Ruta de aprendizaje: de SEO tradicional a SEO con SQL

El punto de partida

La mayoría de los profesionales de SEO que llegan a SQL lo hacen por una razón concreta: necesitan datos que sus herramientas habituales no proporcionan. Tal vez necesitan cruzar keywords de GSC con conversiones de GA4, o analizar el comportamiento de usuarios orgánicos a nivel de sesión individual, o detectar patrones de canibalización que las herramientas comerciales solo muestran de forma parcial.

Este artículo traza una ruta de aprendizaje organizada en fases. Cada fase se construye sobre la anterior, pero no es necesario completar todas para obtener valor: desde la fase 3 ya es posible ejecutar análisis que antes eran imposibles con herramientas de interfaz gráfica.

La ruta está pensada para profesionales de SEO con experiencia en análisis de datos (hojas de cálculo, GA4, GSC) pero sin conocimientos previos de programación ni SQL.

Fase 1: Entender los conceptos (1-2 días)

Antes de escribir una sola línea de código, conviene dedicar un tiempo breve a entender qué es cada pieza del ecosistema. Estos fundamentos se cubren en el bloque «Qué son las cosas» de esta sección:

• Qué es SQL y para qué sirve específicamente en SEO.
• Qué es una base de datos y cómo se organizan los datos en tablas, filas y columnas.
• Qué es BigQuery y cómo se diferencia de GA4 en capacidades y limitaciones.
• Cómo se relacionan GA4, BigQuery y Looker Studio en el flujo de datos.

El objetivo de esta fase no es memorizar definiciones, sino construir un modelo mental de cómo fluyen los datos desde el sitio web hasta una consulta SQL. Con eso claro, el aprendizaje práctico avanza mucho más rápido porque cada concepto nuevo tiene un contexto donde encajar.

Fase 2: Configurar el entorno (1 día)

La configuración técnica es un paso que solo se hace una vez. Puede parecer intimidante, pero cada paso está bien documentado:

1. Crear una cuenta de Google Cloud (gratuita, sin tarjeta de crédito obligatoria para empezar con el sandbox).
2. Conectar GA4 a BigQuery para que los datos de eventos se exporten automáticamente cada día.
3. Conectar GSC a BigQuery para tener datos de rendimiento de búsqueda sin el límite de 1.000 filas.

Una vez configurado, los datos empiezan a fluir al día siguiente. Mientras se acumulan los primeros días de datos, se puede practicar SQL con herramientas gratuitas de práctica o con los datasets públicos que Google ofrece en BigQuery.

Fase 3: Las primeras consultas (1-2 semanas)

Aquí empieza la práctica real con datos propios. El enfoque recomendado es empezar con queries sencillas e ir subiendo de complejidad gradualmente:

Semana 1: Consultas de lectura

• Ejecutar la primera query en BigQuery con el ejercicio guiado de esta sección.
• Practicar SELECT, FROM y WHERE: las tres cláusulas que forman la base de toda consulta.
• Aprender a filtrar por fechas con _TABLE_SUFFIX, por medios de adquisición y por tipos de evento.
• Usar queries del catálogo de Queryteca como plantillas: copiarlas, ejecutarlas con datos propios, y observar los resultados. La query de sesiones orgánicas diarias es un buen punto de partida.

Semana 2: Agregaciones y agrupaciones

• Aprender GROUP BY para agrupar datos por dimensiones (por página, por día, por canal, por dispositivo).
• Usar funciones de agregación: COUNT para contar, SUM para sumar, AVG para promediar.
• Practicar con queries del catálogo como la de top landing pages, tráfico por geografía o tráfico por dispositivo.
• Aprender a leer los números que devuelve BigQuery: bytes procesados, tiempo de ejecución, filas devueltas.

Fase 4: Análisis intermedios (2-4 semanas)

Con las bases cubiertas, se pueden abordar análisis más elaborados que empiezan a generar insights reales:

• CTEs (Common Table Expressions): usar WITH nombre AS (...) para organizar consultas complejas en pasos legibles. Los CTEs son la herramienta que permite escribir consultas largas sin perder la claridad.
• JOINs: cruzar tablas. El uso más valioso para SEO es unir datos de GSC con datos de GA4 por URL, como hacen las queries de cruce del catálogo.
• Funciones de fecha: DATE_SUB, DATE_TRUNC, FORMAT_DATE para filtrar por rangos temporales y agrupar por semana, mes o trimestre.
• CASE WHEN: crear clasificaciones personalizadas. Por ejemplo, categorizar keywords por intención de búsqueda usando patrones de texto.
• HAVING: filtrar resultados después de la agregación. Útil para encontrar, por ejemplo, solo páginas con más de 100 sesiones o keywords con CTR menor al 2%.

Fase 5: Análisis avanzados (1-2 meses)

Para quien quiera ir más allá y construir un flujo de análisis SEO completamente automatizado:

• Window functions: ROW_NUMBER, RANK, LAG, LEAD para rankings, comparaciones con periodos anteriores y cálculos acumulados dentro de grupos.
• Consultas programadas (Scheduled Queries): automatizar queries que se ejecutan cada día o cada semana sin intervención manual, guardando los resultados en tablas de destino.
• Conexión con Looker Studio: crear dashboards que ejecutan queries personalizadas de BigQuery con Custom Queries y parámetros dinámicos.
• Análisis de cohortes y atribución multicanal para medir el impacto real del SEO en el funnel de conversión.

Habilidades complementarias

Junto con SQL, hay habilidades que multiplican el valor del conocimiento y que se adquieren naturalmente con la práctica:

• Google Sheets / Excel: para post-procesar resultados de queries rápidamente, crear tablas pivot y gráficos ad hoc.
• Looker Studio: para convertir datos en dashboards presentables y compartibles con clientes o equipos.
• Expresiones regulares (regex): BigQuery soporta regex completas con REGEXP_EXTRACT y REGEXP_CONTAINS, que son indispensables para filtrar URLs, clasificar páginas por patrón y limpiar datos de texto.

Un consejo práctico

La forma más efectiva de aprender SQL no es seguir un curso genérico de bases de datos con ejemplos de tiendas o empleados: es resolver problemas reales con datos propios. Cada query del catálogo de Queryteca está diseñada exactamente para eso: un problema de SEO concreto, una solución SQL lista para usar, y una explicación paso a paso para entender cómo funciona cada línea.

No hace falta seguir las fases de forma estricta. Si hay un problema concreto que resolver (por ejemplo, detectar canibalización de keywords), se puede ir directamente a la query correspondiente del catálogo, ejecutarla, y aprender la sintaxis necesaria en el proceso.