Hoy traigo un tema diferente a lo habitual pero igual de fascinante. En los últimos meses estoy muy centrada en un objetivo personal que es generar un sistema dentro de la agencia que reproduzca mi forma de pensar y razonar cuando analizo la evolución de un negocio o unas campañas utilizando Claude Code.

En estos meses hablando con compañeros sobre cómo van evolucionando en sus propios proyectos veo una conversación muy recurrente: ¿Es mejor ChatGPT o Claude? ¿Gemini ya está al mismo nivel? ¿Cuál programa mejor? ¿Cuál razona más? ¿Cuál consume menos contexto? ¿Es Fable tan bueno como dicen?

La conversación gira constantemente alrededor del modelo y veo a mucha gente enganchada al último modelo porque así cree que tendrá mejores resultados. Y, sin embargo, yo cada vez estoy más convencida de que eso es lo de menos.

Suscríbete ahora

Hace unos días vi una ponencia de Simon Couch y Sara Altman sobre cómo construir agentes capaces de realizar análisis de datos correctos, transparentes y reproducibles. No era una charla sobre una comparativa entre modelos, hablaban de algo mucho más interesante: qué hace que podamos confiar en un sistema basado en IA.

Porque realmente este es el tema más importante. Todos y todas le hemos preguntado a nuestra IA de confianza de dónde se había sacado esos datos que no aparecían en el dataset para terminar pidiendo perdón y asumiendo que se los había inventado.

Mientras la escuchaba no dejaba de pensar en una idea que me ronda la cabeza desde hace algunas semanas: la IA no necesita hacerlo todo, necesita formar parte de un sistema donde cada pieza haga aquello para lo que realmente es buena.

Uno de los ejemplos que enseñaban me pareció especialmente revelador. Cogían un conjunto de datos muy conocido y modificaban una de sus variables para que una gráfica mostrara exactamente la tendencia contraria a la que cualquiera esperaría encontrar. Después le pedían al modelo que interpretara esa gráfica.

La respuesta sonaba perfectamente razonable, el problema era que no describía lo que aparecía en la imagen, describía lo que el modelo esperaba encontrar. Ese pequeño experimento explica mucho mejor cómo funciona un modelo de lenguaje. Los LLM no buscan la verdad, no comprueban hipótesis, no se detienen cuando algo les resulta extraño. Un LLM está entrenado para generar la continuación más probable a partir de toda la información con la que fue entrenado. Y ahí está el problema. Muchas veces esperamos que un modelo de lenguaje se comporte como un analista, cuando en realidad no está diseñado para eso.

Un buen analista, cuando encuentra un resultado inesperado, suele detenerse, comprueba los datos, revisa el proceso y se pregunta si ha cometido un error o si acaba de descubrir algo interesante. Un modelo de lenguaje no funciona así, no se detiene cuando encuentra algo raro, sigue adelante haciendo lo que mejor sabe hacer: generar la siguiente respuesta más probable.

Mientras escuchaba esa explicación me di cuenta de que llevaba meses intentando resolver exactamente ese problema mientras construyo mi sistema de IA.

Cada vez que diseño una nueva skill sigo un patrón: los cálculos los ejecuta un script, la IA interpreta los resultados. Si necesito calcular la contribución de una campaña en las conversiones o generar un análisis de fatiga creativa o cualquier otra transformación sobre los datos, lo hace un script porque un script siempre ejecutará exactamente la misma lógica, cosa que la IA no puede hacer.

Una suma seguirá siendo una suma, una multiplicación siempre da el mismo resultado, un filtro siempre filtra igual, una ventana temporal de treinta días seguirá siendo de treinta días mañana, dentro de un mes y dentro de un año, aquí y en Tombuctú. Un script ejecutado con los mismos datos devolverá siempre el mismo resultado. No interpreta, ejecuta.

Y, curiosamente, esa forma de trabajar coincide con tres principios que la ciencia de datos lleva décadas utilizando y que tenemos que recuperar ahora que todo parece girar alrededor de la IA.

El primero es la exactitud. Un análisis no tiene que sonar convincente, tiene que representar la realidad lo mejor posible. Parece una obviedad, pero un modelo es perfectamente capaz de explicar con enorme seguridad algo que no está ocurriendo.

El segundo principio es la reproducibilidad. Si mañana vuelvo a ejecutar el mismo análisis sobre los mismos datos, debería obtener exactamente el mismo resultado. Si la respuesta depende de cómo un modelo interprete un prompt en ese momento, estoy introduciendo un componente probabilístico en un proceso que debería ser determinista.

Y el tercero es la transparencia. No basta con obtener una conclusión. Necesitamos saber qué datos se utilizaron, qué transformaciones se aplicaron y cómo se llegó hasta ella. Solo así podemos revisar un análisis, detectar errores y confiar realmente en sus resultados. Un LLM es una caja negra, una más, y por eso las transformaciones críticas de los datos deben vivir fuera del modelo y quedar definidas de forma explícita en el código.

Cuanto más pienso en ello, más claro veo que estos tres principios no pertenecen únicamente a la ciencia de datos, también deberían convertirse en los principios con los que diseñamos sistemas de IA: no debemos pedirle al modelo que resuelva problemas que, en realidad, debe resolver la arquitectura que lo rodea.

Un modelo de lenguaje es extraordinario interpretando información, proponiendo hipótesis, redactando informes o ayudándonos a conectar ideas. Pero los cálculos, las transformaciones, las reglas de negocio o las validaciones deberían vivir en otro sitio.

Hace unas semanas escribía en Linkedin que en el sistema que estoy diseñando el script hace la parte determinista y la IA hace la parte inteligente. Y después de escuchar esta ponencia estoy todavía más convencida de esa idea. No es cuestión de limitar a la IA, sino permitirle centrarse en aquello que realmente hace mejor.

Y es por esta razón por la cual no me interesa la conversación sobre cuál es el mejor modelo. Dentro de unos meses aparecerá otro, volveremos a compararlos y la conversación empezará de nuevo.

Sin embargo, sospecho que las organizaciones que realmente obtendrán ventaja de la IA no serán necesariamente las que utilicen el modelo más avanzado. Serán las que construyan mejores sistemas donde el código garantice la exactitud, la reproducibilidad y la transparencia. Sistemas donde la IA aporte criterio, contexto e interpretación sin sustituir aquello que el software tradicional lleva décadas resolviendo de forma fiable.

En la era de la IA el conocimiento sólo tiene valor cuando podemos confiar en cómo se ha generado. Y esa confianza no depende del modelo, sino del sistema que hemos construido a su alrededor.

Nota de la autora

Este artículo surge tras ver la ponencia "Agents for Correct, Transparent and Reproducible Data Analysis", de Simon Couch y Sara Altman.

Mientras veía esta ponencia me llamó la atención comprobar cómo muchos de los principios que planteaban coincidían con decisiones que ya estaba tomando al construir mi propio sistema de IA.

Este artículo no pretende resumir la charla, sino desarrollar esa reflexión desde mi experiencia. Si te interesa el diseño de sistemas de IA, te recomiendo verla.

En el capítulo anterior dejábamos un tema en el aire: hemos dejado la atribución en manos de las plataformas y eso nos está generando mucha confusión a la hora de determinar qué campañas o qué plataformas generan las conversiones.

A lo largo de los últimos años hemos asumido como normal la pérdida de nuestra autonomía analítica. La decisión de cómo interpretar el negocio ha pasado a manos de la misma plataforma que vende el inventario que ese modelo evalúa. Y lo hace de forma opaca, sin posibilidad de auditoría, con datos que ella misma controla.

Hoy quiero explorar algo más profundo, más allá de cómo funcionan los algoritmos y es cómo conseguir recuperar esa autonomía analítica o al menos la mayor parte de ella.

Vamos a ello.

Medir no es describir. Es interpretar.

Esta es la idea principal: los modelos de atribución no describen la verdad, la interpretan.

Un mismo negocio puede contarse de varias maneras distintas. Con Last Click, la búsqueda de marca suele ser la heroína de la historia, si usamos First Click, el canal que trajo al cliente por primera vez se convierte en el protagonista, si usamos Position Based, entonces le damos prioridad tanto al primer contacto como al cierre. No hay una única versión, hay diferentes versiones y cada una ilumina una parte del recorrido mientras deja otras en la sombra.

El modelo basado en datos tampoco escapa a esto. Por mucho que el algoritmo sea matemáticamente sofisticado sigue siendo una interpretación. Una interpretación construida con datos que controla la plataforma sobre señales que ella misma genera y mediante un proceso que actualiza sin notificarlo. La sofisticación técnica no elimina la subjetividad, sólo la convierte en una caja negra totalmente opaca.

La idea que me parece importante recordar es esta: quien interpreta los datos condiciona las decisiones posteriores. Y si hemos delegado esa interpretación entonces estamos cediendo parte de nuestra capacidad para entender el negocio. Siento si suena muy directo o un poco catastrofista, pero es tal cual lo escribo y por eso recuperar la autonomía analítica con nuestras propias herramientas de atribución es tan importante.

La autonomía analítica se ha ido perdiendo poco a poco.

No ocurrió de golpe, fue gradual, que es precisamente cómo suelen ocurrir las cosas importantes y difíciles de detectar.

Antes elegíamos el modelo de atribución, elegíamos las audiencias, establecíamos las reglas de optimización, fijábamos las pujas manualmente o con reglas que nosotros mismos definíamos. Decidíamos qué señal valía más y qué señal queríamos ignorar.

Poco a poco, las plataformas fueron automatizando cada una de esas decisiones con la promesa de que el algoritmo lo hacía mejor. Y en muchos casos es cierto pero una cosa es que el algoritmo sea más eficiente en la ejecución y otra muy distinta es que deba ser también el que decida cómo entendemos nuestro negocio.

Hoy elegimos objetivos y presupuesto, el resto son algoritmos tomando decisiones. No hemos perdido solo herramientas, hemos cedido capacidad de decisión. Y lo que es más preocupante: ni siquiera hemos notado exactamente cuándo ocurrió.

Las audiencias ya no son audiencias, son señales.

Este punto me parece especialmente importante, y es algo que rara vez se explica de forma explícita.

En los últimos meses me he dado cuenta de cómo trabajan las plataformas. Anteriormente cuando definíamos una audiencia de remarketing estábamos dando una instrucción. Le decíamos al sistema: impacta únicamente a estas personas. El presupuesto tenía un destino concreto y la audiencia funcionaba como una frontera de manera que las personas impactadas no podrían estar fuera de esa frontera.

Hoy una audiencia es una sugerencia, una “señal”.

Da igual la plataforma porque todas funcionan igual tanto el Smart Bidding de Google Ads como el Advantage+ de Meta Ads. Y ya ni siquiera está limitado a eso, puedes tener Advantage+ apagado y aun así al revisar campañas te encuentras con que el 70% del tráfico que pensabas que estaba dirigido a audiencias de remarketing está impactando sobre audiencias nuevas. El algoritmo trata de utilizar sus propios criterios con un objetivo de presupuesto y tipo de puja. Si el sistema necesita más volumen para cumplir el objetivo de conversión que le marcaste o si se le agota la audiencia objetivo saldrá de la audiencia, ampliará perfiles y buscará usuarios que tú nunca habrías seleccionado.

El presupuesto deja de estar ligado estrictamente a la audiencia que has definido porque se ha convertido en una señal de entrenamiento, ya no es una instrucción de targeting.

Y el problema de todo esto es que hemos adaptado los mensajes a lo que entendemos que debe ser el customer journey para darnos cuenta que ese mensaje que entendíamos estaba pensado para cerrar la venta está saliendo a tráfico frio que todavía no está preparado para la compra. Y claro, nos sorprendemos de que las campañas de remarketing no tengan el resultado que esperábamos.

