Claude para análisis de search terms en Google Ads

Una cuenta de Google Ads con 30.000 € de inversión mensual genera entre 5.000 y 15.000 search terms únicos cada mes en sus campañas de búsqueda. Mirarlos uno a uno es inviable, y los filtros de la interfaz (impresiones mínimas, clics mínimos, CPA superior a X) dejan fuera la mayor parte de la cola larga, que es donde realmente se gana o pierde el rendimiento de cuenta.

Claude resuelve esa parte con una eficiencia que cambia el flujo de trabajo: clasificar 5.000 queries en bloques de intención, marca, navegacional, irrelevante, en cuestión de minutos en lugar de horas. Esta guía explica el método paso a paso, qué prompts funcionan, y dónde el análisis con Claude todavía requiere supervisión humana.

En 30 segundos:

• Los informes de search terms contienen señales sobre intención de usuario y oportunidades de negativos que el análisis manual no captura por volumen
• El método con mejor rendimiento es exportar a CSV + procesar por lotes con Claude API o Projects + reimportar como negativos
• Para 5.000 queries, Claude Haiku 4.5 clasifica en bloques de 100-200 queries con un coste muy bajo
• Las categorías que mejor funciona automatizar: irrelevantes (negativos), informativos (revisar antes de excluir), navegacionales (separar a campaña de marca)
• Lo que sigue requiriendo revisión humana: queries dudosas, símbolos y palabras polisemias

¿Por qué los informes de search terms son una mina infrautilizada?

El informe de términos de búsqueda es probablemente el dato más rico que da Google Ads y, paradójicamente, uno de los menos analizados de forma sistemática.

La razón es práctica: con 5.000 o 10.000 queries únicos por mes, ningún análisis manual exhaustivo es viable. Lo que la mayoría de cuentas hace es filtrar por impresiones mínimas o clics, mirar el top 100, y aplicar negativos sobre los más evidentes. Eso cubre el 5-10% superior por volumen, pero deja sin tocar el 90% restante donde se acumulan oportunidades pequeñas que suman.

Las tres oportunidades más comunes en ese 90%:

• Negativos por irrelevancia clara: queries que mezclan tu producto con un uso o sector que tú no atiendes (ej. “auriculares para nadar” si tú vendes para gym)
• Queries informativas mezcladas con comerciales: “qué es X” o “cómo funciona Y” que no convierten pero acumulan clics
• Variaciones de marca propia mal clasificadas: typos, abreviaturas, errores ortográficos que deberían ir a la campaña de marca

Claude permite procesar el volumen completo en una fracción del tiempo. El cuello de botella ya no es la capacidad de análisis sino la calidad del prompt y la revisión de muestra.

El flujo completo: exportar search terms y procesar con Claude

El método que mejor funciona en cuentas que he optimizado tiene cinco fases:

1. Exportar el informe: en la interfaz de Google Ads, Reportes → Términos de búsqueda → Descargar CSV. Filtrar por últimos 30-90 días según volumen.
2. Limpiar el CSV: eliminar columnas innecesarias, dejar solo query, campaña, impresiones, clics, coste, conversiones, CPA, CVR.
3. Procesar por lotes con Claude: pasar bloques de 100-200 queries con un prompt de clasificación. No procesar 5.000 queries de una vez; el contexto y la coherencia se mantienen mejor en lotes pequeños.
4. Revisión sobre muestra: validar manualmente las 20-30 primeras clasificaciones antes de aplicar el resto a producción.
5. Aplicar negativos en bulk: las queries marcadas como “irrelevantes” se cargan como negativas exactas en la campaña correspondiente desde Google Ads Editor.

El tiempo total para una cuenta de 5.000 queries con este flujo está entre 2 y 4 horas, frente a las 15-25 horas que tomaría un análisis manual riguroso. La calidad del resultado depende casi enteramente del prompt y del feedback que se aplica en los primeros lotes.

¿Qué prompts funcionan para clasificar search terms?

El prompt que mejor resultado da en mi experiencia tiene cuatro componentes: contexto del negocio, definiciones operativas de cada categoría, ejemplos, y restricciones.

Soy consultor PPC trabajando una cuenta de Google Ads de [tipo de negocio:
ecommerce de moda femenina española / B2B SaaS de gestión de stock / etc].

