resultados

Una prueba debería quedar identificada como prueba, con permiso para usar el canal y sin datos personales inventados que parezcan un cliente. El equipo debe poder localizarla y excluirla del recuento comercial. Es suficiente para verificar una ruta funcional, pero no demuestra que los visitantes reales la vayan a usar. Esa segunda pregunta exige observación posterior y un periodo de análisis adecuado.

En móvil conviene revisar el teclado, las etiquetas de campos, el mensaje de error, el espacio visible y la confirmación. En escritorio, el foco, la navegación y los estados también cuentan. Un botón que funciona con ratón puede fallar con teclado; un aviso puede quedar tapado por una barra fija. Ninguno de esos fallos se descubre contando enlaces en HTML.

El diseño web en Madrid debería resolver esas decisiones junto a la estructura y el contenido. Una portada más vistosa no compensa un contacto roto. Y una portada técnicamente correcta puede necesitar una explicación comercial mejor. El observatorio ayuda a detectar superficies frecuentes para revisar; el trabajo real empieza al seguir el recorrido de una persona concreta, con una necesidad concreta.

8. De un porcentaje a una decisión que se pueda comprobar

Una investigación descriptiva puede producir buenas decisiones sin fingir que explica todas las causas. La secuencia que propongo es bastante terrenal: elegir una pregunta, localizar la fuente que realmente habla de ella, comprobar la situación propia, ejecutar un cambio acotado y revisar qué se observa después. El dato agregado sirve para orientar atención. La evidencia del proyecto sirve para decidir una intervención.

Caso hipotético de un profesional con pocas solicitudes

Supongamos que una consulta recibe pocas peticiones. El estudio sectorial muestra competencia en Maps y el técnico señala oportunidades de contacto en muchas portadas. No sabemos cuál es su problema. Antes de recomendar una web nueva, revisaríamos consultas relevantes, páginas de especialidad, acceso a la información y recepción del formulario. Cada revisión responde a una pregunta distinta, y alguna podría descartar la hipótesis inicial.

Si el formulario no llega, corregirlo es prioritario porque impide atender un interés existente. Si funciona pero nadie lo abre, quizá la propuesta o la ubicación del contacto necesiten revisión. Si hay solicitudes que no encajan, quizá el mensaje o la captación atraigan otra intención. El mismo síntoma comercial puede tener causas diferentes. Un porcentaje sectorial no elige entre ellas.

La decisión debería quedar escrita con una condición de comprobación: «corregimos esta ruta y verificamos su recepción», «aclaramos este servicio y observamos estas consultas» o «ajustamos el contacto y distinguimos pruebas de solicitudes reales». No hace falta que cada mejora produzca una victoria inmediata. Hace falta que el trabajo deje un aprendizaje utilizable y no vuelva a esconder el problema bajo otra métrica.

Caso hipotético de una tienda que recibe tráfico sin compras

Una tienda podría usar el dato de schema para revisar cómo describe productos y categorías. Pero antes habría que comprobar stock, precio, gastos, pagos, errores y expectativas de la campaña. Añadir marcado no resuelve por sí solo una pasarela que falla ni una categoría donde el visitante no encuentra lo anunciado. La pregunta comercial sigue siendo qué impide completar la compra.

Supongamos que se detecta un problema de información: las condiciones de envío solo aparecen al final del proceso. La propuesta puede ser hacerlas comprensibles antes, conservar una línea base y comprobar el recorrido. Si después cambian las ventas, habrá que registrar también promociones, inversión y disponibilidad. El ejemplo es hipotético; no es un resultado observado en los estudios ni un caso de cliente.

Yo evitaría convertir una mejora técnica en una garantía de facturación. Eso no impide trabajar con ambición. Obliga a definir resultados que se puedan observar y explicar las limitaciones. En ocasiones el aprendizaje será que una hipótesis no era correcta. Saberlo a tiempo también evita dedicar más esfuerzo a una intervención que no resuelve el cuello de botella.

Una matriz breve para priorizar sin inventar un impacto

Esta matriz es una recomendación editorial, no una tabla de resultados de la muestra. No incluye porcentajes de mejora porque no se han medido. Cada empresa tendría que adaptar el criterio y su seguimiento. La utilidad está en mantener el vínculo entre problema, acción y comprobación, sin saltar directamente a una promesa.