Entender el customer journey es lo que realmente mueve la aguja.

Si ya no controlamos exactamente la audiencia, ni la puja, ni cómo se reparten las conversiones entre canales, ¿Qué nos queda?

Nos queda algo que ningún algoritmo puede quitarnos: el conocimiento del comportamiento de nuestros clientes.

Comprender cómo compra la gente que convierte en un negocio concreto, en qué momento descubren la marca, qué les hace volver, qué dudas tienen en el camino, qué canales activan la intención y cuáles la cierran: ese conocimiento se convierte en la ventaja competitiva real cuando has cedido el control operativo al algoritmo.

Conocer el customer journey es recuperar autonomía analítica y es lo que necesitamos para recuperar ese espacio que hemos cedido.

Y aquí es donde enlazamos ambos conceptos:

La atribución no consiste en repartir conversiones, consiste en reconstruir recorridos. Cuando analizas rutas de conversión no estás resolviendo un problema de crédito entre canales: estás intentando entender quién descubre, quién convence, quién recuerda, quién cierra.

Entendida así, la atribución deja de ser una métrica de rendimiento y se convierte en una herramienta para comprender el comportamiento humano. La diferencia importa. Una métrica te dice si algo funciona. Una herramienta de comprensión te dice por qué funciona y en qué condiciones.

Y eso es exactamente lo que los modelos clásicos ofrecían: no una respuesta única, sino múltiples perspectivas sobre un mismo recorrido. La pregunta que habría que hacerse no es “¿cuál es el modelo correcto?” sino “¿qué parte del comportamiento de mis usuarios quiero entender mejor hoy?”

Recuperar la autonomía analítica.

Aquí está el corazón de este capítulo, y quiero ser muy precisa sobre lo que significa esto porque creo que hay una confusión frecuente.

Recuperar la autonomía analítica no significa desactivar los algoritmos, no significa volver a gestionar campañas manualmente ni abandonar el modelo basado en datos y colgarse de nuevo del Last Click como si nada hubiera pasado en estos años.

Significa entender qué hace cada algoritmo, saber cuándo creerle y cuándo cuestionarlo. Contrastar plataformas en lugar de aceptar los números de una sola. Construir modelos propios cuando sea necesario y sobre todo, dejar de aceptar respuestas sin comprender de dónde salen.

Esa diferencia, que parece pequeña escrita así, en la práctica es enorme. Un analista que entiende por qué el algoritmo está tomando determinadas decisiones puede corregir el rumbo cuando algo no funciona. Un analista que sólo sabe leer los resultados que la plataforma le presenta no puede distinguir un problema real de un artefacto del modelo.

Recuperar el criterio.

El algoritmo optimiza, el analista interpreta. Son funciones distintas y confundirlas es uno de los errores más caros de los últimos años.

Las plataformas pueden decidir dónde invertir el presupuesto de forma más eficiente que nosotros en tiempo real. Están construidas para eso. Tienen capacidad de procesamiento y señales que ningún humano puede manejar a esa escala.

Pero no deberían decidir cómo entendemos el negocio.

Una plataforma puede optimizar campañas, puede mejorar el CTR, reducir el CPA, encontrar la puja óptima para cada subasta en milisegundos, pero el conocimiento del negocio (quiénes son los clientes reales, qué les importa, qué estrategia tiene sentido a largo plazo, qué decisiones conviene tomar aunque los datos no lo reflejen todavía) sigue siendo responsabilidad de las personas.

Y esa responsabilidad no puede delegarse y creo que durante los últimos años la hemos estado delegando sin darnos cuenta de ello. Así que vamos a hacer algo al respecto.

El mapa que puedes construir hoy.

Todo lo que hemos discutido en esta misión tiene un punto de partida muy concreto: las rutas de conversión de GA4. Es el único sitio donde puedes ver, con datos propios, qué recorrido real están haciendo los usuarios antes de convertir. No el modelo de Google ni el modelo de Meta. Los caminos reales, con sus touchpoints, sus longitudes. Nota: Lo mejor sería utilizar los datos desde BigQuery pero si no tienes BigQuery, puedes usar este informe.

Vamos paso a paso.

Paso 1. Exporta los datos.

En GA4, ve a Publicidad → Atribución → Rutas de conversión. Selecciona el rango de fechas que te interese (mínimo 30 días para tener volumen suficiente) y el evento que quieras medir (leads, purchases,...). Exporta el informe completo. Tendrás una tabla con las rutas que siguen los clientes hasta la compra. Aquí podrás ver: qué canales aparecen, en qué orden y cuántas conversiones terminaron con esa secuencia. También tienes los días que tarda el usuario en completar la ruta que es una de las métricas más importantes de este informe.

Paso 2. Lee antes de calcular.

Antes de hacer cualquier cálculo, antes de buscar porcentajes ni promedios, lee las rutas como si fueran historias. ¿Cuántos touchpoints tienen las rutas que más convierten? ¿Hay canales que aparecen casi siempre al inicio? ¿Cuáles aparecen casi siempre al final? ¿Qué rutas son cortas y directas? ¿Cuáles son largas y con muchos pasos intermedios?

Esta lectura cualitativa es el trabajo real.

Lo que estás buscando no es un número, estás buscando el patrón de comportamiento específico de los clientes de ese negocio. Eso no te lo da ningún algoritmo porque ningún algoritmo conoce tu negocio tan bien como tú cuando te sientas a mirar sus datos con atención.

Paso 3. Hazte la pregunta correcta para este negocio.

Con lo que has visto en las rutas, ¿Cuál es la pregunta más relevante ahora mismo?

Si el negocio está en fase de crecimiento y necesita entender qué está generando demanda nueva, la pregunta es: ¿Qué canales aparecen primero en las rutas más largas? Eso te orienta hacia un análisis de tipo First Click o Position Based.

Si el negocio tiene un ciclo de venta largo y quieres entender qué canales están sosteniendo la consideración en el medio del funnel, la pregunta es: ¿Qué aparece entre el primer y el último touchpoint en las rutas que más convierten? Eso te orienta hacia un análisis lineal o de distribución intermedia.

Si lo que te importa es entender qué cierra las ventas, la pregunta es más sencilla: ¿qué aparece siempre al final?

No existe la pregunta correcta en abstracto: existe la pregunta correcta para este negocio en este momento.

Paso 4. Analiza con un prompt.

Una vez que tienes los datos exportados y la pregunta formulada, puedes usar tu IA favorita para hacer el análisis de forma sistemática. Este es el tipo de prompt que yo usaría. Adáptalo a tu estilo:

Tengo datos de rutas de conversión exportados de GA4. Cada fila representa una secuencia de canales que un usuario recorrió antes de convertir, con el número de conversiones que terminaron en esa ruta.

Quiero entender [escribe aquí tu pregunta concreta: qué canales generan demanda nueva / qué canales sostienen la consideración / qué cierra las ventas].

Analiza las rutas y dime: cuáles son los patrones más frecuentes, qué canales aparecen más en [inicio / medio / cierre] del recorrido, y qué conclusiones sacas sobre el comportamiento de los usuarios de este negocio. No me des recomendaciones de presupuesto. Solo el diagnóstico.

La instrucción final: “no me des recomendaciones de presupuesto, sólo el diagnóstico” es deliberada. El error habitual cuando trabajamos con IA es pedirle que salte directamente a las recomendaciones sin pasar por la comprensión. Primero el diagnóstico, luego, con ese diagnóstico encima de la mesa, las decisiones.

Esto no es un modelo de atribución sofisticado. No es un MMM ni un análisis estadístico avanzado. Es algo más sencillo y en muchos casos, más valioso: es recuperar el hábito de mirar tus propios datos con criterio propio antes de dejar que la plataforma te diga qué ocurrió.

Ten en cuenta algo importante: este análisis sólo sirve para entender el comportamiento de los usuarios, no para tomar decisiones de distribución de presupuestos. Para eso necesitamos dar el salto evolutivo a la herramienta madre: el Marketing Mix Model.

Una última idea.

Este no es un manual para luchar contra Google. No es un alegato por volver a Universal Analytics ni por gestionar campañas con hojas de Excel. No va de nostalgia ni de volver a un mundo que ya no existe, va de algo mucho más concreto: recuperar una parte del oficio que hemos ido cediendo sin debatirlo.

La atribución es un ejercicio de comprensión del negocio. De entender quién compra y por qué, qué recorrido hace antes de convertir, qué canales construyen confianza y cuáles cierran decisiones. Los modelos clásicos no eran perfectos pero eran, eso sí, honestos sobre sus limitaciones. Te decían exactamente qué pregunta respondían y qué dejaban sin responder.

Quizá la autonomía analítica no sea otra cosa que recuperar el derecho a interpretar nuestros propios datos. Las herramientas cambiarán, los algoritmos también pero comprender un negocio, de verdad, sigue siendo una tarea profundamente humana.

Saludos desde Marte,

M.

Hubo un tiempo en el que podías elegir el modelo de atribución de tu negocio. Eso quedó tan atrás que hay una generación de accounts que cuando mencionas estas palabras “modelo de atribución” te miran rarito. Y este concepto no hace tanto lo manejábamos de manera habitual.

Eran los tiempos de Universal Analytics (sí, añoro un poco aquello, es cierto). Abrías la herramienta y podías elegir entre distintos modelos de atribución: Last click, First click, Lineal, Declive temporal, Basado en posición. Cada opción tenía su lógica, sus ventajas y sus limitaciones y la elección estaba vinculada al tipo de negocio, a su madurez, a la manera de captar usuarios y a cómo convertían. Era una de las elecciones importantes que ha quedado bastante en el olvido. Y de aquellos barros, los lodos actuales donde el caos cuando se abre este melón es tremendo.

Había una parte simpática de aquello porque al elegir el MTA también elegías la historia que querías contar sobre cómo los clientes llegaban a convertir. Era emocionante porque era una decisión que tenía que ser honesta, una conversación entre la herramienta, el analista y el stakeholder: “Aquí están los datos, aquí las reglas, así las interpretamos.” En cierta manera era un bucear en el negocio hasta sus profundidades, entenderlo perfectamente y salir a la superficie con una respuesta clara de cómo gestionar las campañas publicitarias.

En el capítulo anterior vimos cómo el ecosistema empezó a perder pie por las restricciones de las cookies. Google presentó el modelo basado en datos como la solución definitiva para poder medir mucho mejor y fue quitando progresivamente los modelos de atribución hasta que solo quedaron el basado en datos y el last clic. Esta promesa de precisión matemática se ha convertido en un entorno cada vez más opaco.

En este capítulo abrimos esa caja negra para mirar dentro. ¿Estará el gato vivo o muerto?

Suscríbete ahora

Qué prometía el modelo basado en datos.

El discurso oficial era seductor. Los modelos de reglas fijas —last click, lineal, declive temporal— tenían un problema evidente: eran arbitrarios, eran convenciones consensuadas para describir un negocio.

El modelo basado en datos llegaba con una propuesta diferente:

• Nada de reglas inventadas.

• El algoritmo analiza tus rutas de conversión reales.

• Modeliza si no tiene datos suficientes.

• Calcula la contribución de cada interacción de forma automática.

• Se adapta a tu cuenta, a tu negocio, a tu comportamiento.

Sonaba como pasar de un mapa de papel dibujado a mano a un GPS en tiempo real. ¿Quién no querría eso? ¿A quien no le gusta esto?

El Shapley Value: la matemática detrás de la promesa.

El modelo de Google se inspira en una idea matemática elegante: el Shapley Value. Lloyd Shapley (Premio Nobel de Economía en 2012) resolvió hace décadas un problema parecido al que tenemos en atribución: si varios jugadores cooperan para conseguir un premio, ¿cómo repartimos el mérito de forma justa?

