Safecont es una herramienta SEO de análisis de calidad de contenido que rastrea una web y agrupa sus URLs según lo parecidas que son entre sí, el poco contenido que tienen y el riesgo que eso supone para el posicionamiento. Sirve sobre todo en webs con miles de URLs (tiendas online, clasificados, directorios, medios), donde revisar página a página es inviable.
En este artículo te explico qué mide Safecont, cómo se leen sus informes y cómo decidir qué hacer con cada grupo de páginas. Al final tienes la forma de llegar a las mismas conclusiones con un rastreador y Google Search Console, porque lo que importa es el método: te sirve con esta herramienta o con cualquier otra.
Qué es Safecont y para qué sirve
Safecont es un software SEO creado en España por César Aparicio, Carlos Redondo y Carlos Pérez que usa aprendizaje automático (machine learning) para detectar contenido similar, contenido pobre y problemas de enlazado interno dentro de un dominio. En lugar de darte un listado plano de URLs, las agrupa en clústers y te dice por cuáles empezar.
Conocí la herramienta en privado, charlando con sus creadores, unos meses antes de su presentación pública del 17 de noviembre de 2016, a la que también asistí. La idea de partida que contaron me sigue pareciendo la clave para entenderla: no se puede decidir si un documento tiene calidad mirándolo solo. Hay que compararlo con otros. Por eso Safecont no puntúa textos sueltos, sino que compara todas las URLs de un dominio entre sí.
Lo que analiza se resume en cinco bloques:
- Similaridad interna: cuánto se parecen tus páginas entre sí.
- Duplicado externo: si tu contenido aparece en otros dominios, porque lo has copiado o porque te lo han copiado.
- Thin content: páginas con contenido escaso o que no aportan nada.
- Semántica: de qué temas habla el sitio y si están relacionados.
- Arquitectura: profundidad, reparto de la autoridad interna y textos ancla de los enlaces internos.
Nació muy ligada a Google Panda, y por eso sus métricas principales se llaman PandaRisk (riesgo del dominio) y PageRisk (riesgo de cada URL). Hoy ese contexto ha cambiado. Según la guía de sistemas de posicionamiento de Google, Panda se anunció en 2011 y en 2015 pasó a formar parte de los sistemas principales. Ya no hay «un Panda» que esquivar, pero la pregunta de fondo es la misma: ¿cuántas de tus páginas aportan algo distinto?
El panel principal de Safecont: el estado del dominio de un vistazo
La página de inicio de un análisis resume los principales problemas del dominio y su PandaRisk. Ese número no es un porcentaje ni una probabilidad: es una puntuación de 0 a 100. Cuanto más alta, más peso tienen las páginas problemáticas sobre el total.
El mismo panel compara el dominio en los factores principales (similaridad, thin content, duplicado externo y riesgo) con una zona que la herramienta considera segura, y adelanta qué clústers y qué URLs concretas acumulan más riesgo.
Qué mide Safecont: similaridad, duplicado externo, thin content y semántica
Safecont mide tres problemas de contenido: la similaridad interna (páginas del mismo dominio que dicen casi lo mismo), el duplicado externo (texto que también está en otras webs) y el thin content (páginas que no resuelven nada). Para cada uno agrupa las URLs por tramos de gravedad y les asigna un color, de verde a rojo, como un semáforo. Lo completa con un análisis semántico de los temas del sitio.
Similaridad interna: páginas que se parecen demasiado
La similaridad no es lo mismo que el contenido duplicado. Duplicado es un texto literal, idéntico. Similar es un texto que alguien ha reescrito cambiando cuatro palabras y un par de sinónimos, o una ficha que solo cambia el color del producto. Para detectarlo se usan técnicas como el análisis de n-gramas (grupos de palabras consecutivas), la frecuencia de cada término respecto al resto del dominio o la distancia de Levenshtein (cuántos cambios hacen falta para convertir un texto en otro).
En la herramienta lo ves por clústers: uno con las URLs que se parecen entre un 90 y un 100 %, otro del 80 al 90 %, y así. El tamaño de cada barra indica cuántas URLs hay en ese tramo respecto al total.