Cuando la información de varias herramientas no encaja, conviene conservar el desacuerdo. Un panel puede mostrar sesiones y otro un recuento distinto por filtros o definiciones. Elegir el mayor para que parezca que todo funciona no resuelve nada. Hay que entender qué observa cada uno y cuál responde a la pregunta que estamos intentando contestar.

9. SEO, GEO y AEO sin convertir las siglas en otra promesa

Una fuente propia bien documentada puede ser útil para lectores, medios y sistemas de búsqueda. Eso no significa que publicar un estudio garantice enlaces, mejores posiciones o citas de asistentes. El valor está en ofrecer información comprobable que otra persona pueda usar. Si se coloca una promesa comercial en lugar de la metodología, la página puede parecer más ambiciosa y ser una fuente peor.

Qué facilita que un dato se pueda reutilizar correctamente

Un párrafo citable necesita decir quién observa, qué observa, en qué grupo y cuándo. También tiene que conservar la condición que cambia su sentido. «Se detectó una etiqueta en HTML inicial» contiene más información que «mide conversiones», aunque la segunda frase suene mejor. «En una muestra no aleatoria» no es una disculpa: define hasta dónde se puede trasladar el resultado.

Los archivos descargables permiten revisar esas condiciones sin depender de una imagen. Una gráfica puede ser útil para entender diferencias, pero no debería ser el único lugar donde aparece una cifra. El texto y la tabla facilitan lectura, búsqueda y comprobación. La imagen acompaña; no sustituye la definición del indicador ni oculta lo que falta.

En esta página las ilustraciones de mapas no son una representación de cada posición medida. Se identifican como ilustraciones. El gráfico de captación sí resume indicadores publicados en su estudio, y los números permanecen también en tablas y archivos. Ese detalle evita que alguien trate los puntos de un dibujo como si fueran observaciones individuales georreferenciadas.

Citar una marca no es lo mismo que recomendarla

Un asistente podría mencionar a YAG como autor de un estudio sin recomendar sus servicios. También podría responder una pregunta relacionada sin usar este observatorio. Para saber qué ocurre hay que observar respuestas concretas, su fecha, la pregunta, el motor y las fuentes enlazadas. Una captura aislada no demuestra una presencia estable ni un efecto en solicitudes.

Yo mediría por separado mención, cita con enlace, visita y contacto. Si solo hay una mención, la registraría como tal. Si una persona llega desde un asistente y solicita información, habría que comprobar el origen disponible y no atribuir todos los contactos nuevos a ese canal. La honestidad de la atribución no es un adorno: permite elegir dónde invertir esfuerzo.

El servicio de posicionamiento GEO y visibilidad en IA debe apoyarse en ese tipo de trabajo comprobable: fuentes útiles, entidades coherentes, acceso y observación de respuestas. No hay un número mágico de repeticiones de marca ni una etiqueta que convierta el contenido en respuesta obligatoria. Tampoco un archivo de resumen puede garantizar que lo consulte un determinado sistema.

Cómo mantener utilidad para la persona que no sabe las siglas

Quien dirige una empresa no tiene por qué aprender una taxonomía de motores para beneficiarse de un artículo. Tiene que poder entender el dato, encontrar la fuente y saber qué revisar. Por eso la estructura empieza en las preguntas y deja las distinciones técnicas donde son necesarias. La página no exige elegir entre «hacer SEO» o «hacer IA» antes de comprender el problema.

Una respuesta directa al inicio ayuda a orientarse; la explicación larga permite comprobar matices. No hay contradicción entre ambas. El problema aparece cuando el resumen promete algo que el cuerpo desmiente, o cuando se recorta la metodología para que el tiempo de lectura parezca menor. Aquí conservamos el desarrollo porque el contexto forma parte del valor de la investigación.

La documentación de Google enlazada antes distingue elegibilidad de aparición. Podemos verificar que una página sea accesible, que sus enlaces funcionen y que el contenido esté disponible. No podemos declarar una cita futura como si fuera una consecuencia técnica asegurada. Esa frontera es la misma para un estudio propio, una guía comercial o una página de servicio.