La respuesta de Shapley era calcular la contribución marginal de cada jugador en todas las combinaciones posibles. Matemáticamente impecable pero operativamente imposible: con 10 touchpoints son más de mil combinaciones por usuario. Inviable a escala Google.

Por eso Google no aplica Shapley puro. Aplica una aproximación basada en machine learning que persigue la misma intuición: ¿cuánto cambia la probabilidad de conversión si quito este touchpoint del camino? pero llega a la respuesta entrenando un modelo sobre miles de millones de rutas reales en lugar de enumerar coaliciones.

Los cuatro sesgos de Google al aplicar el modelo DDA.

Aquí están los cuatro sesgos estructurales del modelo basado en datos de Google. No son teorías conspirativas: son limitaciones técnicas y decisiones de diseño que tienen consecuencias reales sobre cómo aparecen tus campañas en los informes.

Sesgo 1: El filtro de privacidad.

Para proteger la identidad de los usuarios, Google elimina del cálculo las rutas de conversión que no superen un umbral mínimo de volumen. Si una combinación de canales no tiene suficiente volumen, simplemente no existe para el algoritmo.

El efecto práctico: campañas de nicho, influencers específicos, tráfico orgánico muy segmentado. Si no mueven suficiente volumen, su contribución se asume como cero. El modelo no dice “no tengo datos suficientes para calcularlo”. Dice, implícitamente, “ese canal no aportó nada”. Y eso no es lo mismo.

Sesgo 2: El sesgo de masa crítica.

La matemática de Shapley necesita miles de puntos de datos para estabilizar sus probabilidades estadísticas. Sin volumen, las estimaciones son inestables y el modelo lo sabe.

¿Qué hace entonces? Premia los formatos de alta frecuencia: Performance Max, Demand Gen, Display amplio. Son los que generan más impactos por definición. Los canales que generan pocos contactos pero de altísima calidad —una campaña muy segmentada, un email muy específico— reciben menos crédito no porque contribuyan menos, sino porque el algoritmo tiene menos con qué trabajar.

Es un bucle: los canales masivos reciben más crédito, justifican más presupuesto, generan más datos, reciben aún más crédito.

Sesgo 3: La ventaja de jugar en casa.

Google ve perfectamente todo lo que ocurre en su ecosistema: impresiones de YouTube, clics en Search, interacciones en Display. Tiene la película completa de sus propios canales, incluyendo las visualizaciones que no terminan en clic.

De Meta o TikTok, sólo ve lo que llega con UTMs. Las impresiones de Instagram, los vídeos vistos en TikTok, el impacto de una campaña de awareness en redes sociales son invisibles para el modelo.

¿El resultado? El modelo basado en datos de Google calcula la contribución marginal de cada canal con información asimétrica. Sus propios canales aparecen completos, los de la competencia a medias. El modelo barre para casa de forma natural porque sólo tiene la película completa de sus propios canales.

Sesgo 4: La paradoja de los datos modelados.

Con el fin de las cookies de terceros y las restricciones de iOS, el tracking real se ha desmoronado. El modelo basado en datos ya no se calcula sobre el comportamiento real del 100% de los usuarios.

Google utiliza inteligencia artificial para modelar, es decir, estimar y simular las conversiones de los usuarios que no puede trackear. Lo que ves en tus informes no es únicamente lo que ocurrió, es una parte de lo que ocurrió más una estimación de lo que probablemente ocurrió según el algoritmo.

Estamos aplicando una fórmula matemáticamente exacta sobre ingredientes que son, en parte, predicciones simuladas. Aunque la fórmula es correcta, los datos de entrada son aproximaciones.

Por qué Google quería este modelo.

Hasta aquí hemos hablado de cómo funciona el modelo, ahora vamos a desgranar por qué este modelo.

Primera razón: justificar el inventario de brand.

Con el modelo de last click, YouTube y Display parecían inútiles. El último clic casi siempre era una búsqueda de marca o un anuncio de shopping y los canales de prospección quedaban invisibles. Era difícil para Google defender la inversión en su inventario de awareness cuando los datos decían que no convertía.

El modelo basado en datos le da a YouTube, Display y Demand Gen “pedacitos” de conversión. Ahora esos canales aparecen contribuyendo, no al 100%, pero sí en parte. Y eso hace mucho más fácil que las marcas justifiquen seguir invirtiendo ahí.

Segunda razón: combustible para el Smart Bidding.

Los algoritmos de puja automatizada (Maximizar Conversiones, tCPA, tROAS) necesitan un flujo constante de datos en decimales para aprender. No pueden trabajar bien con conversiones binarias (convirtió / no convirtió). Necesitan fracciones: este canal contribuyó un 0,3 a esta conversión, este otro un 0,7.

El modelo basado en datos es exactamente eso: un generador de fracciones de conversión. Es el combustible que necesita Performance Max para funcionar. Sin él, el Smart Bidding no tiene con qué entrenar.

El modelo “basado en datos” no es sólo una herramienta de medición, es una pieza estructural del ecosistema de automatización de Google. Y eso explica por qué pasó de ser opcional a ser el único modelo disponible.

La atribución ya no es tuya.

Cuando elegías entre last click y basado en posición estabas tomando una decisión. Imperfecta, convencional, discutible, pero tuya. Decidías qué aspectos del recorrido del cliente querías entender y a cuáles darle más valor según el tipo de negocio que estabas gestionando.

Con el modelo basado en datos esa decisión ha desaparecido, la tomó la misma plataforma que vende el inventario que el modelo evalúa. Con datos que controla ella y mediante un algoritmo que actualiza sin notificarlo. ¡Y sin posibilidad de auditoría externa!

Piénsalo un momento, porque no es trivial: ningún canal publicitario anterior, ni la televisión, ni la radio, ni la prensa, consiguió jamás que el anunciante midiera su inversión con la regla que el propio medio fabrica. Siempre hubo un tercero: Nielsen, Kantar, ComScore,…. Imperfecto, sí, pero independiente. Hoy ese tercero ha desaparecido del canal más grande del mundo.

Por primera vez en la historia de la publicidad el medio mide su propio impacto y nos pide que confiemos. Es un nivel de concentración de poder que no tiene precedente. Y lo hemos aceptado porque no hay alternativa real. Cambiar de modelo significa cambiar de proveedor y no hay otro proveedor. Defender un 23% de contribución de YouTube que no puedes explicar es mejor que ir a la reunión del lunes sin cifra. El cliente pregunta cuánto aportó cada canal, tú abres el informe, dices el número y nadie te pregunta de dónde sale. El sistema se mantiene y todo el mundo contento.

“Caja negra” no es una metáfora literaria. Es la descripción técnica de un sistema que decide sobre tu negocio: cuánto invertir, en qué canal, en qué momento, a qué cliente, sin que puedas ver cómo, ni por qué, ni cuándo.

Y lo más preocupante no es eso. Lo más preocupante es que este modelo es exactamente el sistema que Google necesita para que Performance Max funcione, para que el Smart Bidding aprenda, para que su inventario de awareness se justifique. Funciona perfectamente para ellos pero a nosotros nos ha robado nuestra capacidad de decisión.

Por eso esta Misión tiene sentido: construyamos nuestro propio MTA volviendo sobre nuestros propios pasos, tomando decisiones sobre cómo queremos medir la interacción de los usuarios en nuestra web: seamos La Resistencia.

En el próximo y último capítulo de esta temporada hablaremos de algo más importante que la atribución: el poder de elegir. De cómo la manera en la que medimos termina definiendo las decisiones estratégicas de un negocio. Y de qué podemos hacer al respecto. Terminaremos esta misión definiendo el Manual de Resistencia de la Caja Negra.

Nos leemos la semana que viene.

Saludos desde Marte.

M.

Imagina que tienes un cliente que entra a tu tienda online un martes por la noche. Lleva semanas viendo tus anuncios en Instagram. El domingo por la tarde hizo clic en uno, exploró el catálogo y se fue sin comprar. El lunes, alguien le mandó un email con una oferta. Y el martes buscó directamente el nombre de la marca en Google, hizo clic en un anuncio de búsqueda y compró.

¿A quién le atribuyes la conversión?

¿A Instagram, que fue el descubridor? ¿Al email que activó la intención? ¿A la búsqueda de marca que cerró la venta? ¿Las repartes entre todos por igual?

Esta es la pregunta que los modelos de atribución llevan años intentando responder. Y lo interesante, lo que muchos hemos olvidado, es que durante años no existía una única respuesta. Existían varias. Y cada una decía algo distinto sobre cómo funciona el marketing.

Qué es un modelo de atribución.

Un modelo de atribución es una regla que decide qué canal, campaña o impacto se lleva el crédito de una conversión cuando en el camino hacia esa conversión han intervenido varios puntos de contacto.

Es, en esencia, una forma de repartir el mérito.

El problema es que el recorrido de un usuario rara vez es una línea recta. Un cliente puede ver un anuncio de display, ignorarlo, buscar el producto en Google días después, hacer clic en un resultado orgánico, suscribirse a la newsletter, recibir un email y finalmente comprar. ¿A quién le corresponde el éxito de esa venta? ¿Al primero que puso la semilla? ¿Al último que cerró la venta?

No hay una respuesta correcta porque en realidad es una decisión. Y es una decisión que tiene que tomarse al principio, cuando se establecen las bases porque esta decisión refleja la filosofía sobre cómo funciona el marketing y cómo se comportan los usuarios.

Suscríbete ahora

Los modelos clásicos: cinco filosofías, cinco mapas.

Antes del 2021, en Google Ads y en Analytics podías abrir un desplegable y elegir el modelo con el que querías analizar tu negocio. Esto no era un detalle técnico menor, era una decisión estratégica. Estos eran los modelos disponibles:

Last Click.

Todo el crédito va al último canal que tuvo contacto con el usuario antes de la conversión. Si la última interacción fue un anuncio de búsqueda de marca, ese anuncio se lleva el 100% de la conversión.

Es el modelo más conservador y sigue siendo el más utilizado. Lo usa Meta y lo usan todos los CRMs y los ecommerces. Se apoya en la lógica de que lo que importa es cerrar. Es útil cuando tu negocio tiene ciclos de decisión cortos, transacciones impulsivas o cuando operas en mercados donde la captura de demanda existente es lo más valioso.

Un ecommerce de moda básica, por ejemplo, puede funcionar razonablemente bien con Last Click porque el tiempo entre el primer impacto y la compra suele ser corto y la decisión no requiere mucha deliberación. El problema es que este modelo invisibiliza todo lo que construyó la intención de compra antes de ese último clic.

First Click.

Lo contrario: todo el crédito va al primer canal que introdujo al usuario al negocio. Es el que potencia la figura del canal descubridor.

Este modelo tiene sentido cuando lo que más te importa es entender qué está generando demanda nueva, qué canales están trayendo usuarios que antes no te conocían. Es especialmente útil en estrategias de brand awareness, en lanzamientos de producto o cuando estás expandiéndote a nuevos mercados donde la captación de audiencia nueva es la prioridad. Es muy útil para negocios en fase de start up.

El riesgo es el contrario al Last Click: invisibiliza todo lo que convierte. Un negocio que optimiza solo por First Click puede acabar sobreinvirtiendo en canales que generan mucho tráfico nuevo pero que no convierten bien.

Linear.

El crédito se reparte por igual entre todos los puntos de contacto. Si el usuario interactuó con cuatro canales antes de comprar, cada uno se lleva un 25% de la conversión.