Voy a darte una lista de search terms. Clasifica cada uno en UNA categoría:

1. CONVERSION: usuario con intención clara de comprar/contratar
   (ej. "comprar X", "X precio", "X envío 24h", "X opiniones")
2. INFORMATIONAL: usuario buscando información, no compra inmediata
   (ej. "qué es X", "cómo funciona X", "diferencia entre X e Y")
3. BRAND: incluye la marca del cliente, sus typos o variantes
   [La marca del cliente es: "{{nombre_marca}}", también escrita como: {{variantes}}]
4. COMPETITOR: incluye marca de competidor
   [Competidores: {{lista_competidores}}]
5. IRRELEVANT: usuario buscando algo que el cliente no ofrece
   (ej. usos distintos, mercados distintos, categorías distintas)
6. AMBIGUOUS: no se puede clasificar con confianza, requiere revisión humana

Reglas:
- No inventes información sobre la marca o el producto si no está en el contexto
- Si tienes dudas, asigna AMBIGUOUS, no inventes una categoría
- Output: una línea por query con formato: "QUERY | CATEGORÍA | RAZÓN (max 10 palabras)"

Queries a clasificar:
{{lista_queries}}

Sobre un lote de prueba de 300 queries en una cuenta de ecommerce, este prompt logró:

• 92% de queries correctamente clasificadas según validación manual posterior
• 6% marcadas como AMBIGUOUS (revisión humana obligatoria)
• 2% mal clasificadas, casi todas por polisemia (“running” como zapatilla vs como actividad)

El error más frecuente que veo cuando alguien empieza con este flujo es no dar contexto suficiente del negocio. Un prompt sin la línea “[tipo de negocio: ecommerce de moda femenina española]” produce clasificaciones muy genéricas que requieren más corrección.

Ejemplo: cómo procesar 1.500 queries en menos de una hora

Caso de una cuenta de ecommerce con 1.500 search terms únicos en los últimos 30 días que no habían sido revisados sistemáticamente:

Setup: CSV exportado de Google Ads, columnas query/coste/clics/conversiones, cliente = marca de cosmética nicho con público femenino 25-45 años.

Lote 1 (200 queries): validación manual de la clasificación. Resultado: 88% acertado, 12% requirió ajuste (la mayoría AMBIGUOUS marcadas como IRRELEVANT por defecto).

Ajuste de prompt: añadir contexto sobre el público objetivo (“público femenino 25-45 años, busca activos cosméticos específicos como retinol, ácido hialurónico, niacinamida”) y ejemplos de queries que históricamente habían convertido.

Lotes 2-8 (1.300 queries restantes): procesamiento automático con el prompt ajustado.

Resultado final:

• 247 queries clasificadas como IRRELEVANT → añadidas como negativas exactas (ej. “cosmética para hombre”, “veterinario”, “perros”)
• 312 queries clasificadas como INFORMATIONAL → revisión manual; 180 acabaron como negativas, 132 como queries a observar
• 89 queries clasificadas como BRAND → migradas a la campaña de marca con CPC manual
• 54 queries clasificadas como COMPETITOR → revisión manual sobre estrategia
• 798 queries clasificadas como CONVERSION → mantenidas, con 23 candidatas a SKAG por volumen y conversión
• 1.500 queries procesadas en aproximadamente 50 minutos de tiempo activo (más procesamiento en background)

El impacto en la cuenta tras aplicar los 247 negativos exactos: reducción del 18% en CPA medio en los 30 días siguientes, sin afectación al volumen de conversiones. Sólo eliminando tráfico irrelevante.

En cuentas con inversión mensual superior a 5.000 €, procesar el informe de search terms con Claude cada 30-45 días suele identificar entre 5% y 15% del gasto que se estaba yendo en queries irrelevantes o informativas que no convierten. En una cuenta de 5.000 €/mes, eso son entre 250 € y 750 € recuperables cada mes.

Limitaciones y errores frecuentes en este flujo

Hay tres errores que veo repetir cuando alguien empieza con este método.

Procesar lotes demasiado grandes. Con 500 o 1.000 queries en un solo prompt, Claude pierde coherencia: clasifica algunas con un criterio y otras con otro, especialmente en los bordes (CONVERSION/INFORMATIONAL). Mantén lotes de 100-200 queries y el prompt completo en cada lote.

Aplicar negativos sin revisión. Aunque el prompt funcione al 90%, ese 10% restante puede contener queries que SÍ convierten. Una negativa exacta mal añadida puede bloquear tráfico rentable durante semanas hasta que alguien lo detecta. La revisión manual sobre la lista de “irrelevantes” antes de aplicarlas es no negociable.

