Cómo hacer un menú web optimizado para SEO y usabilidad

¿Cómo debe ser el menú de nuestra web? Este artículo propone un procedimiento para construir menús de navegación web teniendo en cuenta:

  • Los contenidos.
  • La demanda real de los usuarios, según las palabras clave de entrada.
  • El “modelo mental” de los usuarios.

Para esto vamos a necesitar algunos datos y herramientas:

  • El informe de palabras clave y número de visitas para cada una.
  • Microsoft Excel o cualquier herramienta tipo hoja de cálculo.
  • Una herramienta de generación de nubes de tags, como Wordle.
  • Una herramienta de card sorting, como WebSort.

Empezamos…

Extracción de datos y tratamiento semántico

Cuando definimos una arquitectura de información aplicable al menú de nuestra web, normalmente se plantea un ejercicio de card sorting alrededor de unos conceptos o categorías preconcebidas según los contenidos. Sin embargo, vamos a dejar el ejercicio de card sorting para más tarde ya que primero vamos a ver cuales son aquellos conceptos que mayor tráfico atraen a nuestra web. La idea es convertir el informe de palabras clave de Google Analytics en una nube de tags conceptual. Google Analytics también incluye informes tipo nube de tags, pero estos no realizan el procesado semántico que vamos a realizar, y que es primordial.

Vamos con ello…

  1. Primero de todo exportamos en formato CSV el listado de palabras clave de entrada SEO. Para realizar esto hay dos opciones, manual o automática mediante la API de Google Analytics. La opción manual requiere descargar tantos ficheros CSV como páginas tenga el informe de palabras clave, viendo en cada página hasta un máximo de 500 palabras clave. Con la API de Google Analytics podemos descargar todas las palabras clave de una vez, sin la limitación de 500 palabras clave como máximo que requiere la interfaz de Google Analytics.
  2. ga-kws

  3. A continuación, importamos el fichero CSV de palabras clave en un nuevo documento tipo hoja de cálculo como Excel. Y de todas las métricas que incluye la hoja de datos procedente del informe de Google Analytics, únicamente nos quedamos con el número de visitas.
  4. El siguiente paso consiste en agrupar todos los términos sinónimos bajo un mismo término. Por ejemplo, todas las ocurrencias sinónimo de botón como: “botón”, “cta” y “call to action”; pasarán a ser reemplazadas por el término “calltoaction”. Del mismo modo los términos: “google website optimizer”, “website optimizer” y “google optimizer”; pasarán a ser reemplazados por “gwo”. O “ab test”, “a b test”, “a/b” y “a/b test” se sustituyen por, por ejemplo, “abtest”.
    Este paso, además de agrupar términos sinónimos, también agrupa palabras clave formadas por más de un término en uno sólo. Esto es así para evitar duplicidad a la hora de contar el número de repeticiones de palabra, necesario para visualizar estas en forma de nube de tags. Por ejemplo, no queremos que “landing page” se contabilice como dos palabras diferentes, así que agruparemos estas dos palabras como un sólo concepto: “landingpage”.
  5. También convertimos todos los plurales a singulares (o viceversa), puesto que en definitiva se trata del mismo concepto y deberá ser contado como uno solo. Por ejemplo, “certificaciones” será “certificación” o “remotos” será “remoto”, etc.
  6. De la misma manera, también convertimos todos los femeninos a masculinos (o viceversa). Por ejemplo, de “remota” a “remoto”, etc.
  7. Eliminamos los términos que no aportan relevancia desde el punto de vista conceptual. Estas son las conjunciones, artículos, preposiciones como: “el”, “la”, “con”, “un”, “para”, “que”, etc.
  8. Una vez realizado este procedimiento, ya tenemos el conjunto de datos adecuado. Sin embargo, aun queda hacer un paso crítico. Este consiste en desagrupar cada término en tantas palabras como visitas haya generado. Es decir, si el término “landingpage” ha generado más de 2000 visitas, queremos que nuestro conjunto de datos tenga más de 2000 entradas para el término “landingpage”. Con esto, el generador de nubes de tag hará una representación real con los datos de entrada. Este desglose lo conseguimos fácilmente con la fórmula de Excel REPETIR(término, número de veces).

excel-keywords

Como resultado ya tenemos el conjunto de términos que servirá como fuente de datos de entrada para el generador de nubes de tags.

Construcción de nube de tags

Para generar la nube de tags podemos utilizar una herramienta web como Wordle. Pegamos nuestro conjunto de datos y automáticamente tendremos la nube de tags.

tag-cloud

Muy fácilmente ya podemos ver aquellos términos que son conceptos genéricos de nuestra web y que han generado mayor demanda desde un punto de vista SEO. Esta vista es más fácil de interpretar que el informe de palabras clave de Google Analytics y sobretodo considera el procesado semántico que hemos aplicado antes. Además, en este caso Wordle ofrece un contador de palabras. Con esto también podemos ver numéricamente el número de repeticiones de cada término. También es posible ajustar el número de términos diferentes que incluirá la nube de tags. Probablemente bastará con ver los 30 más comunes.

word-count

Wordle también permite eliminar dinámicamente términos de la nube de tags, y esta se pinta de nuevo a medida que vayamos descartando términos.

Card sorting

Hasta ahora ya tenemos el conjunto de conceptos que generan mayor demanda desde un punto de vista SEO. Sin embargo, y con el objetivo de construir un menú de navegación para nuestra web, ahora es necesario agrupar estos conceptos en familias o categorías según el “modelo mental” de los usuarios. Para esto podemos realizar un ejercicio de card sorting.

El card sorting es un ejercicio de arquitectura de información en el que los usuarios van a poder agrupar estos 30 conceptos más populares de nuestra web de acuerdo con su criterio, creando así un árbol de categorías o folksonomia.

card-sort

Este ejercicio se puede conducir de manera presencial, o también utilizando una herramienta web como OptimalSort. Basta con introducir la lista de conceptos más destacados en la nube de tags y compartir la URL del card sorting con un número de participantes. A medida que se hayan recogido las muestras de cada participante, WebSort mostrará los resultados de manera agregada de tal manera que veremos el grado de acuerdo entre todas las muestras y para cada ítem. Es decir, veremos en qué medida hay consenso entre los diferentes participantes a la hora de agrupar conceptos en las mismas categorías.
Como resultado tendremos un menú con un número concreto de categorías estándar, fruto del total de categorías que hayan definido los participantes. Y dentro de cada categoría de menú, aquellos conceptos que presenten mayor unanimidad entre los participantes. La agrupación de contenidos se realiza de manera automática con WebSort, el cual se basa en el trabajo de Donna Spencer sobre card sorting.

tree-map

Fuente: Daniel Rodríguez (Trucos Optimización).

Anuncios