Es el modelo más democrático y, a la vez, el menos preciso. Su ventaja es que reconoce que el recorrido del usuario es múltiple y que reducirlo a un solo canal es una simplificación excesiva. Su problema es que trata igual al anuncio de display que vio durante dos segundos en mobile y al email de abandono de carrito que relanzó la intención de compra.

Funciona bien como punto de partida para negocios que están empezando a analizar sus rutas de conversión y quieren tener una visión equilibrada antes de afinar, por decir algo, porque yo soy muy poco fan de este modelo.

Time Decay.

Los canales más cercanos a la conversión reciben más crédito. Cuanto más reciente fue el impacto, más peso tiene de manera que los primeros contactos reciben muy poco crédito.

Este modelo parte de la idea de que lo que más influye en la decisión es lo que ocurrió justo antes de comprar. Tiene cierta lógica para negocios con ciclos de venta cortos o promociones puntuales donde el último empujón es realmente decisivo.

Sin embargo, puede penalizar injustamente los canales de prospección que trabajan a largo plazo. Un contenido de blog que atrae a un usuario cuatro semanas antes de la compra puede tener una influencia enorme en la decisión final pero este modelo prácticamente la ignora.

Position Based o U-Shape (mi favorito).

El 40% del crédito va al primer contacto, el 40% al último, y el 20% restante se reparte entre todos los contactos intermedios.

Este es el modelo favorito de muchos ecommerce maduros porque reconoce explícitamente dos momentos que son críticos: el que genera demanda y el que la captura. El primer touchpoint es el que descubrió al usuario y el que lo introdujo al universo del negocio. El último es el que cerró la venta. Los de en medio son el trabajo de nutrición, igualmente importante pero diferente.

Para un negocio de cosmética, de moda premium o de cualquier vertical donde la generación de demanda nueva es estratégicamente tan importante como la conversión, este modelo suele dar una imagen más fiel de qué está funcionando y qué no.

El mismo negocio, cinco lecturas distintas.

Lo que hace todo esto particularmente interesante, y lo que creo que muchos hemos olvidado, es que si cogías los mismos datos de un mismo negocio y los analizabas con cada uno de estos cinco modelos, obtenías conclusiones radicalmente distintas.

Con Last Click, la búsqueda de marca parecía el canal estrella. Con First Click, el display y las redes sociales subían en importancia. Con Position Based, los canales de prospección ganaban presupuesto justificado. Con Time Decay, las campañas de retargeting recibían más crédito.

No era un error del sistema, era el sistema funcionando exactamente como estaba diseñado.

Cada modelo respondía una pregunta diferente y según qué pregunta fuera más relevante para el negocio y para su momento de crecimiento o para su estructura de ciclo de venta, elegías un modelo u otro o los comparabas entre sí para tener una visión más completa.

Existían distintas verdades porque el negocio es complejo y la realidad del comportamiento del usuario no cabe en una sola fórmula.

Por qué no existía un modelo “correcto”.

Esta es la parte que más me importa transmitir.

Los modelos de atribución clásicos no competían entre sí por ser el más preciso. Cada uno era una herramienta de análisis diseñada para responder una pregunta específica y combinarlos te daba un mapa más rico. Elegir uno conscientemente te decía en qué estás poniendo el foco estratégico.

Un negocio B2B con ciclos de venta de seis meses probablemente se identificaba más con Last Click porque en ese contexto, el cierre tiene un peso desproporcionado en la decisión y los equipos comerciales necesitan justificar qué campañas están convirtiendo a corto plazo. Un ecommerce en crecimiento que quería entender qué canales estaban alimentando el funnel superior elegiría Position Based o First Click para asegurarse de no infrainvertir en brand.

Elegir un modelo era una declaración sobre qué aspectos del negocio querías entender y optimizar.

Y entonces llegó Google.

Hacia 2021, Google empezó a promover activamente su modelo “basado en datos” y a retirar progresivamente los modelos clásicos de la interfaz. Uno a uno fueron desapareciendo del desplegable hasta que ya no había nada que elegir. Queda todavía el last clic enterrado en un informe en GA4 como el irreductible poblado galo de Asterix pero finalmente el modelo “basado en datos” se ha convertido en el estándar y punto.

La narrativa oficial era atractiva: un modelo algorítmico que aprende de los datos reales de tu cuenta y calcula automáticamente la contribución “verdadera” de cada canal. Sin reglas arbitrarias ni decisiones manuales ni tampoco sesgos de quien elige el modelo.

Sonaba como una evolución lógica y el sector lo aceptó sin hacer demasiadas preguntas.

El problema es que nadie nos explicó qué significa realmente “basado en datos”. Nadie nos contó qué señales usa ese algoritmo, cómo las pondera, ni cómo decide cuánto crédito le asigna a cada canal. La decisión de cómo interpretar el negocio había pasado a manos de Google. Y muchos ni siquiera nos dimos cuenta porque ya no había alternativa con la que comparar.

A esto se suma algo que encuentro especialmente llamativo: hay toda una generación de profesionales del marketing que nunca ha vivido ese momento en el que podías cambiar el modelo de atribución y observar cómo la lectura completa del negocio se transformaba. Nunca han tenido esa experiencia de seleccionar un desplegable y ver cómo cambian los canales que parecen funcionar, los presupuestos que parecen justificados, las campañas que parecen rentables. Para esa generación, “basado en datos” no es una imposición, es simplemente el único mundo que conocen.

Y como si esto no fuera suficiente, hay una capa más de complejidad que complica aún más el panorama: los CRMs y las plataformas de ecommerce siguen utilizando Last Click como modelo de atribución por defecto. Así que mientras Google te dice que el canal que cerró la venta fue uno, tu Shopify o tu Salesforce dice que fue otro. Los datos no cuadran. Y cuando los datos no cuadran, llega la duda. Y con la duda, la desconfianza en los propios números.

Esta misión va de eso: abrir la caja negra para ver qué hay dentro y, al final, recuperar nuestra capacidad para decidir qué modelo de atribución describe mejor tanto el negocio como el comportamiento de los usuarios. Sí, es una vuelta atrás lo que propongo y por eso esto pretende ser un manual de resistencia porque es la única manera de arrebatarle a Google las decisiones que durante años hemos dejado de tomar y con eso, recuperar algo de confianza en nuestra forma de medir. Al menos lo suficiente para tomar mejores decisiones.

Nos leemos la semana que viene, cuando entremos dentro de esa caja negra.

Saludos desde Marte.

M.

Tengo la sensación de que en las misiones anteriores hemos ido muy rápido.

Tal vez mi prisa viene por querer llegar a Marte y empezar a desgranar lo que para mí es el corazón de la atribución: el modelo de marketing mix. Sin embargo, un MMM no lo es todo y aunque es la brújula que nos orienta en el mapa para decidir cómo distribuir el presupuesto de la manera más eficiente, no es ni de lejos una verdad universal y hay otras herramientas fundamentales en este viaje. Así que he pensado que antes de seguir buceando en este fascinante mundo, era importante parar un momento y hablar de algo que no requiere un conocimiento técnico en estadística avanzada, que es accesible a todas las personas que se dedican al análisis de lo digital y que iba a ser algo muy clarificador especialmente para quien se dedica al tráfico de pago.

Así que vamos a parar un momento y vamos a mirar a algo que tenemos siempre delante de nuestras narices pero que hemos dejado de mirar: los MTAs o MultiTouch Attribution Models.

Hace unos años hubo una época en la que podíamos decidir cómo interpretar el recorrido de un usuario antes de convertir. Teníamos numerosos modelos para atribuir las conversiones. ¿Os acordáis del famoso last clic, first clic, decay,... ? Nos hemos olvidado porque hemos interiorizado que el único modelo de atribución es el “basado en datos”. Pero en realidad esta es una de las conversaciones más importantes dentro del marketing digital porque afecta directamente a cómo entendemos el negocio.

Puede que incluso haya personas leyendo esto que nunca hayan trabajado con otro modelo de atribución que no sea el “basado en datos”. Y esto me parece fascinante porque significa que toda una generación de profesionales del marketing ha empezado a medir dentro de una caja negra sin haber vivido la época en la que podíamos cambiar el modelo y observar cómo la interpretación completa del negocio se transformaba delante de nuestros ojos con solo seleccionar otro desplegable.

Suscríbete ahora

En aquella época, allá por los años previos al 2021, dependiendo del modelo de atribución que eligieras, cambiaban las campañas que parecían rentables, los canales que merecían presupuesto y hasta la percepción de qué plataforma estaba haciendo “bien” su trabajo. Durante años convivieron distintos modelos porque cada uno respondía una pregunta diferente. No existía una única verdad, existían distintas maneras de leer el mapa.

Luego llegó Google con su modelo “basado en datos”, sus algoritmos automáticos y sus cajas negras. Y poco a poco dejamos de elegir. Google eliminó los modelos clásicos de atribución y nos dijo, básicamente, que ya no hacía falta decidir porque el sistema podía calcular automáticamente la contribución “real” de cada impacto publicitario. Sonaba lógico y tampoco nos dió mucha más opción. Era cómodo, no teníamos que pensar mucho más y precisamente por eso lo aceptamos tan rápido.

El problema es que cuando una plataforma decide cómo se reparte el mérito de una conversión, no solo está imponiendo un algoritmo matemático, está definiendo una interpretación del negocio. Al obligarnos a usar el “basado en datos” está decidiendo qué canales parecen funcionar y cuáles no y nos empuja a tomar decisiones de qué campañas escalar y cuáles pausar. Y lo hace además desde un sistema opaco que no podemos auditar realmente, que cambia constantemente y que utiliza señales que controla la propia plataforma. Una caja negra donde todo se cocina en su interior y que nos da una respuesta en donde no tenemos ningún control.

Por eso esta misión va de resistencia. No contra la automatización ni contra los modelos matemáticos, sino contra la idea de aceptar sin cuestionar cómo las plataformas nos dicen qué debemos medir y cómo debemos atribuir.

A lo largo de esta misión vamos a recorrer tres capítulos. En el primero volveremos atrás para entender cómo funcionaban los modelos clásicos de atribución y por qué durante años convivieron tantos modelos distintos. Porque no eran simples fórmulas: eran distintas filosofías sobre cómo funciona el marketing y cómo se comportan los usuarios de un negocio. En el segundo entraremos dentro de la caja negra para entender cómo funciona realmente el modelo “basado en datos”, qué es el Shapley Value y cómo las plataformas utilizan modelos algorítmicos para repartir conversiones entre canales. Y en el tercero hablaremos de algo mucho más importante que la atribución: el poder. Porque la manera en la que medimos termina definiendo las decisiones estratégicas de un negocio.

Y además, al final de la misión, tendremos un bonus track bastante especial. Porque no quiero quedarme únicamente en la crítica a las plataformas. ¡Vamos a construir nuestro propio mapa! Partiendo del informe de rutas de atribución de GA4 veremos cómo empezar a diseñar un modelo de atribución adaptado al negocio, cómo interpretar recorridos de usuarios y cómo construir un pequeño sistema —ya sea mediante prompts, scripts o skills— que nos ayude a recuperar parte del control que hemos ido cediendo durante los últimos años.

Estoy es, mis queridos compañeros y compañeras de viaje, un pequeño manual de resistencia contra la caja negra.

Nos leemos la semana que viene en el primer capítulo de esta misión.

Pasad buena semana.

Saludos desde Marte.

M.

Desde que nos subimos a la nave hemos visto muchas cosas: cómo cada plataforma mide según su modelo de atribución y nos hemos dado cuenta de que comparar los datos entre plataformas no solo es inútil y erróneo, además genera confusión y desconfianza.