Al entrar en un clúster aparece el listado de URLs que lo forman, cada una con su porcentaje de similitud, su duplicado externo y su PageRisk, y se puede exportar a CSV para trabajarlo fuera.
Cada URL tiene además su propia ficha: un gráfico que compara similaridad, PageRisk, thin content y duplicado externo, y datos como el número de palabras, los enlaces internos y externos, la profundidad, la fuerza de la página, la proporción entre texto y HTML, el tiempo de respuesta y un análisis TF-IDF del título (qué peso tiene cada término frente al resto del dominio).
El criterio de trabajo: por encima del 50 % de similaridad, revisar cuanto antes. Suelen ser páginas que repiten algo que ya está en otra parte del dominio y que obligan a Google a rastrear dos o más veces lo mismo.
Aquí hay que ser precisos con una palabra que la herramienta usa mucho: «penalización». Google no penaliza el contenido parecido dentro de tu propia web. Lo que hace, según su documentación sobre URLs duplicadas, es elegir una versión canónica (la que considera representativa) y dejar el resto en segundo plano. El coste real es otro: rastreo desperdiciado, señales repartidas entre varias URLs y páginas que compiten entre sí por la misma búsqueda.
Duplicado externo: contenido que también está en otras webs
El análisis de duplicado externo busca fragmentos de tu contenido en otros dominios y te dice qué URL coincide, con qué extracto y dónde. Vale para dos cosas: saber si tus textos (por ejemplo, descripciones del fabricante) están repetidos en decenas de tiendas, y saber si alguien te está copiando por si quieres actuar.
Google trata el copiado a escala como spam: sus políticas de spam describen el raspado de datos como tomar contenido de otros sitios, a menudo de forma automatizada, y alojarlo sin aportar nada.
Thin content: páginas que no aportan valor
Thin content no significa «poco texto». Si buscas el tiempo de este fin de semana, la mejor página es la que te enseña un sol o una nube, no la que tiene 1.000 palabras. Esa página resuelve lo que el usuario quiere, así que no es contenido pobre.
En su presentación, Safecont resumía el thin content en estos rasgos:
- Es trivial.
- Es redundante.
- Es escaso.
- No resuelve una necesidad.
- Está mal escrito.
- Está fuera del tema de la web.
- Está desfasado.
Como en la similaridad, al pulsar en una barra se despliegan las URLs de ese clúster para trabajar directamente sobre ellas.
La lista de rasgos encaja bien con lo que Google pide hoy en su guía para crear contenido útil, fiable y centrado en las personas, donde pregunta, entre otras cosas, si el contenido aporta valor y originalidad o se limita a copiar o reescribir otras fuentes.
Análisis semántico: de qué temas habla el sitio
El apartado de semántica agrupa las URLs por temática y muestra qué términos pesan más en el sitio. Lo representa en una caja de tres dimensiones donde cada punto es un grupo de páginas: cuanto más lejos están dos puntos, menos tienen que ver sus temas.
Sirve para dos comprobaciones. La primera, si los temas del dominio están relacionados o cada sección va por libre. La segunda, localizar un grupo que se separa del resto sin motivo aparente: al pasar el ratón por encima, la herramienta dice qué clúster es, cuántas URLs tiene y qué riesgo acumula.
Debajo, otro gráfico resume todos los clústers semánticos con cuadros cuyo tamaño indica el número de páginas y cuyo color indica el riesgo.
Al entrar en uno de ellos ves su porcentaje de similaridad interna y todas sus URLs. Es la forma más rápida de encontrar el patrón (una plantilla, un tipo de ficha, una sección heredada) que está generando páginas casi iguales.
¿Toca fusionar, ampliar o retirar contenidos? Te ayudamos a decidir qué páginas merece la pena mejorar, cuáles unir y cuáles quitar, y a rehacerlas con criterio.
Cómo analiza Safecont la arquitectura web y el enlazado interno
Safecont analiza la arquitectura de una web por niveles de profundidad: cuántas URLs hay en cada nivel, cuánta autoridad interna les llega (un PageRank interno calculado que llama LevelStrength) y qué riesgo acumulan. También muestra qué páginas reparten más autoridad y qué textos ancla usan los enlaces internos.
