Cuando se gestiona un sitio web compuesto por varias decenas de páginas, la primera dificultad no es crear contenido, sino saber con precisión qué existe ya. Una página publicada hace dos años, un antiguo formulario de contacto que se ha vuelto obsoleto, una landing page olvidada que aún carga un píxel de seguimiento sin banner de consentimiento: estos puntos ciegos plantean problemas concretos, desde el SEO hasta la conformidad con la CNIL.
Elaborar una lista completa de las páginas disponibles en un sitio web es un requisito operativo, no un ejercicio teórico.
Rastreadores y conformidad CNIL: la verdadera razón para inventariar cada página
Se suele pensar que un inventario de páginas sirve únicamente para el posicionamiento. En la práctica, la razón más apremiante es otra. La CNIL recuerda que la obligación de consentimiento se refiere no solo a las cookies, sino también a los píxeles, el almacenamiento local, el fingerprinting y los identificadores publicitarios. Cada URL activa en un sitio puede cargar diferentes scripts.
Una página de producto creada en 2022 puede integrar una herramienta de audiencia configurada antes de la actualización de su CMP (plataforma de gestión del consentimiento). Si nadie la ha verificado desde entonces, esta página puede estar depositando rastreadores sin un consentimiento válido. El banner conforme que se muestra en la página de inicio no cubre automáticamente todas las URL del dominio.
Concretamente, una auditoría página por página debe verificar las tecnologías cargadas antes y después del consentimiento, y no solo enumerar las URL descubiertas. La CNIL recomienda, en particular, capturas con fecha de cada versión del banner y un historial de configuración mantenido por la CMP. En otras palabras, una lista de páginas útil debe incluir una fecha de exploración y un estado de conformidad.
Al recorrer la lista de páginas de Bla Bla Bla, se puede ver claramente cómo un sitemap estructurado facilita este tipo de verificación: cada URL es identificable, y se detectan rápidamente las secciones que requieren un control específico.
Sitemap XML y rastreo interno: dos enfoques complementarios para listar las páginas de un sitio
El archivo sitemap.xml es el punto de partida evidente. Se encuentra añadiendo /sitemap.xml a la raíz del dominio. Enumera las URL que el administrador del sitio desea hacer visibles para los motores de búsqueda. El problema es que solo contiene lo que se ha querido incluir.
Las páginas huérfanas (aquellas que no reciben ningún enlace interno) no aparecen ni en el sitemap ni en la navegación. Un rastreo interno con una herramienta dedicada recorre el sitio como lo haría un robot de motor de búsqueda, siguiendo cada enlace. Es el único método para descubrir URL olvidadas.
Lo que el sitemap no muestra
- Páginas en noindex que siguen siendo accesibles a través de su URL directa, pero que el sitemap excluye por convención
- Antiguas URL redirigidas (301/302) cuya destino ha cambiado o que apuntan a una página eliminada
- Páginas generadas dinámicamente por filtros o parámetros de URL, a menudo ausentes del sitemap pero indexadas por Google
Combinar sitemap y rastreo cubre casi todas las URL activas. Se recomienda realizar un rastreo completo al menos una vez por trimestre en un sitio de tamaño medio y comparar los resultados con el sitemap declarado.
Operador site: en Google y Search Console para verificar la indexación
Una vez establecida la lista interna, se confronta con lo que Google realmente conoce. El comando site:mondomaine.fr en la barra de búsqueda muestra las páginas indexadas. Este método tiene sus límites: Google no siempre devuelve la totalidad de las URL indexadas, especialmente en sitios grandes.
La Search Console ofrece un informe de indexación más fiable. Se distinguen las páginas indexadas, aquellas excluidas voluntariamente (noindex, canónica apuntando a otro lugar) y aquellas rechazadas por Google por razones técnicas. La discrepancia entre las URL enviadas y las URL indexadas revela los problemas: contenido duplicado, errores de servidor, tiempos de carga excesivos.
Parámetros de URL y páginas fantasma
Los parámetros de URL (ordenación, filtros, identificadores de sesión) a veces generan cientos de variantes de una misma página. Google puede indexarlas por separado, lo que diluye la autoridad del dominio. En Search Console, la sección “Parámetros de URL” permite señalar aquellos que Google debe ignorar.
Las opiniones varían sobre este punto: algunos sitios notan una mejora rápida en el presupuesto de rastreo después de limpiar los parámetros, otros no ven un cambio notable. El impacto depende del volumen de páginas afectadas y de la frecuencia de rastreo del sitio.
Clasificar las páginas por nivel de dependencia de las herramientas sometidas a consentimiento
No todas las páginas de un sitio presentan el mismo riesgo en términos de conformidad. Una página institucional estática sin herramienta analítica no plantea ningún problema. Una página de conversión que carga un píxel de remarketing, una herramienta de heatmap y un tag manager está en el extremo opuesto.
Una clasificación operativa consiste en clasificar las URL en tres categorías:
- Páginas sin rastreador sometido a consentimiento (avisos legales, páginas estáticas, algunas páginas de blog)
- Páginas con herramientas de audiencia exentas bajo condiciones (medición de audiencia estrictamente anonimizada, según las directrices de la CNIL)
- Páginas que cargan rastreadores publicitarios o herramientas de terceros que requieren un consentimiento explícito antes de su depósito
Esta clasificación identifica inmediatamente las páginas prioritarias para una auditoría de conformidad. Se comienza por la tercera categoría, donde el riesgo de sanción es más alto.
La prueba de conformidad no se limita a un banner visible. Implica que el rechazo sea tan simple como la aceptación, y que la retirada del consentimiento siga siendo posible en cualquier momento. Cada página de la lista debe ser verificable en estos tres criterios.
Elaborar el inventario completo de un sitio no es una tarea puntual. Las páginas evolucionan, los scripts cambian, las CMP se actualizan. Un sitemap actualizado, un rastreo regular y un seguimiento de la conformidad por URL forman la base de un sitio controlado, tanto para el posicionamiento como para el cumplimiento de las obligaciones legales.