En este tiempo me he centrado en mostrar dos cosas muy importantes en nuestro negociado:

Primero, que estamos optimizando campañas constantemente pero sin saber si estamos optimizando el negocio. Estamos tomando decisiones estratégicas con métricas tácticas y miramos el CPA y el ROAS de cada plataforma sin saber cuál está generando realmente más valor.

Y segundo, que estamos asumiendo que todo lo que vende viene de nuestras campañas cuando en realidad hay una base de ingresos que ya existe, que depende de la propia marca, de sus clientes recurrentes o de sus acciones de email marketing. Las plataformas publicitarias capturan esas conversiones como propias pero no necesariamente las generan.

Así que llegamos al punto en el que necesitamos algo diferente, necesitamos una forma de analizar que no dependa de quién hizo el último clic, una herramienta que entienda el negocio completo más allá de las campañas individuales y que además separe lo que es baseline de lo que es impacto real. Un modelo que además detecte cuándo un canal ya está saturado y cuándo todavía tiene margen de crecimiento.

Esto es un Marketing Mix Model.

Y antes de que te asuste el nombre o pienses que esto es para marcas enormes con equipos de data science, déjame explicarte qué es de verdad.

Suscríbete ahora

Qué es un Marketing Mix Model.

Un Marketing Mix Model es una herramienta que analiza la relación entre la inversión en marketing y los resultados de negocio. No mira usuarios individuales, no depende de las cookies, tampoco de que alguien haga clic en un anuncio ni se basa en atribución. Sólo busca una relación entre inversión e ingresos y busca patrones.

Un MMM entiende que cuando subes inversión en Meta, las ventas totales suben de cierta forma, que cuando subes inversión en Google, las ventas suben de otra forma. Pero además también puede incluir otro tipo de información que completa el negocio como las promociones, la estacionalidad o el impacto de la newsletter que se envía dos veces a la semana.

Un modelo de marketing mix es capaz de encontrar relaciones entre los datos para separar qué parte de tus ventas viene de cada canal, qué parte es baseline, qué parte es estacionalidad y qué parte es efecto de promociones.

Por primera vez, no estás preguntando quién se llevó el mérito de la conversión, estás entendiendo qué está moviendo realmente el negocio.

Qué te permite hacer

Un MMM te permite tomar decisiones que antes no podías tomar con confianza:

Entender la contribución real de cada canal.

Un MMM te permite entender el impacto incremental real que tiene cada canal en tus ingresos totales. Y esto lo cambia todo porque de repente puedes ver que Meta tiene un ROAS más bajo que Google pero está generando más valor incremental al negocio. O al revés: que Google tiene un ROAS altísimo pero solo está capturando demanda que otros canales generaron.

Detectar saturación.

¿Recuerdas la pregunta del capítulo 1? Si mañana tuvieras 10.000€ más, ¿dónde los invertirías?

Con un MMM puedes responder eso porque el modelo te dice cuánto margen de crecimiento tiene cada canal. Te dice si Google Ads ya está saturado y añadir más presupuesto no va a generar más conversiones proporcionalmente. O si Meta todavía tiene margen y cada euro adicional que inviertas ahí va a seguir generando retorno. Ya no estás adivinando, estás decidiendo con datos y sobre todo, estás decidiendo dónde poner el presupuesto con criterio.

Optimizar la distribución de presupuesto.

Y una vez que sabes la contribución real de cada canal y el punto de saturación de cada uno, puedes redistribuir presupuesto de forma inteligente. Puedes decir: “Voy a mover 5.000€ de Google a Meta porque Google ya está en su punto óptimo y Meta todavía puede crecer”. Y no es una intuición, es una decisión informada.

O puedes decir: “Voy a reducir la inversión total porque todos los canales ya están saturados y añadir más presupuesto solo va a inflar el CPA sin generar más valor, asi que vamos a plantear un cambio de estrategia”. Y esta es la acción que espera tu cliente cuyo presupuesto estás protegiendo y que añade valor a la gestión publicitaria.

Entender efectos que antes no veías.

Un MMM también puede ver efectos cruzados. Puede ver que Meta genera awareness que luego convierte en Google. Ver que TikTok tiene un impacto retardado de dos semanas. Ver que las promociones generan un pico de ventas inmediato pero luego canibaliza ventas futuras.

Cosas que con los dashboards de plataforma no ves, cosas que con un modelo de atribución no puedes medir, pero que están ahí, moviendo el negocio.

Qué NO es un MMM.

Antes de seguir, dejemos claro qué NO es un MMM, porque aquí es donde mucha gente se confunde.

No es un modelo de atribución.

Un MTA intenta seguir el journey de un usuario individual y decidir qué canal se lleva el mérito de la conversión. ¿Recuerdas aquello de primer clic, último clic, lineal, data-driven…? todo eso son modelos de atribución.

MMM no hace eso, no sigue usuarios ni le importa quién hizo clic en qué. Un MMM busca relaciones entre canales e ingresos.

No depende de cookies.

Esto es clave en el mundo actual. Con iOS bloqueando tracking, con cookies de terceros desapareciendo, con regulaciones de privacidad cada vez más estrictas, la atribución tradicional está rota.

MMM no depende de nada de eso porque usa datos agregados que salen directamente de fuentes absolutas, la inversión de plataformas vs los ingresos que salen del ecommerce. Tan sencillo como eso.

No necesita que todas las conversiones sean rastreables.

Un MTA solo funciona si puedes rastrear al usuario desde el anuncio hasta la conversión pero si alguien ve tu anuncio en Meta pero convierte offline, la atribución no lo ve. O si ve tu anuncio y no hace clic pero termina convirtiendo por orgánico, tampoco ve el impacto de Meta.

Un MMM sí lo ve porque mira ventas totales de todas las fuentes y lo relaciona con la inversión. Y esto es especialmente potente si tienes un negocio con conversiones que no se pueden rastrear bien o con ciclos de compra largos.

No es un plug&play.

Es una herramienta casi artesanal que supone tener un altísimo conocimiento del negocio para incorporar variables que expliquen los ingresos. Y hay muchos valores que asumir que tienen que ver con cómo se comportan los canales. No es una IA a la que le enchufes datos y te de la información.

Cómo funciona.

Esta es la parte donde se desconecta media audiencia: la parte técnica. Pero no te preocupes que no voy a meterme en estadística compleja ni en fórmulas incomprensibles porque el objetivo es que entiendas la idea central, luego tu ya verás si quieres meterte más en harina o prefieres contar con alguien que lo haga.

De momento sólo necesitas entender la idea central: un MMM es una regresión. Y sé que esa palabra suena intimidante, pero la idea es muy simple: una regresión es una herramienta que intenta explicar cómo cambia una variable en función de otras y te da el valor de ese impacto. En nuestro caso, sirve para estimar cuánto influyen tus canales (como Meta o Google) en las ventas, encontrando la relación que mejor encaja con los datos históricos identificando patrones que ayudan a entender qué palancas están moviendo el negocio.

• “Cuando invertimos 1.000€ más en Google Ads, las ventas suben 3.500€ en promedio.”

• “Cuando invertimos 1.000€ más en Meta, las ventas suben 2.800€ en promedio, pero el efecto tarda dos semanas en verse completamente.”

• “Cuando no invertimos nada, las ventas base son 15.000€ a la semana. Ese es nuestro baseline.”

Eso es lo que el modelo está calculando. Está midiendo cuánto aporta cada canal al resultado total y cada uno de esos impactos tiene un coeficiente.

Si el coeficiente de Google es 3,5, significa que por cada euro que inviertes en Google, generas 3,5€ de ingresos incrementales. Si el coeficiente de Meta es 2,8, significa que por cada euro que inviertes en Meta, generas 2,8€ de ingresos incrementales.

Eso es lo que el modelo está calculando. No el ROAS que reporta la plataforma publicitaria sino el impacto real, incremental, de cada canal.

Por qué esto cambia todo.

Cuando tienes un MMM, por primera vez puedes responder preguntas que antes eran imposibles:

• “¿Cuál es el ROAS real de cada canal?” No el reportado, el real.

• “¿Qué pasaría si muevo 10.000€ de Google a Meta?” El modelo te lo puede proyectar.

• “¿Cuánto de mis ventas vendría igual sin publicidad?” El baseline te lo dice.

• “¿Cuándo debo parar de invertir en un canal?” Cuando veas que está saturado.

• “¿Qué canal tiene más margen de crecimiento?” El que tenga coeficiente alto y no esté saturado.

Y lo más importante: todas estas respuestas no son especulación, no son intuición, es un análisis basado en el propio comportamiento histórico del negocio.

Entonces, ¿por qué no todo el mundo usa MMM?

Buena pregunta. Pues porque hasta hace poco hacer un MMM era caro, complejo y requería equipos especializados que sólo marcas grandes con presupuestos enormes y equipos de analistas podían permitírse. Pero esto está cambiando porque las herramientas están mejorando y son más accesibles y lo que es más importante, cada vez más gente entiende que las métricas de plataforma no son suficientes para tomar decisiones estratégicas.

Pero todavía no es trivial, no es algo que montas en una tarde. Requiere datos históricos limpios, requiere entender unos cuantos conceptos técnicos y requiere saber interpretar los resultados, pero ya no es inalcanzable.

Y si gestionas presupuestos significativos, si tienes múltiples canales activos, si estás tomando decisiones de inversión cada mes sin saber realmente qué está funcionando... entonces necesitas esto porque seguir tomando decisiones a ciegas es más caro que invertir en entender el sistema.

Y eso es lo que te lleva a Marte. No optimizar el CPA de una campaña, no subir el CTR de una creatividad, sino entender el sistema y tomar decisiones que mueven la aguja de verdad.

Qué viene ahora.

En las próximas misiones vamos a hablar de qué datos necesitas para montar un MMM. Vamos a hablar de conceptos como adstock (efectos retardados), saturación, y transformaciones. Vamos a hablar de cómo interpretar los resultados y cómo usarlos para tomar decisiones. También vamos a hablar de MTAs porque ambas herramientas son la brújula perfecta para entender el negocio.

No va a ser una masterclass técnica. Va a ser una guía práctica para que entiendas qué es esto, cómo funciona, y cómo puedes empezar a aplicarlo aunque no seas data scientist. Porque el objetivo de esta serie no es convertirte en un experto en estadística, es darte las herramientas para tomar mejores decisiones. Y un MMM es una de las mejores herramientas que puedes tener.

Este capítulo me ha quedado un poco largo de más pero creo que merecía la pena explicarlo todo. Si has llegado hasta aquí quiero felicitarte y darte las gracias, ya eres un convencido, convencida marciana.

Nos leemos en la siguiente misión.

Saludos desde Marte,

M.

Soy Myriam Navas, consultora de PPC especializada en medición avanzada y atribución. Trabajo con marcas que gestionan presupuestos significativos en Google Ads y Meta Ads y necesitan entender qué está funcionando realmente, más allá de lo que reportan las plataformas. Saludos desde Marte es mi newsletter donde explico conceptos complejos de analítica y medición de forma clara y aplicable, tratando de evitar tecnicismos innecesarios. Si trabajas en paid media y te frustran las métricas que no cuadran, esto es para ti.

En el capítulo anterior hablamos de que estamos optimizando campañas constantemente, revisando métricas, tomando decisiones cada día, pero sin saber realmente si esas decisiones están mejorando el negocio. Optimizamos dentro del sistema, intentando entender las conexiones entre diferentes métricas, pero sin entender el sistema en sí mismo.

Y ahí te dejé con esa sensación de “estoy trabajando muchísimo pero no sé si estoy moviendo la aguja de verdad”. Con la pregunta de si ese CPA más bajo o ese ROAS más alto que ves en la plataforma realmente significa algo para el negocio.

Pero hay algo que aún no hemos tocado. Algo más profundo. Algo que está debajo de todo esto y que cambia completamente la forma en la que interpretamos nuestras métricas.