No actualizar el contexto del prompt. Si el negocio lanza una línea nueva, abre un mercado nuevo o cambia su público, el prompt necesita actualizarse. Un prompt de hace 6 meses puede estar clasificando como IRRELEVANT queries que ahora son perfectamente válidas.

Lo que sigue requiriendo análisis humano sin atajos: queries con símbolos especiales, búsquedas en idiomas mezclados (Spanglish, Franglais), palabras polisémicas con varios significados según contexto, y queries con intención emocional ambigua (ej. “regalo X para mi novia” no es una intención de compra clara hasta que cruzas con el histórico).

El análisis de search terms en profundidad explica los criterios de clasificación humana que están detrás del prompt, y conviene tenerlos claros antes de automatizar el proceso.

¿Cómo integrar este flujo en una cuenta gestionada?

Tres escenarios típicos.

Cuenta gestionada por consultor freelance (1-5 cuentas): proceso manual cada 30 días con Claude Projects. Tiempo: 2-3 horas por cuenta. Coste API: prácticamente cero usando Projects.

Agencia con 10-20 cuentas: script en Python que se conecta a Google Ads API, exporta search terms cada 14 días, procesa con Claude API, sube resultado a hoja compartida para revisión por el account manager. Tiempo de revisión humana: 30-60 minutos por cuenta.

Cuenta in-house con equipo dedicado: dashboard que ejecuta el flujo en producción semanal, con sistema de alertas cuando el % de queries IRRELEVANT supera un umbral (señal de problema en la estructura de campañas).

La auditoría de cuenta de Google Ads cubre los criterios para decidir si el coste/beneficio del flujo automatizado merece la pena según el tamaño de cuenta y la frecuencia de revisión.

Preguntas frecuentes sobre Claude y search terms en Google Ads

¿Sustituye este flujo al análisis manual de search terms?

No. Claude acelera la clasificación inicial y elimina el cuello de botella del volumen, pero la decisión final sobre qué hacer con cada categoría sigue requiriendo criterio humano. El flujo funciona como filtro de primera línea, no como sustitución del análisis estratégico.

¿Qué modelo de Claude da mejor relación coste/calidad para este uso?

Para clasificación pura, Claude Haiku 4.5 es suficiente y muy económico. Para análisis de patrones más sofisticados (detectar grupos temáticos, sugerir nuevos SKAGs), Claude Sonnet 4.6 ofrece resultados más precisos a coste razonable. El uso de Opus en este caso suele ser excesivo salvo en cuentas muy grandes con queries muy específicas.

¿Cuánto cuesta procesar 5.000 search terms con Claude API?

Con Claude Haiku 4.5 y lotes de 150 queries con caché de prompt, procesar 5.000 search terms está aproximadamente entre 1 y 3 €. Con Sonnet 4.6 sube a 5-15 €. El coste real más alto es el tiempo humano de revisión de muestra y de aplicación final de negativos, no la API.

¿Funciona también con Performance Max?

PMax expone search terms con menos granularidad que campañas de búsqueda estándar. El flujo se puede aplicar, pero el volumen es menor y la calidad de los datos también. Para PMax, la palanca más útil sigue siendo la separación campaña de marca / no marca y las exclusiones por categoría de producto.

¿Y para cuentas pequeñas con menos de 500 queries al mes?

Para 500 queries o menos, el análisis manual con un buen filtro en la interfaz suele ser igual de rentable que automatizar. Donde Claude empieza a dar retorno claro es a partir de 1.500-2.000 queries únicos al mes, cuando el tiempo de análisis manual supera las 4-5 horas mensuales.

Conclusión: Claude no sustituye el criterio, lo acelera

Procesar el informe de search terms con Claude convierte una tarea de 15-25 horas mensuales en una tarea de 2-4 horas mensuales. Lo que no cambia es el criterio: decidir qué hacer con cada categoría sigue siendo trabajo humano que requiere conocer la cuenta, el cliente y el contexto del sector.

El error más común al empezar con este flujo es saltarse la fase de revisión sobre muestra de los primeros 100-200 lotes. Sin esa validación, los sesgos del prompt se aplican a todo el catálogo sin que nadie los detecte hasta que ya hay efectos en la cuenta.

Si quieres revisar el flujo de análisis de search terms en tu cuenta o ver cuánto presupuesto podrías recuperar aplicando negativos sistemáticamente, puedes reservar 30 minutos de consultoría.