La lectura es sencilla. La home (nivel 1) debería tener la fuerza máxima, y el segundo nivel debería quedarse muy cerca. Si entre el nivel 1 y el 2 ya se pierde mucha fuerza, el enlazado interno está mal resuelto: la autoridad de la home no llega a las secciones principales. Cuanto más abajo está una URL y menos fuerza recibe, más le cuesta posicionar. Si quieres repasar las opciones de estructura, lo explico en tipos de arquitectura web.
Cada nivel se puede abrir para ver sus datos y el listado de URLs que lo forman.
El PageRisk de cada URL dentro de la arquitectura
Al cruzar arquitectura y contenido aparece el hallazgo más útil: enlaces desde niveles altos que apuntan a páginas duplicadas o pobres. En la ficha de una URL ves su similaridad y su PageRisk, y con eso sabes si una página de nivel superior está enviando su fuerza a URLs que no deberían recibirla. Estás gastando tu mejor enlazado en páginas que no lo merecen.
Hubs y authorities: desde dónde enlazar y dónde publicar
Un hub es una página desde la que conviene enlazar, porque reparte mucha autoridad. Una authority es una página donde conviene poner el contenido que quieres posicionar, porque la recibe. Safecont las muestra en un gráfico y en una tabla ordenada de mayor a menor valor.
La lectura práctica: cuanto mayor es el valor de hub de una página, más potente es el enlace que pongas en ella. Y una misma URL puede ser buen hub y mala authority, es decir, buen sitio para enlazar y mal sitio para publicar.
Textos ancla de los enlaces internos
El último bloque de arquitectura lista los textos ancla de los enlaces internos, cuántas veces se usa cada uno y cuánta fuerza transmite. En un ejemplo de una tienda de electrodomésticos, el texto ancla más repetido y con más fuerza era «Ver más información». Es decir, el enlace interno más potente del sitio no describía nada de lo que vendían.
El ancla más frecuente no tiene por qué ser el más fuerte, porque cada enlace transmite una autoridad distinta. Por eso la herramienta detalla, para cada texto ancla, en qué URLs aparece, cuántas veces y con qué fuerza.
Listado de páginas y estadísticas de rastreo
La pestaña de páginas ordena todas las URLs del dominio de más a menos riesgo. Que una URL salga la primera no significa que sea mala, ni que la última esté bien: depende del dominio. Sirve para corregir en orden.
El panel CrawlStats resume el rastreo: páginas únicas, páginas no indexables (redirecciones y similares), URLs que no responden con un código 200 y un índice de lo fácil que le resulta a un robot recorrer el sitio, el Crawl Health Score.
El gráfico de URLs rastreadas por nivel es el que más me gusta de este panel: de cada nivel de profundidad ves cuántas URLs son únicas, cuántas no son indexables y cuántas devuelven error.
Cómo arreglar una web con los datos de Safecont
Arreglar una web con los datos de Safecont consiste en separar las URLs problemáticas por tipo de página, medir cuánto pesan y cuánto tráfico traen, y aplicar a cada grupo la solución adecuada: redirigir, canonicalizar, fusionar, ampliar o sacar del índice. El orden lo marcan los clústers de mayor riesgo.
Esta es la metodología que presentaron sus creadores, y que es válida con cualquier herramienta:
- Separa las URLs problemáticas por tipología: categorías, fichas, páginas de búsqueda interna, etiquetas.
- Calcula qué porcentaje representa cada grupo sobre el total de páginas malas y sobre el total del dominio. Imagina un dominio de 50.000 URLs con 10.000 malas, de las cuales 1.000 son categorías: son el 10 % del problema y el 2 % del sitio.
- Saca el tráfico orgánico de cada tipo de página con los clics de Google Search Console o las sesiones orgánicas de Google Analytics 4.
- Estima cuánto tráfico puedes perder con la limpieza (al eliminar o redirigir) y compáralo con lo que ya estás perdiendo.
- Decide por tipología, no URL a URL, y aplica la solución que toque.