10. Cómo citar, descargar y comprobar un indicador

La forma más útil de compartir una cifra es permitir que el siguiente lector la compruebe. Los tres archivos declaran licencia CC BY 4.0 y enlazan a sus estudios. Puedes trabajar con esos datos agregados respetando la licencia, la atribución y las condiciones que definen la muestra. No hace falta convertir una tabla en una imagen sin fuente ni pedir permiso para cada cita que ya cubre la licencia.

Una cita completa conserva fuente, ámbito y fecha

Un ejemplo de atribución para el dato nacional sería: «En el estudio de YAG Comunicación sobre 30.839 webs, medido entre julio y septiembre de 2026, el 32,2 % no presentó datos estructurados detectados en la lectura de portada». El enlace debería llevar al estudio nacional o a su archivo, no a una página comercial que no contiene la cifra.

Para las etiquetas publicitarias, el matiz metodológico cambia la frase: «YAG Comunicación detectó una etiqueta AW- en el HTML inicial del 7,3 % de 3.988 portadas madrileñas leídas el 24 de septiembre de 2026, sin ejecutar JavaScript». Eso no permite añadir que las restantes no anuncian o que las detectadas miden clientes. La cita termina donde termina la observación.

Si se necesita una versión reducida para una tarjeta, puede mantenerse el dato y enlazar una nota de método legible. Lo que no conviene es quitar precisamente las palabras que limitan el significado. Una cabecera corta no justifica transformar «se detectó» en «se demostró» ni «muestra» en «todas las empresas». El contexto no es relleno editorial.

Recorrido de comprobación para una persona sin herramientas técnicas

Primero abre el estudio enlazado y localiza su apartado de método. Comprueba que hable de la misma superficie que te interesa: Maps, portada o contacto. Después abre el JSON; el navegador suele mostrar el texto del archivo y permite buscar una palabra. Encuentra el campo, lee el bloque que lo contiene y comprueba el denominador. Por último, conserva la URL y la fecha de la versión consultada.

No necesitas entender cada llave del archivo para identificar el título, el periodo y las limitaciones. Los nombres de los indicadores son descriptivos. Si exportas una tabla a otra herramienta, no borres las notas. Si una celda queda vacía, no rellenes automáticamente con cero. Si conviertes porcentajes en recuentos estimados, identifícalos como cálculo propio y explica el redondeo, en lugar de atribuirlos al archivo original.

La licencia se puede consultar en Creative Commons Attribution 4.0. Para usos concretos hay que respetar sus términos; esta explicación no sustituye esa lectura. El principio editorial es fácil de mantener: que quien reciba el dato pueda seguir el rastro hasta la fuente y distinguir lo publicado de las transformaciones que has hecho tú.

Diccionario mínimo para no mezclar indicadores

El diccionario no añade resultados; fija cómo interpretamos los existentes. Puede parecer menos emocionante que una lista de supuestas victorias, pero evita errores que después cuestan tiempo y dinero. Cuando la persona que prepara el informe y la que toma decisiones usan palabras distintas para la misma fila, el desacuerdo suele llegar tarde. Es mejor resolverlo antes de presentar la tabla.

Comprobación de una tabla antes de reutilizarla

Para preparar una tabla en una hoja de cálculo, empieza por conservar una copia del archivo original sin cambios. Pon a la hoja de trabajo un nombre que identifique la fuente y la fecha de consulta. No mezcles en una misma columna porcentajes procedentes de bloques diferentes sin añadir su ámbito. Una fila necesita, como mínimo, indicador, valor, unidad, muestra, periodo y referencia al campo. Con eso otra persona puede reconstruir la selección sin leer todo el artículo.

Si vas a recoger el 7,3 % de Google Ads, la ruta es global.medicion.etiqueta_google_ads_pct del archivo de captación. Para el 32,2 % sin schema, es totales.sin_schema_pct del nacional. Comparten una columna de porcentajes, pero no una muestra ni una prueba técnica. Escribe esa diferencia en la tabla de trabajo. Que dos celdas tengan el mismo formato no las hace comparables.

