Hace unas semanas revisé una cuenta que, sobre el papel, iba perfecta.
El informe mostraba 140 conversiones en un mes y un coste por lead que cualquiera firmaría. El cliente, sin embargo, me dijo una frase que lo cambió todo: “Yo este mes he hablado con doce personas”.
No había un problema de campañas. Había un problema de medición.
Ese hueco entre lo que dice el panel y lo que pasa en el negocio es más común de lo que parece. Y casi siempre tiene el mismo origen: damos por bueno el dato antes de comprobar qué está contando de verdad.
Tres formas distintas de equivocarse con los datos
Cuando un informe no cuadra con la realidad, el fallo suele estar en uno de estos tres sitios:
- Medimos lo que no importa. El dato es correcto, pero no representa nada relevante para el negocio.
- Medimos mal. La configuración cuenta de más, de menos o cuenta cosas distintas con el mismo nombre.
- Leemos mal. El dato es bueno, pero la conclusión que sacamos no lo es.
Son tres problemas diferentes y se arreglan de forma diferente. Vamos por partes.
1. Medir lo que ocurre, no lo que parece que ocurre
Toda métrica es una traducción. Convertimos un hecho del mundo real en un número.
El riesgo está en la traducción. Un clic en el botón “Llamar” no es una llamada. Es la intención de llamar. Entre una cosa y otra se pierde gente: llamadas que no se completan, teléfonos que comunican, horarios en los que no hay nadie al otro lado.
Si el negocio del cliente son las llamadas atendidas y nosotros medimos clics en un botón, no estamos midiendo mal. Estamos midiendo otra cosa.
Lo mismo pasa con los formularios. Un envío no es un lead. Un lead no es una oportunidad. Y una oportunidad no es una venta. Cada salto tiene su propia tasa de caída, y esa caída es justo donde vive la información útil.
La pregunta que ordena todo esto es sencilla: ¿qué tiene que pasar para que este negocio gane dinero? Lo que se mida debería parecerse lo más posible a eso.
Cuando esa pregunta no se hace al principio, acabamos con paneles llenos de métricas cómodas. Datos que suben, que quedan bien en la reunión y que no explican nada.
2. Si la configuración está mal, todo lo demás está mal
Este punto es el menos glamuroso y el más caro.
No voy a entrar en cómo se configura cada herramienta. Eso es documentación, y cambia cada pocos meses. Lo que me interesa es otra cosa: entender qué pasa cuando la configuración falla.
Antes, un error de medición producía un informe equivocado. Molesto, pero contenido. Alguien miraba un número raro, lo corregía y ya está.
Hoy no. Hoy las plataformas de publicidad aprenden de esas señales. Google y Meta usan las conversiones que les enviamos para decidir a quién enseñar los anuncios y cuánto pagar por cada impresión. Si les mandamos ruido, optimizan hacia el ruido.
Ese es el cambio importante: un dato mal configurado ya no ensucia un informe, ensucia una inversión.
Los síntomas se repiten mucho:
- Conversiones que se cuentan dos veces porque hay dos sistemas mirando el mismo evento.
- Eventos que se disparan al cargar la página y no cuando el usuario hace algo.
- El mismo nombre para cosas distintas en dos herramientas, lo que hace imposible comparar.
- Formularios que registran el intento de envío aunque el envío falle.
- Tráfico interno del equipo y de la agencia contando como si fuera de usuarios.
- Consentimiento de cookies mal resuelto, con una parte de los usuarios registrada y otra no.
Ninguno de estos fallos avisa. No sale un error en rojo. El panel sigue mostrando números, y los números siguen pareciendo razonables. Por eso se detectan tarde, casi siempre cuando alguien del negocio dice que las cifras no le cuadran.
Y por eso conviene aplicar una regla incómoda: si un dato mejora mucho de golpe y no sabemos por qué, lo más probable es que se haya roto algo.
3. Interpretar: el número no significa nada sin la pregunta
Supongamos que la medición es correcta y la configuración también. Todavía queda la parte más difícil.
Un mismo dato puede sostener dos historias opuestas.
El coste por lead baja un 30 %. Buena noticia, en principio. Pero si al mismo tiempo el número de presupuestos enviados no se mueve, lo que ha pasado es que estamos comprando leads más baratos y peores. El indicador mejora mientras el negocio empeora.
Otro caso típico: el tráfico orgánico cae y cunde el pánico. Al mirarlo con calma, resulta que lo que ha caído son las visitas de búsquedas informativas que nunca compraban, mientras las páginas de servicio mantienen su volumen. La foto general asusta; el detalle tranquiliza.
En los dos ejemplos el dato era cierto. Lo que fallaba era la lectura.
Interpretar bien consiste, sobre todo, en tener claro contra qué comparamos. Un número aislado no informa. Informa cuando se compara con el periodo anterior, con el mismo mes del año pasado, con el objetivo o con lo que hace el sector.
Y hay una jerarquía que ayuda a no perderse:
- Métricas de actividad: impresiones, clics, sesiones, alcance. Dicen si el trabajo se está haciendo.