Qué solución aplicar a cada problema
| Problema | Cómo se ve en el análisis | Solución habitual |
|---|---|---|
| Varias páginas iguales o casi iguales | Clúster de similaridad del 90 al 100 % | Elegir una y redirigir el resto con 301 |
| Variantes que deben existir (filtros, orden, color) | Similaridad alta en URLs con parámetros | Etiqueta canonical hacia la versión principal |
| Varias páginas cortas sobre el mismo tema | Thin content alto y misma temática | Unificarlas en una sola página completa |
| Página pobre pero con demanda | Thin content alto y tráfico orgánico | Ampliarla con datos propios y lo que el usuario necesita |
| Página útil para navegar pero sin valor en buscadores | Riesgo alto y sin tráfico orgánico | Meta noindex |
| Enlaces potentes hacia páginas duplicadas | PageRisk alto en niveles 1 y 2 | Reordenar el enlazado interno y los anchors |
Dos matices que en una auditoría miramos siempre. El primero: Google recomienda las redirecciones y el rel=»canonical» como señales para consolidar duplicados, y desaconseja usar el archivo robots.txt para eso. Bloquear en robots.txt impide rastrear, pero no consolida nada y la URL puede seguir indexada sin contenido. Si dudas entre uno y otro, te lo explico en noindex y robots.txt: para qué sirve cada uno.
El segundo: antes de borrar, mira el tráfico. La primera pregunta que hice a los creadores en aquella presentación fue justo esa, si iban a integrar Google Analytics para cruzar el riesgo con el tráfico orgánico, y lo incorporaron después. Una página «mala» para la herramienta que trae ventas no se toca igual que una que no recibe ni una visita.
Sobre los resultados: en la presentación mostraron el caso de Emagister, que según sus datos había incrementado el tráfico un 160 % tras años de caída. Es un dato de Safecont, no mío. También hablaban de una fiabilidad del 82 % frente al criterio de Google y recomendaban empezar a preocuparse a partir de un 40 % de PandaRisk. Son referencias de la propia herramienta, no umbrales de Google.
Cómo analizar la calidad del contenido sin Safecont: alternativas
La calidad del contenido de una web se puede analizar sin Safecont combinando un rastreador con detección de contenido casi duplicado, como Screaming Frog SEO Spider, y los datos de clics de Google Search Console. El resultado es parecido: grupos de URLs muy similares o sin tráfico sobre los que decidir.
| Qué quieres ver | Con qué hacerlo |
|---|---|
| Duplicados exactos y casi duplicados | Screaming Frog SEO Spider (pestaña Content) |
| Páginas con poco texto | Recuento de palabras del rastreador, revisado por tipo de página |
| Páginas sin tráfico | Informe de rendimiento de Google Search Console |
| Páginas rastreadas pero no indexadas | Informe de indexación de páginas de Google Search Console |
| Profundidad y enlaces internos | Crawl Depth e Inlinks del rastreador |
El proceso que seguimos nosotros es este:
- Rastrea el sitio con la detección de casi duplicados activada. Según el tutorial oficial de Screaming Frog sobre contenido duplicado, los duplicados exactos se detectan durante el rastreo, y los casi duplicados usan por defecto un umbral de similitud del 90 % y solo aparecen después de ejecutar el análisis de rastreo (Crawl Analysis).
- Ajusta el área de contenido para que no compare menús ni pies de página, que son iguales en todas las URLs y falsean el porcentaje.
- Exporta y agrupa por tipo de página, como en la metodología de arriba.
- Cruza con los clics e impresiones de Search Console de los últimos 12 o 16 meses.
- Decide por grupo: redirigir, canonicalizar, fusionar, ampliar o noindex.
Tienes el detalle de la configuración en mi guía de Screaming Frog, y la parte de datos en la guía de Google Search Console. Si el sitio es grande, el método de control masivo de indexación te ayuda a saber qué URLs están realmente en Google.
¿Qué pierdes frente a Safecont? Sobre todo la puntuación de riesgo ya calculada y la agrupación automática. A cambio, decides tú con datos de tráfico reales, que al final es lo que importa.