Cuando un gráfico utiliza una selección de sectores, conserva también el criterio de selección. Si eliges los cuatro con el porcentaje más bajo, dilo. Si seleccionas solo los que trabaja tu empresa, dilo también. En el primer caso estás mostrando un orden dentro de un universo; en el segundo, una selección editorial. No se debe presentar la segunda como un ranking exhaustivo de todos los sectores.

El redondeo merece una revisión separada. Si copias una cifra con una decimal, conserva esa precisión. No añadas decimales que el archivo no aporta para que la tabla parezca más técnica. Si calculas una diferencia, identifica que es un cálculo tuyo y usa puntos porcentuales cuando comparas directamente dos porcentajes. Una diferencia y una proporción no responden a la misma pregunta; elegir la más grande sin explicarla cambia el mensaje.

Tampoco reconstruyas una base de negocios individuales a partir de agregados. El archivo no identifica empresas y no permite saber qué atributos se reúnen en un negocio concreto. No puede utilizarse para afirmar que determinada clínica carece de medición o para preparar una lista de destinatarios con ese supuesto. La investigación agregada y una auditoría de una empresa identificada son trabajos diferentes.

Qué sería una reproducción y qué sería una nueva medición

Reproducir una tabla de este observatorio significa recuperar los indicadores del archivo original manteniendo sus definiciones y denominadores. Volver a visitar hoy algunas webs no reproduce necesariamente aquella medición: puede haber cambiado el contenido, la selección o el modo de lectura. Esa revisión nueva puede ser útil, pero necesita otra fecha y otra ficha. No debería sustituir silenciosamente el dato anterior.

Si quieres construir una serie temporal, documenta el conjunto que se mantiene y el que cambia. Una mejora aparente podría surgir porque desaparecen webs con errores, porque se incorporan otros sectores o porque el detector reconoce una tecnología adicional. No hace falta invalidar la nueva medición; hace falta explicar por qué no mide exactamente lo mismo. Así se puede conservar valor sin dibujar una tendencia que el procedimiento no sostiene.

Para una comprobación manual, selecciona antes el criterio y conserva los casos revisados. No elijas solo los que confirman la hipótesis. Si se trata de verificar formularios, define qué superficie y qué estado vas a mirar. Si se trata de etiquetas, anota si ejecutarás JavaScript, qué elección de consentimiento harás y qué constituye una detección. Cada decisión modifica el alcance de la revisión.

En un trabajo editorial prefiero mantener las limitaciones visibles a incorporar una falsa precisión estadística. El tamaño de una muestra no demuestra por sí solo representatividad y no elimina sesgos de selección. Aquí no publicamos intervalos de confianza como si se hubiera aplicado un diseño aleatorio que no existe. La forma responsable de mejorar el estudio sería ampliar y documentar su método, no añadir una notación estadística para aparentarlo.

Antes de compartir el resultado, una persona distinta debería poder responder cuatro preguntas con la tabla y su nota: de qué fuente procede, qué grupo observa, cómo se ha transformado y qué no permite concluir. Si alguna respuesta depende de una explicación verbal que solo conoce quien preparó la gráfica, falta documentación. Ese pequeño control evita que una buena investigación pierda su sentido al pasar de una hoja interna a una presentación, un artículo o una respuesta de IA.

11. Errores que convierten un buen estudio en una mala decisión

Una investigación puede perder precisión al compartirse. El archivo original mantiene el método, pero una tarjeta, un anuncio o una respuesta generada recorta el matiz. El siguiente lector hereda una conclusión más fuerte de la que permiten los datos. Esta sección recoge errores de interpretación y cómo corregirlos; no atribuye esas prácticas a los negocios de la muestra.

Sumar muestras y confundir categorías solapadas

El primer error sería sumar los negocios nacionales y madrileños para anunciar un volumen mayor. Madrid ya forma parte del ámbito nacional y las selecciones tienen criterios que no permiten tratarlas como conjuntos independientes. El resultado de esa suma no sería una muestra nueva. Sería un número fabricado a partir de archivos reales. Lo correcto es publicar cada universo por separado.