- Métricas de comportamiento: scroll, tiempo, páginas por sesión, interacciones. Dicen si el mensaje conecta.
- Métricas de negocio: leads cualificados, oportunidades, ventas, margen. Dicen si algo de esto sirve para algo.
Las tres son útiles. El problema aparece cuando presentamos las primeras como si fueran las terceras.
Ahora, además, hay una parte que no se ve
A todo lo anterior se le suma un factor nuevo, y es justo el que más nos ocupa en este blog.
Cada vez más decisiones de compra empiezan fuera de nuestra web. Alguien pregunta a ChatGPT, a Gemini o a Perplexity qué opciones tiene. Lee un resumen generado. Se queda con dos o tres nombres. Y llega a nosotros más tarde, escribiendo la marca directamente en el navegador.
Para nuestras herramientas, esa persona es tráfico directo. Sin origen, sin campaña, sin historia.
Esto tiene dos consecuencias prácticas:
La primera es que una parte de la influencia ya no se puede atribuir. Podemos negarlo, o podemos asumirlo y ajustar cómo leemos los informes. Un aumento sostenido de búsquedas de marca o de tráfico directo, en paralelo a un trabajo de contenidos, no es casualidad. No es una prueba, pero es una señal.
La segunda es que empiezan a hacer falta indicadores nuevos: si la marca aparece o no en las respuestas generadas, en qué contexto aparece, qué fuentes citan esos sistemas cuando hablan de nuestro sector. Todavía no hay un estándar para medir esto, y las herramientas que lo intentan están cambiando muy rápido. Conviene tratar sus cifras como orientativas y contrastarlas antes de tomar decisiones basadas solo en ellas.
Lo que no cambia es el fondo del asunto: si no somos capaces de medir bien lo que sí controlamos, no vamos a saber leer lo que viene.
Cuatro preguntas que me hago antes de mirar un informe
- ¿Qué hecho real representa este número? Si no se puede explicar en una frase, algo falla.
- ¿De dónde sale y quién más lo está contando? Dos sistemas midiendo lo mismo casi nunca dan lo mismo, y hay que saber cuál manda.
- ¿Contra qué lo comparo? Sin referencia, no hay lectura posible.
- ¿Qué decisión cambiaría si este número fuera la mitad o el doble? Si la respuesta es “ninguna”, ese dato no debería estar en el informe.
La cuarta es la que más limpia los paneles.
En mi opinión, llevo años viendo informes preciosos que no servían para nada y hojas de cálculo feas que valían oro.
La diferencia nunca estaba en la herramienta. Estaba en si alguien se había parado a pensar qué preguntas necesitaba responder ese negocio antes de empezar a contar cosas.
La analítica no consiste en acumular datos. Consiste en reducir la incertidumbre de quien tiene que decidir. Todo lo que no haga eso es decoración.
Y ahora que los sistemas de publicidad aprenden solos de lo que les enviamos, y que una parte de la decisión de compra ocurre en una conversación con una IA que no vamos a ver nunca, la exigencia sube. Ya no basta con tener datos. Hay que estar seguro de que dicen lo que creemos que dicen.
Si tuviera que quedarme con una idea: antes de pedirle respuestas a un panel, comprueba que estás haciéndole la pregunta correcta.
Preguntas frecuentes
¿Cada cuánto conviene revisar la medición de una web o una campaña?
Al menos una vez al trimestre, y siempre después de un cambio en la web, un rediseño, una migración o una actualización importante del gestor de contenidos. La mayoría de los fallos de medición aparecen justo después de tocar algo.
Mis herramientas dan cifras distintas. ¿Cuál es la buena?
Ninguna es “la buena”. Cada sistema cuenta con reglas propias: ventanas de atribución, modelos y criterios distintos. Lo importante es elegir una fuente de referencia para tomar decisiones y usar el resto como apoyo, sabiendo por qué difieren.
¿Cuántas métricas debería tener un informe?
Menos de las que solemos poner. Si un informe no se puede resumir en tres frases que le importen al dueño del negocio, probablemente sobra la mitad.
¿Es peor no medir o medir mal?
Medir mal. Sin datos, uno decide con prudencia y sabe que va a ciegas. Con datos falsos, decide con seguridad en la dirección equivocada, y encima alimenta a los algoritmos de publicidad con esas señales.
¿Cómo mido el impacto de la IA en mi visibilidad?
Hoy, de forma indirecta y parcial. Se puede seguir la evolución de las búsquedas de marca, el tráfico directo y las menciones en respuestas generadas. Es un terreno en construcción: las herramientas cambian rápido y conviene verificar cualquier dato antes de usarlo como argumento.
¿Esto no es un problema técnico que resuelve el desarrollador?
En parte. La implementación es técnica, pero decidir qué se mide y por qué es una decisión de negocio. Cuando esa decisión no se toma, alguien la toma por defecto, y suele salir un panel con métricas cómodas.