Contenido generado con IA a escala: por qué medir la similaridad importa más ahora
Medir la similaridad entre URLs es hoy más útil que cuando nació Safecont, porque generar cientos de páginas con inteligencia artificial cuesta muy poco y suele producir textos casi iguales entre sí. Google lo recoge en sus políticas de spam como abuso de contenido a gran escala: generar muchas páginas con la finalidad principal de manipular el posicionamiento.
El caso típico son las páginas por ciudad o por servicio hechas con la misma plantilla, donde solo cambia el nombre de la localidad. A simple vista parecen distintas. Un análisis de similaridad te enseña que el 90 % del texto es el mismo.
Mi recomendación si publicas contenido con ayuda de IA: pasa un rastreo con casi duplicados antes de publicar el lote, no después. Y revisa que cada página tenga algo que las demás no tienen (datos propios, ejemplos, precios, fotos, experiencia). En mi experiencia auditando webs desde 2008, el problema casi nunca es una página floja: es un patrón que se repite en miles.
Preguntas frecuentes sobre Safecont
¿No está tu pregunta? Escríbeme a alberto@ingenieroseo.com y te contesto en menos de 24 horas.
¿Qué es Safecont?
Safecont es una herramienta SEO española que analiza la calidad del contenido y la arquitectura de una web mediante aprendizaje automático. Rastrea el dominio, compara las URLs entre sí y las agrupa en clústers según su similaridad, su contenido pobre y su riesgo, para que sepas por dónde empezar a corregir.
¿Qué son PandaRisk y PageRisk en Safecont?
PandaRisk es la puntuación de riesgo de todo el dominio, de 0 a 100, y PageRisk es el riesgo de cada URL. Los dos nombres vienen de Google Panda, el sistema de calidad que Google integró en 2015 en sus sistemas principales. Son métricas propias de Safecont para ordenar el trabajo, no datos de Google.
¿Se puede analizar la similaridad de contenido sin Safecont?
Sí. Un rastreador con detección de casi duplicados, como Screaming Frog SEO Spider, calcula qué páginas se parecen por encima de un umbral, y Google Search Console aporta los clics de cada URL. Al agrupar el resultado por tipo de página llegas a las mismas decisiones: redirigir, canonicalizar, fusionar, ampliar o sacar del índice.
¿Qué diferencia hay entre contenido duplicado y contenido similar?
El contenido duplicado es un texto idéntico en dos o más URLs. El contenido similar es un texto que no es literal pero dice prácticamente lo mismo, por ejemplo una ficha reescrita con sinónimos o una página de ciudad hecha con plantilla. El segundo es más difícil de detectar y, en webs grandes, mucho más frecuente.
¿Google penaliza el contenido duplicado interno?
No como tal. Cuando Google encuentra varias URLs con el mismo contenido en un sitio, elige una como canónica y muestra esa. El perjuicio es indirecto: se desperdicia rastreo, se reparten las señales entre varias URLs y puede posicionar una versión distinta de la que tú quieres. Otra cosa es copiar contenido de terceros a escala, que sí entra en las políticas de spam.
¿Qué es el thin content y cómo se detecta?
El thin content es contenido que no aporta valor al usuario: trivial, redundante, escaso, desfasado o fuera del tema de la web. No se detecta solo contando palabras. Lo fiable es cruzar tres datos: poco contenido propio, mucha similitud con otras páginas del sitio y ausencia de clics en Google Search Console.
Qué hacer a continuación
Si tienes una web con muchas URLs, empieza por un rastreo con casi duplicados y crúzalo con los clics de Search Console. En una tarde sabrás qué porcentaje del sitio se parece demasiado y cuánto de eso trae tráfico. Si quieres revisar el resto de puntos, sigue con el checklist de auditoría SEO on page y técnica.
¿Sospechas que tu web tiene demasiadas páginas parecidas? Lo comprobamos contigo en una auditoría SEO: medimos el contenido similar y pobre, lo cruzamos con el tráfico y te decimos qué hacer con cada grupo.
¿Has usado Safecont o tienes dudas sobre cómo interpretar un análisis de similaridad? Déjame un comentario y te respondo.