El segundo aparece dentro de una misma tabla. Una web puede tener teléfono, WhatsApp y formulario. Sumar sus porcentajes no produce un porcentaje de empresas con contacto; cuenta varias veces superficies que coinciden. El archivo incluye algunas combinaciones, pero eso no autoriza a inventar todas las intersecciones. Si una combinación no está publicada, debe calcularse desde datos adecuados o quedar como desconocida.

Un tercer caso consiste en tomar un porcentaje de una submuestra y asignarlo al total. Por ejemplo, un indicador de las webs donde se detectó Google Ads no describe las 3.988 portadas. Cada bloque tiene su población de referencia. Mi regla práctica es leer siempre el nombre del objeto del archivo antes de copiar un número. Muchas conclusiones erróneas se evitarían con ese gesto.

Convertir asociación en una receta universal

El estudio Maps Madrid publica correlaciones entre características web y presencia en top 10. Puede ser interesante observar una diferencia entre grupos con y sin marcado local. No demuestra que añadir el marcado produzca esa diferencia en una empresa. Los grupos pueden tener otras características distintas y no se ha aislado cada una. Presentarlo como efecto garantizado sería cambiar de tipo de evidencia.

El mismo problema aparece con las reseñas, el volumen de palabras o una mención geográfica. Una característica puede acompañar a una mayor presencia sin ser su causa única. A veces puede ser una consecuencia de que el negocio ya invierte más en su presencia digital. Los datos publicados no resuelven esa dirección. Por eso no recomendamos añadir texto o localidades para reproducir una correlación sin mirar la utilidad.

Una decisión responsable puede decir: «esta asociación justifica revisar cómo está descrita la entidad». Después verifica si realmente hay una incoherencia y la corrige. No necesita afirmar: «este cambio nos dará el mismo porcentaje». La ambición comercial no desaparece por reconocer el límite; se concentra en hacer bien un trabajo que se puede comprobar.

Leer una asociación con su denominador y su diferencia real

El archivo de Maps Madrid ofrece una tabla especialmente útil para aprender a interpretar asociaciones. Divide sus 3.504 webs auditadas según una característica y compara la presencia en el top 10 de Maps. Los grupos de cada fila son diferentes de los de otras filas: no deben combinarse para fabricar una puntuación.

Fuente: correlaciones_top10_maps del JSON de Maps Madrid. La última columna es cálculo editorial por resta de los porcentajes publicados, no una medición adicional. El propio archivo identifica estos datos como correlaciones, no causas.

La primera fila se lee así: en ese conjunto, el grupo con marcado local presenta 18,7 % en el top 10 y el otro 15,4 %. La resta da 3,3 puntos porcentuales. No significa que añadir el marcado suba 3,3 posiciones ni que produzca 3,3 % más de clientes. La fila sobre un solo H1 muestra además una diferencia pequeña en ese indicador, aunque revisar la claridad de los encabezados siga siendo una tarea sensata de contenido.

Un ejemplo puramente hipotético ayuda a distinguir las unidades: si dos grupos de 100 visitas produjeran 10 y 15 solicitudes, habría una diferencia de cinco puntos porcentuales en la tasa de solicitud, mientras que el segundo recuento sería un 50 % mayor que el primero. Ninguna operación explica por qué cambió. Estos números son inventados para enseñar el cálculo y no describen empresas ni resultados del observatorio.

Para convertir una asociación en una revisión útil, pide el dato propio que falta. ¿El schema describe realmente la entidad? ¿La ubicación escrita corresponde al servicio? ¿La descripción responde a la página? ¿El H1 ayuda a entenderla? Si la respuesta ya es correcta, la tabla no obliga a cambiarla. Priorizaría un defecto confirmado de experiencia o contacto antes que alterar una página por perseguir la diferencia más vistosa de la tabla.

12. Cómo usar el observatorio en tu empresa sin rehacerlo todo

No hace falta rediseñar una web entera porque una tabla enseñe un problema frecuente. Conviene empezar por la página que atiende una necesidad comercial y revisar el defecto dominante. A veces será técnico; otras, una oferta poco clara, un contacto escondido o una mala conexión con el equipo. La investigación sirve para elegir preguntas. El proyecto propio tiene que confirmar cuál merece el primer cambio.