Y es que estamos asumiendo que todo lo que vende viene de nuestras campañas.

Asumimos que si activamos una campaña y vemos conversiones, esas conversiones vienen de esa campaña. Que si subimos presupuesto y vemos más ventas, es porque hemos subido presupuesto. Que si bajamos inversión y caen los ingresos, es porque hemos bajado inversión.

Causalidad directa. Lineal. Limpia.

Pero no funciona así.

La falsa sensación de control

Todos los días haces esto: abres Google Ads o Meta Ads, miras las conversiones, ves un número y automáticamente lo asocias a tus campañas.

Has subido inversión esta semana y han subido las ventas. Bien, funciona. Has bajado inversión y han bajado las ventas. Mal, deberías haber mantenido el presupuesto. Has lanzado una nueva campaña y al día siguiente hay tres conversiones. La campaña está funcionando. Has pausado una campaña y las conversiones totales han bajado. Está claro, esa campaña estaba aportando valor.

Todo esto parece lógico, pero estamos asumiendo una causalidad que no hemos comprobado. Estamos asumiendo que el antes y el después están conectados solo por lo que hemos hecho nosotros. Y no siempre es así.

Hay algo que no estamos viendo, algo que estaba ahí antes de que activaras la primera campaña y que seguirá ahí aunque las pauses todas.

Hay ventas que ocurren aunque no hagas nada.

Déjame hacerte una pregunta: ¿Cuántas de tus conversiones de esta semana habrían ocurrido igual aunque no hubieras hecho publicidad?

Date un momento para pensarlo.

Hay gente que ya te conoce, gente que compró hace seis meses y ahora vuelve, gente que te encontró por SEO, gente a la que alguien le recomendó tu marca, gente que simplemente estaba buscando tu producto en Google porque lo necesitaba y te encontró, con o sin anuncio.

Hay conversiones que ocurren porque tu marca ya existe: pues porque tienes una web, porque tienes presencia orgánica, porque alguien habló de ti en algún sitio, porque has trabajado la reputación, porque alguien te guardó en favoritos hace tres meses y hoy ha vuelto.

Y todas esas conversiones aparecen en tus dashboards como si vinieran de tus campañas, porque oye, el usuario hizo clic en un anuncio en algún momento del proceso y la plataforma las captura. Pero esa conversión iba a pasar igual.

A esto se le llama baseline.

No es un término técnico complejo, es simplemente la base de ingresos que ya tienes, la parte de tu negocio que funciona con o sin publicidad. Y esa base existe, aunque no la estemos viendo en los dashboards.

Suscríbete ahora

Desmontando la ilusión

Pero espera, que todavía hay más: ¿Alguna vez has pausado campañas y las ventas no han caído tanto como esperabas?

Tú pensabas: “Si pauso esto, voy a perder X conversiones”. Pero cuando lo pausaste, solo perdiste la mitad. O un tercio. O incluso menos.

¿Qué pasó? ¿Fallaron los datos? No, lo que pasó es que parte de esas conversiones no venían de esa campaña, venían del baseline, y cuando pausaste la campaña, el baseline siguió ahí.

O al revés: has subido presupuesto esperando un crecimiento proporcional y no ha pasado nada. Subiste un 30% la inversión y las conversiones subieron un 8%. O ni eso.

¿Por qué? Porque no estabas comprando demanda nueva, estabas pagando más por capturar la misma demanda que ya existía.

O esta otra: tienes un canal que parece muy rentable que tiene un ROAS increíble, invita a llevarse todo el presupuesto del mundo, pero cuando lo escalas, el ROAS se desploma.

¿Qué está pasando? Que ese canal no estaba generando demanda, estaba capturándola. Estaba recogiendo conversiones que otros canales generaron o que ya existían de forma orgánica, y cuando intentaste escalar, no había más demanda que capturar. Así que el ROAS se vino abajo.

Y aquí viene la frase clave: las plataformas capturan conversiones, pero no necesariamente las generan.

Y esto cambia todo. Porque significa que parte de lo que estás atribuyendo a tus campañas... iba a pasar igual.

Lo que no estamos viendo.

¡Y seguimos para bingo!

Incluso cuando tus campañas sí están generando conversiones reales, no siempre ocurren en el momento que crees.

Alguien ve tu anuncio hoy en Instagram. No hace clic y sigue con su día. Tres días después busca tu marca en Google y convierte. ¿Quién se lleva la atribución? Google.

¿Meta generó esa conversión? Probablemente. ¿Aparece en el dashboard de Meta? Pues también.

O al revés: alguien hace clic en tu anuncio de Meta hoy. No convierte. Una semana después vuelve directo a tu web y compra. ¿Meta se lleva la atribución? Depende de tu ventana de atribución. Pero si convirtió fuera de esa ventana, Meta no lo verá.

Uno más: alguien ve tu anuncio en TikTok. Le genera interés. Busca tu marca en Google y hace clic en tu anuncio. No convierte. Vuelve dos días después directo y convierte. ¿Quién generó esa conversión? ¿TikTok? ¿Google? ¿Ambos? ¿Ninguno?

La realidad es que lo que ves en tus dashboards es una versión simplificada de lo que está pasando de verdad. Es una aproximación, como vimos en capítulos anteriores, son mapas, no el territorio.

Hay efectos retardados, hay efectos cruzados. Hay interacciones que no estamos midiendo. Hay conversiones que se atribuyen a un canal cuando en realidad vinieron de otro. Y hay conversiones que se atribuyen a campañas cuando en realidad ya existían de forma orgánica.

Y todo esto significa que cuando miras tus métricas y tomas decisiones, estás tomando decisiones sobre algo que no estás viendo del todo.

Ahora sí, volvamos al principio.

Volvamos a la pregunta del principio, pero ahora con todo esto encima de la mesa:

• ¿Cuánto de lo que vendo viene realmente de mis campañas?

• ¿Cuánto es ese baseline que iba a pasar igual?

• ¿Cuánto es impacto cruzado entre canales que estoy atribuyendo mal?

• ¿Cuánto es efecto retardado que no estoy capturando?

• ¿Y si estoy sobreestimando el impacto de mis campañas?

• ¿Y si estoy invirtiendo en un canal que solo captura, pero no genera?

• ¿Y si estoy quitando presupuesto de un canal que está generando conversiones que luego otro canal se atribuye?

No lo sabes. Y esa es la intranquilidad que llevo dos capítulos cultivando.

No es que tus campañas no funcionen o que estés haciendo algo mal, es que estás tomando decisiones sobre una realidad que no estás viendo completa.

La idea clave.

El negocio no empieza cuando activas una campaña.

Empieza mucho antes. En tu marca, en tu posicionamiento orgánico, en la reputación que te has trabajado, en la demanda de mercado que ya existe, en la gente que ya te conoce o en los efectos que otros canales generaron semanas atrás.

Y las campañas influyen, claro que influyen y a veces mucho, pero no son el origen de todo ni son la única fuente de conversiones. Y asumir que lo son te lleva a tomar decisiones equivocadas.

Porque si piensas que todo viene de las campañas, vas a sobreestimar su impacto. Vas a creer que ese ROAS que ves en la plataforma es real cuando parte de él ya existía de forma orgánica, vas a escalar canales que solo capturan demanda pensando que la están generando. Y vas a quitar presupuesto de canales que sí están generando valor pero que no se llevan la atribución.

Y eso es exactamente lo que nos pasa cuando tomamos decisiones solo con los dashboards de plataforma.

El problema completo

Así que ahora ya lo ves: no sabes qué parte de tus ingresos es baseline y qué parte viene realmente de publicidad.

No sabes qué parte de las conversiones que cada canal reporta son reales y cuáles ya existían de forma orgánica. No sabes cómo interactúan los canales entre sí ni qué parte del impacto de uno está siendo capturado por otro.

Y sin saber esto, no puedes tomar decisiones estratégicas de verdad.

Porque la pregunta no es “¿cuál es el CPA de cada canal?”. La pregunta es: ¿cuánto valor incremental está generando cada canal al negocio? Valor que no existiría sin ese canal.

Y esa pregunta no la puedes responder con las métricas de plataforma, ni con Google Analytics. Ni dividiendo los ingresos totales entre la suma de los costes de las plataformas.

Necesitas una forma de aislar el baseline del impacto real de cada canal, una forma de entender qué está generando realmente crecimiento y qué solo está capturando lo que ya existía.

Y para eso necesitas un modelo que mire el negocio completo, no campañas individuales. Un modelo que entienda efectos retardados, efectos cruzados, baseline y saturación. Un modelo que separe lo que es ruido de lo que es señal.

En el siguiente capítulo vamos a hablar de ese modelo: vamos a hablar de Marketing Mix Modeling.

¡Y por fin!, después de dos capítulos desmontando certezas, aterrizamos en Marte y empezamos a construir la brújula que conecta los datos publicitarios con el negocio.

Nos leemos en el siguiente capítulo.

Saludos desde Marte,

M.

Pasas a Meta. El CTR de la creatividad que lanzaste hace tres semanas está estancado. La frecuencia ha subido, la gente ya ha visto el anuncio demasiadas veces así que pones en marcha una nueva creatividad que tenías preparada por si acaso. Redistribuyes un poco el presupuesto entre conjuntos de anuncios. El que está funcionando mejor se lleva más, el que lleva dos días sin conversiones, menos.

Revisas TikTok. Ahí todo parece estar funcionando bien, pero es el canal más pequeño, así que no le dedicas tanto tiempo. Un vistazo rápido, todo OK, sigues.

Al final del día has optimizado, has tomado decisiones, te sientes productiva, mañana volverás a revisar los números y si algo no va bien, volverás a ajustar. Es lo que hacemos, optimizar constantemente, estar encima y no dejar que las cosas se descontrolen.

Y está bien, todo esto que haces es absolutamente necesario. Las campañas no se gestionan solas, si no las tocas, se descontrolan o van lentamente bajando de rendimiento. El algoritmo por sí solo no va a detectar que estás pagando por clics de términos irrelevantes ni va a pausar una creatividad que ya no funciona. Tampoco va a redistribuir presupuesto entre campañas cuando una está rindiendo mejor que otra. Hay que estar ahí, revisando y optimizando.

Pero aquí viene lo incómodo: todo ese trabajo, toda esa optimización diaria, toda esa sensación de tener las cosas bajo control, no responde a la pregunta importante.

Porque a lo mejor has conseguido bajar el CPA un 8% en Google Ads esta semana, pero, ¿eso significa que Google Ads está funcionando mejor que Meta? ¿O es que Meta está generando demanda que luego convierte en Google y por eso Google tiene un CPA más bajo? Esto, mirando los datos de plataforma, no lo sabes.

Miras los números de Meta y ves que el ROAS reportado por la plataforma es 3,2. Miras Google Ads y el ROAS reportado es 4,8. Conclusión obvia: Google Ads funciona mejor. Pero luego abres Google Analytics y resulta que las conversiones totales del negocio no cuadran con la suma de las conversiones reportadas por ambas plataformas. De hecho, hay un solapamiento evidente. Ambas plataformas se están atribuyendo conversiones que probablemente son las mismas.

Entonces, ¿cuál es el ROAS real de cada canal? ¿Cuál está realmente aportando más valor al negocio? No lo sabes.

Has movido presupuesto de una campaña a otra porque una tenía mejor CPA. Perfecto, decisión lógica. Pero, ¿esa campaña realmente está generando más valor para el negocio? ¿O simplemente está capturando demanda que ya existía? ¿O está capturando conversiones que otros canales generaron pero no pudieron atribuirse? Tampoco lo sabes.

