Respuesta directa
Competir en búsqueda es un problema repetido de asignación: el trabajo dedicado a una consulta, página o formato tiene coste de oportunidad, mientras los competidores responden y el resultado sigue siendo incierto.
La teoría de juegos aporta intuición sobre incentivos, costes de cambio e inestabilidad, pero sus modelos controlados no revelan el ranking de Google, prueban un equilibrio de Nash ni garantizan resultados.
Proceso práctico
- Define una cartera de tareas de usuario y la evidencia que ya aporta cada página.
- Estima valor, relevancia, esfuerzo, coste de cambio, solapamiento y volatilidad como supuestos explícitos.
- Compara asignaciones equilibradas, orientadas al valor y a la estabilidad con una barrera obligatoria de utilidad y calidad editorial.
- Observa resultados comparables, registra respuestas competitivas y revisa sin perseguir cada movimiento de posición.
Ejemplo
Con 100 unidades, un equipo podría asignar 45 a una brecha valiosa, 35 a conservar una página fuerte pero volátil y 20 a explorar. Es un escenario, no un pronóstico; un cambio que reduce la calidad recibe cero.
Errores frecuentes
- Copiar al ganador como si fuera una respuesta estable.
- Aislar una consulta cuando la misma página sirve varias tareas.
- Llamar a la fórmula factor de Google, equilibrio de Nash o pronóstico.
Limitaciones
- Las intenciones, mecanismos y acciones futuras de competidores solo se observan parcialmente.
- Los pesos son supuestos del usuario y deben calibrarse con evidencia propia.
La búsqueda es un sistema vivo
- Evidencia
- Diagnóstico
- Experimento
- Medición
- Mejora
Teoría de juegos y crecimiento orgánico
Usa incentivos, alternativas y respuestas para encuadrar decisiones. Los juegos formales no revelan el ranking de Google ni garantizan equilibrio.
Diseño ético de información
Ordena evidencia veraz, incertidumbre y descalificadores alrededor de la decisión; no convierte la persuasión bayesiana en puntuación manipulativa.
Posicionamiento competitivo
Compara alternativas reales con una base común. La competencia puede aumentar o reducir la divulgación y no produce verdad automáticamente.
Atención racional y fricción
Revisa riesgo, familiaridad, incertidumbre, reversibilidad y coste informativo. Un experimento comprador-vendedor no crea un índice universal.
Arquitectura de elección
Categoriza y revela progresivamente cuando ayude, pero prueba el contexto. El efecto medio del metaanálisis fue casi cero y heterogéneo.
Evidencia de credibilidad
Muestra identidad, autoría, fuentes, políticas, fechas, seguridad y usabilidad accesible. La evidencia histórica no es un estudio de conversión o ranking.
Experimentación controlada
Define OEC, guardas, potencia, asignación, rampa y parada antes de mirar resultados. Un p-value límite no decide un ganador.
Influencia y distribución
Modela un grafo real con parámetros e incertidumbre. La aproximación codiciosa bajo submodularidad no predice viralidad.
Satisfacción más allá de clics
Reformulaciones rápidas similares pueden ser hipótesis en registros de sesión. Clic no es éxito, silencio no es satisfacción y GSC agregado no son sesiones.
Fallos de interpretación
Comprueba SRM, ratios, telemetría, potencia, multiplicidad, segmentos, atípicos, novedad, embudo, Simpson y la ley de Twyman.
Para quién es
- Define una cartera de tareas de usuario y la evidencia que ya aporta cada página.
- Estima valor, relevancia, esfuerzo, coste de cambio, solapamiento y volatilidad como supuestos explícitos.
- Compara asignaciones equilibradas, orientadas al valor y a la estabilidad con una barrera obligatoria de utilidad y calidad editorial.
- Observa resultados comparables, registra respuestas competitivas y revisa sin perseguir cada movimiento de posición.
Para quién no es
- Usar cloaking, páginas puerta, texto oculto o redirecciones engañosas.
- Comprar, intercambiar o automatizar enlaces para transferir señales de ranking.
- Publicar traducciones, páginas o comentarios masivos de bajo valor.
Herramientas gratuitas
Laboratorio de evidencia y posicionamiento
Relaciona afirmaciones con evidencia, incertidumbre, alternativas y ajuste honesto sin puntuación de persuasión.
Laboratorio de evidencia y posicionamiento | NAVINES SEO LabLaboratorio de fricción y arquitectura de elección
Revisa el entorno de decisión sin asumir que menos opciones siempre es mejor.
Laboratorio de fricción y arquitectura de elección | NAVINES SEO LabAuditoría de evidencia de credibilidad
Revisa identidad, autoría, fuentes, políticas, usabilidad y seguridad observables sin predecir conversión.
Auditoría de evidencia de credibilidad | NAVINES SEO LabPlanificador y comparador de experimentos SEO
Define hipótesis, unidades, métricas, controles y una comparación transparente entre periodos.
Planificador y comparador de experimentos SEO | NAVINES SEO LabPlanificador de semillas de influencia
Compara selección codiciosa Monte Carlo con grado bajo supuestos explícitos de difusión.
Planificador de semillas de influencia | NAVINES SEO LabAnalizador de fricción del recorrido de búsqueda
Revisa reformulaciones anónimas por sesión como hipótesis y mantiene las consultas locales.
Analizador de fricción del recorrido de búsqueda | NAVINES SEO LabFuentes principales
- Competitive Retrieval: Going Beyond the Single Query — arXiv; 2024-04-14; 2026-08-14.
- Ranking-Incentivized Quality Preserving Content Modification — arXiv; 2020-05-26; 2026-08-14.
- The Search for Stability: Learning Dynamics of Strategic Publishers with Initial Documents — Journal of Artificial Intelligence Research; 2025; 2026-08-14.
- Bayesian Persuasion — American Economic Review; 2011-10; 2026-08-15.
- Competition in Persuasion — Review of Economic Studies; 2017-01; 2026-08-15.
- Rational inattention in games: experimental evidence — Experimental Economics; 2024-09-13; 2026-08-15.
- Maximizing the Spread of Influence through a Social Network — ACM KDD; 2003; 2026-08-15.
- What Makes Web Sites Credible? A Report on a Large Quantitative Study — ACM CHI; 2001; 2026-08-15.
- Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload — Journal of Consumer Research; 2010-10; 2026-08-15.
- Controlled experiments on the web: survey and practical guide — Data Mining and Knowledge Discovery; 2009; 2026-08-15.
- A Dirty Dozen: Twelve Common Metric Interpretation Pitfalls in Online Controlled Experiments — ACM KDD; 2017; 2026-08-15.
- Beyond Clicks: Query Reformulation as a Predictor of Search Satisfaction — ACM CIKM; 2013; 2026-08-15.
- Creating helpful, reliable, people-first content — Google Search Central; 2025-12-10; 2026-08-14.
Guías y herramientas relacionadas
Planificador de cartera competitiva multiconsulta
Distribuye tu presupuesto entre consultas relacionadas mostrando valor, dificultad, coste y riesgo de inestabilidad.
Planificador de cartera competitiva multiconsulta | NAVINES SEO LabIntención de búsqueda y arquitectura de contenidos
Diseña páginas alrededor de tareas y relaciones claras, no de listas aisladas de palabras clave.
Intención de búsqueda y arquitectura de contenidos | NAVINES SEO LabMedir SEO con Search Console y analítica
Une visibilidad, comportamiento y resultados de negocio sin convertir una sola métrica en objetivo absoluto.
Medir SEO con Search Console y analítica | NAVINES SEO Lab