Una revisión breve que deja un registro útil

Escoge una URL y escribe qué espera encontrar quien llega. Anota cómo se accede a ella, qué explica del servicio y qué acción ofrece. Comprueba el título, la estructura visible y la coherencia entre datos de empresa y contenido. Después sigue el contacto, sin contar una prueba como cliente. Si detectas varios problemas, ordénalos por su capacidad para bloquear el recorrido, no por lo vistosa que sería su solución.

Conserva una evidencia del estado inicial y define qué significa corregirlo. No basta «mejorar SEO»: puede ser que la respuesta se entienda, que el enlace lleve a un destino válido, que el formulario llegue o que una canónica refleje la URL correcta. Esos criterios permiten verificar la ejecución antes de atribuir un resultado comercial. Una intervención pequeña, bien comprobada, deja más aprendizaje que diez cambios sin registro.

Tras el cambio, revisa de nuevo la experiencia real y el contenido publicado. Si afecta a personas de móvil, comprueba móvil; si modifica un formulario, comprueba su ruta; si cambia metadatos, lee el HTML final. Un archivo guardado o una compilación correcta no muestran por sí solos que la persona encuentre lo que necesita. Esa comprobación es parte del trabajo, no un añadido opcional.

Qué automatizar y qué mantener bajo revisión humana

Tiene sentido automatizar inventarios, detección de enlaces rotos y comprobaciones repetibles. También registrar errores de formularios y avisar cuando falla una conexión. No tiene sentido automatizar una conclusión comercial a partir de la mera presencia de una etiqueta. El sistema puede señalar qué revisar; la persona debe valorar si el dato responde a la pregunta y si el cambio es adecuado para el negocio.

La automatización de procesos en Madrid puede conectar una solicitud con el equipo y reducir pérdidas de seguimiento, siempre con permisos y tratamiento apropiados. No convierte una visita en comprador ni sustituye la atención. La guía de n8n para empresas permite explorar flujos educativos antes de decidir un desarrollo. Sus ejemplos no son una clasificación empírica de rentabilidad.

Cuando faltan datos, el sistema debería mostrar que faltan. Un panel que pinta verde lo desconocido hace más daño que un aviso incómodo. Yo prefiero un registro con una limitación visible y un responsable que pueda resolverla. Si no se puede comprobar un origen, se deja sin atribuir. Si no se ha visto la recepción, no se da por válida la conversión.

Ficha de esta versión y registro de las siguientes

Esta es la ficha editorial del observatorio que se presenta el 17 de octubre de 2026. La fecha del artículo no sustituye las fechas de medición de las fuentes. No se ha realizado una segunda ola de auditoría para elaborarlo.

La siguiente actualización debería tener un registro sencillo que se pueda leer antes de comparar sus cifras. Esta plantilla no promete una fecha de nueva medición; indica qué documentación necesitaría para ser comparable.

Por ejemplo, si una nueva revisión ejecuta JavaScript para estudiar etiquetas, se abre una nueva serie para ese procedimiento. La tabla antigua sigue siendo consultable como lectura de HTML. Si solo se corrige un enlace o una explicación, no se presenta como aumento de cobertura ni como cambio del porcentaje. Es una distinción operativa que facilita que otro equipo reutilice el observatorio sin tener que reconstruir sus decisiones.

Para tu empresa, el siguiente paso puede ser muy concreto: escoger una URL comercial, comprobar un problema y definir su primera mejora. Puedes consultar SEO, diseño web, marketing, visibilidad en IA o automatizaciones según el recorrido que haya que resolver. La fuente te da contexto; el registro de tu proyecto permite comprobar el trabajo.

Fuentes de este observatorio: los tres estudios y archivos JSON enlazados al inicio; documentación oficial de Google sobre resultados locales, funciones de IA y medición de conversiones; términos de la licencia CC BY 4.0. Las tablas reproducen indicadores publicados. Los escenarios y la matriz de decisiones son explicaciones editoriales, no resultados de clientes ni experimentos adicionales.