Estás testeando creatividades constantemente. Cada dos semanas lanzas algo nuevo. Analizas el CTR, el CPM, el engagement. Vas ajustando. Has conseguido subir el CTR un 0,5% con la última creatividad. Fantástico. Pero, ¿eso realmente está moviendo la aguja del negocio? ¿O estás centrada en optimizar un detalle mientras el problema real está en otra parte? ¿Y si el problema no es la creatividad, sino que simplemente tienes demasiado presupuesto en ese canal y ya está saturado? No lo sabes.

Y luego está la pregunta del millón. La pregunta que todos los clientes te hacen tarde o temprano. La pregunta que tampoco sabes responder con certeza: Si mañana tuvieras 10.000€ más de presupuesto, ¿dónde los invertirías?

¿En Google Ads, porque tiene el CPA más bajo? Suena lógico, pero ¿y si Google Ads ya está en el punto óptimo de inversión y añadir más presupuesto solo va a inflar el CPA sin generar más conversiones? ¿Y si lo que necesitas no es más presupuesto en Google, sino más demanda de mercado que genere búsquedas y eso lo consigues con Meta o TikTok?

¿En Meta, porque tiene más alcance y estás llegando a más gente? Puede ser, pero ¿y si ese alcance ya está llegando a gente que no va a convertir nunca? ¿Y si el problema no es alcance, sino que la oferta no es lo suficientemente atractiva?

¿En TikTok, porque está creciendo y es el canal más nuevo? Interesante, pero ¿realmente estás midiendo bien su impacto? ¿O TikTok está generando awareness que luego convierte en otros canales y por eso parece que rinde peor de lo que realmente rinde?

¿O mantienes la proporción actual de inversión entre todos los canales? Es la opción más segura, pero también puede ser la más ineficiente. Porque si ya estabas invirtiendo mal el presupuesto, simplemente estás amplificando el error.

No hay una respuesta clara porque las métricas que usamos para optimizar campañas no están diseñadas para responder esa pregunta. El CPA de cada plataforma no te dice nada sobre el impacto real que tiene cada canal en el negocio. El ROAS reportado por cada plataforma tampoco, porque cada una está midiendo con su propio modelo de atribución.

Estamos tomando decisiones estratégicas con datos tácticos.

Estamos usando métricas diseñadas para optimizar campañas individuales y las estamos usando para decidir dónde invertir el presupuesto global. Es como si estuvieras intentando decidir qué ruta tomar en un viaje mirando solo el velocímetro del coche. El velocímetro te dice si vas rápido o lento, pero no te dice si vas en la dirección correcta.

Y lo más frustrante de todo es que estamos trabajando muchísimo: revisamos campañas todos los días, analizamos datos, tomamos decisiones, testeamos, optimizamos. Pero todo ese esfuerzo lo estamos poniendo dentro del sistema. Estamos ajustando las variables que podemos controlar: pujas, creatividades, segmentaciones, presupuestos entre campañas. Pero no entendemos el sistema en sí mismo. No entendemos cómo funcionan los canales entre sí ni cuál es el impacto real de cada uno. No entendemos qué parte de los resultados viene realmente de la publicidad y qué parte vendría igual sin ella.

Ya hemos hablado antes de que el mapa no es el territorio y de que cada plataforma tiene su propia versión de la realidad. Hemos visto como no hay una fuente de verdad única que nos diga qué está pasando realmente. Y ahora estamos llegando al problema de fondo, el que está debajo de todo esto: estamos optimizando campañas, pero no sabemos si estamos optimizando el negocio.

Y esa es la incomodidad que quiero que sientas ahora mismo. No porque esté mal lo que hacemos, sino porque hay una pregunta más grande que necesitamos responder. Porque antes de seguir optimizando el CPA o el CTR o el ROAS de cada canal, necesitamos entender cuál es el impacto real de cada uno. Necesitamos entender el sistema.

Porque sólo cuando entendamos el sistema, podremos tomar decisiones de verdad.

En los dos siguientes capítulos vamos a entrar en materia. Vamos a hablar de por qué el negocio no empieza en tus campañas, de qué parte de tus ingresos vendría igual aunque no hicieras publicidad y de cómo separar lo que realmente está generando la publicidad de lo que ya estaba pasando de todas formas. Y después de eso, por fin, vamos a explicar qué es un Marketing Mix Model y cómo te ayuda a llegar a Marte. Intentaré que sea desde cero porque no te voy a engañar, detrás de ese nombre hay complejos conceptos estadísticos pero creo que puedo aportar la base de la que partir, intentando que sea sin fórmulas complicadas, solo la idea central que te va a cambiar la forma de tomar decisiones.

Nos leemos en el siguiente capítulo.

Saludos desde Marte,

M.

En el capítulo anterior hablamos de un concepto muy importante: la fuente de verdad y de cómo cada pregunta de negocio tiene una fuente específica que está mejor situada para responderla. Hablamos de cómo no existe un dashboard mágico con todas las respuestas correctas, sino un mapa de fuentes que hay que aprender a navegar.

Habíamos quedado en avanzar a la siguiente misión pero de repente caí en la cuenta de que no habíamos planteado uno de los temas cruciales que veo a mi alrededor constantemente: ante ciertas preguntas que no somos capaces de contestar, nos inventamos métricas para llegar a ellas.

Muchas veces estas métricas son correctas, fruto de exprimir las conexiones neuronales para tratar de conectar datos que nos den insights que nos den palancas para mejorar los resultados. Y muchas veces son muy correctas cuando se plantean bien. El problema es cuando se democratiza este conocimiento sin la advertencia de uso y creemos que es correcto siempre, en todos los casos. Y ya sabéis que en marketing, casi todo es “depende”.

Agarra el café matutino y vamos al lío. Hoy puede ser el día en que cabree a la mitad de la gente, pero prometo que todo tiene un sentido y una explicación.

CPA medio o ROAS medio sin contexto.

Muchas veces damos el CPA o el ROAS medio de una cuenta como una verdad absoluta, un indicador único de si algo funciona o no y nos olvidamos de que tenemos un montón de campañas con objetivos estratégicos diferentes.

No es lo mismo una campaña de Demand Gen haciendo branding puro, generando demanda en frío, hablándole a gente que nunca ha oído hablar de tu marca, que una campaña de remarketing en Meta con catálogo dinámico persiguiendo a alguien que abandonó el carrito hace tres horas. No es lo mismo una Performance Max intentando encontrar nuevos clientes en cualquier rincón del ecosistema de Google que una campaña de búsqueda de marca capturando a gente que ya te está buscando activamente por tu nombre.

El coste de adquirir un nuevo cliente varía radicalmente según la fase del funnel en la que estés trabajando y el mensaje que estés utilizando. Y cuando alguien te pregunta “¿cuál es el CPA de la cuenta?”, ese número medio puede estar mezclando campañas que generan demanda desde cero con campañas que capturan demanda ya existente. Estás promediando costes que no deberían promediarse.

Y lo peor es que si usas ese CPA medio para tomar decisiones, puedes acabar pausando las campañas que están generando demanda porque “tienen un CPA muy alto”, sin darte cuenta de que esas campañas son las que están alimentando todo el sistema. Sin ellas, las campañas de remarketing y de marca eventualmente se quedarían sin gente a quien perseguir.

Así que cuando alguien te pregunte por el CPA de la cuenta, la respuesta correcta no es un número, es una tabla: CPA por cada fase del funnel, sólo así puedes entender si cada pieza está cumpliendo su función dentro del sistema completo.

Atribución Last Click como única verdad.

Para muchos clientes el ecommerce o el CRM es la fuente de verdad verdadera. Tiene sentido porque es lo que nos va a decir cuánto hemos vendido, qué unidades, en qué ubicación, con total exactitud. Aquí no tenemos problemas de cookies, no hay ventanas de atribución discutibles, no hay modelos que se atribuyen conversiones que quizá no les corresponden. Es dinero real en la cuenta.

El problema es que el ecommerce sólo ve la última interacción y si por algo se caracteriza el customer journey de nuestros clientes es por ser altamente errático, por lo que confiar en el Last Click del ecommerce es el gran error que hay que evitar.

Muchas veces esa última interacción que recoge el ecommerce viene de Google por lo que la pregunta habitual es “¿Para qué estamos invirtiendo en Meta si todo viene de Google?”. Lo que no se ve en esos reportes es que muchas de esas visitas ocurrieron porque alguien vio un anuncio tuyo en Meta tres días antes o porque hizo clic en un anuncio de Demand Gen la semana pasada o porque una campaña de YouTube le metió tu marca en la cabeza hace dos semanas. El ecommerce no ve eso. Desde su perspectiva, el viaje empieza cuando el usuario llega al sitio web por última vez.

Por eso es tan importante explicar que la atribución que nos ofrece el ecommerce normalmente no es correcta y no podemos tomar decisiones basándonos en la fuente de tráfico de la última visita.

ROAS blended: la métrica que la carga el diablo.

Esta métrica tiene una lógica aparente muy atractiva pero es terriblemente tramposa. Se calcula sumando los ingresos totales del ecommerce y dividiendo esta por la suma del coste de las plataformas publicitarias. Podríamos pensar que evitamos los problemas de atribución porque usamos métricas no atribuidas como son los ingresos del ecommerce y la inversión publicitaria.

El problema es que esta métrica asume implícitamente que todos los ingresos del ecommerce vienen de la publicidad. Y eso es falso.

Si tienes email marketing enviando newsletters a tu base de datos, ese canal está generando ventas que no tienen nada que ver con tu inversión publicitaria actual. Si haces promociones o descuentos puntuales, esas semanas vas a tener un pico de ingresos que no viene de que tus anuncios funcionen mejor, sino de que bajaste los precios. Si tienes tráfico orgánico consolidado, parte de tus ventas vienen de gente que te encuentra sin que tengas que pagar por ello.

El ROAS blended le está dando el crédito completo de todos los ingresos a los canales de pago y eso infla artificialmente los números. Mucho cuidado con el ROAS blended que lo carga el diablo.

Sin embargo, dicho esto, el ROAS blended no es inútil. Es útil como indicador macro de si el negocio va bien en términos comparativos. Pero no es útil para evaluar la eficiencia real de tu publicidad. Para eso necesitas aislar el efecto incremental, separar qué parte de los ingresos viene realmente de los anuncios, qué parte viene de otros canales orgánicos o estacionales y qué parte habría pasado de todas formas.

Y esa pregunta, como vimos en el capítulo anterior, no la puede responder ningún dashboard, requiere modelado causal.

El trabajo invisible: hacer pedagogía.

Soy consciente de que muchas de estos temas son temas que conocemos las personas que nos dedicamos al performance PPC pero nuestros clientes muchas veces no lo son, porque el mundo de la publicidad digital es tan complejo como cambiante y estas cosas que para nosotras son muy obvias, fuera de nuestro mundo, no lo son tanto y aquí es donde jugamos un papel muy importante porque nos toca hacer pedagogía y explicarlo.

Explicar por qué no podemos comparar el ROAS de upper funnel con el de remarketing, explicar por qué el ecommerce no ve el impacto completo de la publicidad o explicar por qué el ROAS blended puede estar inflado por otros factores.

No es un trabajo glamuroso ni algo que podamos facturar como línea separada pero es fundamental para que las decisiones que tomamos juntos con nuestros clientes estén basadas en una comprensión compartida de qué estamos mirando realmente cuando miramos los datos.

Porque al final, las métricas no son buenas o malas, son herramientas. Y como cualquier herramienta, funcionan bien cuando se usan para lo que fueron diseñadas y pueden hacer mucho daño cuando se usan mal.

Ahora sí, cerramos la misión.

Con este capítulo especial cerramos la Misión 2. Empezamos hablando de que el mapa no es el territorio, vimos cómo cada plataforma dibuja su propio mapa con sus propias reglas de atribución, entendimos que la clave no es buscar EL dashboard correcto, sino saber qué pregunta hacerle a cada fuente de verdad y ahora cerramos con una advertencia: cuidado con las métricas que nos inventamos cuando no tenemos respuestas claras.

Arremángate. La semana que viene empezamos con lo realmente interesante: los modelos de atribución más avanzados, cómo funcionan los modelos de marketing mix y cómo construir sistemas de medición que realmente te ayuden a tomar mejores decisiones.

Nos leemos pronto.

Saludos desde Marte,

M.

La pregunta que quedó flotando era: si ninguno de esos mapas es la verdad absoluta, ¿Cómo tomamos decisiones? ¿Cómo sabemos si debemos subir presupuesto en un canal, pausar otro o redistribuir inversión?

La respuesta corta es que necesitamos construir nuestra propia brújula. Pero antes de llegar ahí, necesitamos hablar de algo que parece obvio pero que olvidamos plantearnos: la fuente de verdad.

Agarra el café y vamos al lío.

Un concepto que parece obvio y que no se aplica.

Cuando tienes una pregunta sobre tu negocio, lo normal es ir directo a buscar la respuesta en los datos. Abres GA4, o miras el dashboard de Google Ads o entras a Meta y empiezas a buscar números. Y dependiendo de dónde mires obtienes respuestas diferentes. Así que abres más dashboards, intentas reconciliar los números, te frustras porque no cuadran y al final acabas tomando decisiones basándote en la herramienta que te da la respuesta que más te conviene, la que más se ajusta al sesgo que traías antes de abrir todas las herramientas o la que te parece más “oficial”.

Pero hay un paso que olvidamos hacer antes de ir a buscar datos: preguntarse quién debería saber la respuesta a esa pregunta.

Eso es la fuente de verdad. No es encontrar LA herramienta correcta, es saber qué herramienta está mejor situada para contestar cada tipo de pregunta específica. Y este concepto, que parece tan obvio cuando lo dices en voz alta, cambia completamente la forma en que te relacionas con los datos.

Diferentes preguntas, diferentes fuentes.

Vamos a verlo con un ejemplo muy concreto. Imagina que gestionas un ecommerce y tu jefa te pregunta un lunes por la mañana:

“¿Cuánto vendimos la semana pasada?”

Pregunta simple. ¿Dónde buscas la respuesta?

La mayoría de gente abre Google Analytics. Parece lógico, ¿no? Al fin y al cabo, GA4 está rastreando todo el tráfico de tu web, sabe cuándo alguien compra, es la herramienta “central”. Pero aquí está el problema: GA4 tiene una limitación importante porque sólo recoge la información de las personas que aceptan ser trackeadas por las cookies, las que no, las modeliza. Con GA4 podemos analizar con seguridad tendencias y patrones, pero no conocer datos absolutos porque en las mejores condiciones vas a tener una discrepancia con la realidad en torno al 10% así que no es el sitio más fiable para conocer esa información.

La respuesta real está en otro sitio: en Shopify, en tu CRM, en tu sistema de contabilidad, en el software que procesa los pagos. Esa es la fuente de verdad para esa pregunta. Porque esa herramienta sí sabe cuánto dinero entró realmente en tu cuenta.

Cambiemos de pregunta.

“¿Cuánto gasté en publicidad la semana pasada?”

Aquí el ecommerce no te sirve de nada y GA4 tampoco sabe cuánto gastaste, solo sabe cuántos clics llegaron. Tampoco hay una sola fuente universal que te diga el gasto total. La fuente de verdad para esta pregunta son las propias plataformas publicitarias: Google Ads te dice cuánto gastaste en Google, Meta Ads te dice cuánto gastaste en Meta, TikTok te dice cuánto gastaste en TikTok. Y si quieres el total, los tienes que sumar tú manualmente.

Otra pregunta.

“¿Meta o Google funciona mejor?”

Pregunta trampa: “funciona mejor” puede significar muchas cosas. ¿Mejor CTR? ¿Mejor ROAS reportado? ¿Mejor rentabilidad real? ¿Mejor para generar nuevos clientes? ¿Mejor para cerrar ventas?

Si lo que quieres saber es qué plataforma tiene mejor CTR o mejor CPC, la fuente de verdad es cada plataforma. Si lo que quieres saber es cuál genera más ingresos incrementales para el negocio, ninguna plataforma puede responder eso. Porque cada una sólo ve su propio ecosistema. Para responder esa pregunta necesitas una herramienta diferente, algo que esté mirando el negocio completo desde fuera. Y de eso hablaremos al final del capítulo.

Lo importante aquí es entender que la pregunta determina la fuente. No existe una herramienta mágica que tenga todas las respuestas correctas. Existe un mapa de fuentes de verdad y aprender a navegarlo es lo que separa a alguien que toma decisiones basándose en datos de alguien que simplemente abre dashboards hasta que encuentra un número que le gusta.

El mapa de fuentes de verdad.

Aquí va un marco práctico que puedes usar cada vez que tengas que responder una pregunta de negocio. No es complicado, pero requiere parar un segundo antes de abrir la primera pestaña.

1. Preguntas de negocio → Sistemas de negocio.

Si la pregunta es sobre dinero real, clientes reales, o resultados finales del negocio, la fuente de verdad no es una herramienta de marketing. Es tu sistema de contabilidad, tu CRM, tu plataforma de ecommerce, tu base de datos.

Ejemplos:

• ¿Cuántos ingresos tuvimos?

• ¿Cuánto gastamos en total en marketing?

• ¿Cuántos clientes nuevos captamos?

• ¿Cuál es nuestro margen de beneficio?

Estas preguntas las responde quien controla el dinero y los clientes reales, no quien rastrea clics.

2. Preguntas de plataforma → La propia plataforma.

Si la pregunta es sobre lo que ocurrió dentro de una plataforma publicitaria específica, la fuente de verdad es esa plataforma. Nadie sabe mejor que Google Ads cuánto gastaste en Google Ads. Nadie sabe mejor que Meta cuántas impresiones tuvieron tus anuncios en Instagram.

Ejemplos:

• ¿Cuánto gasté en Meta Ads?

• ¿Cuántos clics tuve en Google Ads?

• ¿Qué CTR tienen mis anuncios en TikTok?

• ¿Cuántas veces se mostró mi anuncio?

Pero atención: las plataformas también reportan conversiones y ahí la cosa se complica. El ROAS que te muestra Google Ads es el ROAS según las reglas de atribución de Google. Es útil para entender cómo está funcionando Google dentro de su propio mundo, pero no es la verdad absoluta del negocio.

3. Preguntas de comportamiento web → Analítica web.

Si la pregunta es sobre lo que hace la gente en tu sitio web, la fuente de verdad es tu herramienta de analítica. GA4, Adobe Analytics, lo que uses.

Ejemplos:

• ¿Cuántas sesiones tuvimos?

• ¿Qué páginas visitan más?

• ¿Cuánto tiempo pasan en el sitio?

• ¿Qué porcentaje llega al checkout?

Pero GA4 tampoco lo sabe todo. No sabe de dónde viene alguien si rechazó las cookies, ni sabe si alguien vio tu anuncio pero escribió tu URL directamente en lugar de hacer clic. Pero sí sabe algo muy importante y que no sabe nadie más, conoce las rutas de atribución de las conversiones y a esto le dedicaremos una misión completa.

4. Preguntas causales → Más allá de los dashboards.

Y aquí llegamos al territorio más incómodo y al mismo tiempo más fascinante. Si la pregunta es sobre qué está causando realmente tus resultados, ninguna de las herramientas anteriores puede responderla porque ninguna de ellas conecta acciones publicitarias con datos de negocio.

Ejemplos:

• ¿Qué pasa si subo el presupuesto de Meta un 20%?

• ¿Cuánto está contribuyendo realmente cada canal?

• ¿Hay efectos indirectos entre canales que no estoy viendo?

• ¿Estoy saturando algún canal?

Estas preguntas requieren algo diferente. Requieren modelos matemáticos, modelos que aporten causalidad, experimentos controlados o formas de medir que vayan más allá de simplemente rastrear qué ocurrió justo antes de una conversión.

El error común: confiar en una única métrica aislada.

La gran mayoría de gente no piensa en fuentes de verdad, la mayoría de la gente hace una o varias de estas cosas:

1. Abre Google Analytics para casi todo porque “es el sistema central”.

2. Compara ROAS entre plataformas directamente como si fuera una competición.

3. Confía en la plataforma que reporta el ROAS más alto.

4. Toma decisiones basándose en números sin preguntarse de dónde vienen realmente.

Y esto parece razonable. GA4 está en tu dominio, parece neutral, no está intentando venderte anuncios. Las plataformas te dan números claros y dashboards bonitos. Todo parece sencillo.

El problema es que GA4 no es neutral. Tiene sus propios sesgos y limitaciones, pierde visibilidad con cada actualización de privacidad ni ve lo que ocurre fuera de tu web y el ROAS que reporta cada plataforma está midiendo cosas completamente diferentes que no son comparables entre sí.

Entonces acabas tomando decisiones como esta: “Meta tiene ROAS 3 y Google tiene ROAS 5, así que voy a pasar más presupuesto a Google y bajarlo a Meta”. Y dos semanas después las ventas totales entran en una tendencia descendente porque resulta que Google estaba cerrando conversiones que Meta había iniciado y ahora que has bajado el presupuesto en Meta, todo el sistema se resiente.

No es que los datos estuvieran mal, es que estabas preguntando a la fuente equivocada.

El agujero negro entre plataformas y negocio.

Hay un espacio incómodo entre los datos de las plataformas publicitarias y los datos del negocio. Las plataformas te dicen cuánto gastaste y cuántas conversiones atribuyen a sus anuncios. Tu sistema de negocio te dice cuánto ingresaste realmente, pero entre medias hay un espacio indefinido.

Ese espacio es donde viven las preguntas más importantes:

• ¿Cuánto de ese ingreso vino realmente de la publicidad?

• ¿Cuánto habrías vendido de todas formas sin anuncios?

• ¿Qué canal está generando ventas y qué canal está simplemente capturando demanda que ya existía?

• ¿Dónde están los efectos cruzados entre canales que ninguna plataforma puede ver?

Las plataformas no pueden responder esto porque solo ven su propio territorio. Tu CRM tampoco puede responderlo porque no sabe nada de publicidad. GA4 está en medio pero no tiene visibilidad completa de ninguno de los dos lados.

Y aquí es donde los equipos de marketing se quedan atascados. Saben que algo no cuadra, pero no tienen una forma clara de llenar ese vacío. Así que siguen confiando en el ROAS reportado por las plataformas porque es lo único que tienen, sabiendo que probablemente está inflado pero sin saber cuánto.

La fuente de verdad que falta.

Entonces, ¿Qué herramienta debería responder esas preguntas sobre causalidad, contribución incremental y efectos cruzados?

La respuesta es que no existe una herramienta que lo haga automáticamente. Pero existe un tipo de modelo que está diseñado específicamente para cubrir ese espacio: los modelos de marketing mix (MMM).

Un modelo de marketing mix no mira clics individuales ni trata de rastrear el viaje de cada usuario. En lugar de eso, mira el negocio completo desde arriba: toma tus datos de inversión publicitaria agregados, tus datos de ventas reales del negocio y modela matemáticamente la relación entre ambos. Intenta separar cuánto de tus ventas viene realmente de cada canal de marketing, cuánto viene de otros factores (estacionalidad, tendencias, efectos de marca) y qué nivel de saturación tienen los canales.

No es perfecto, ningún modelo lo es, pero es la única forma de construir una fuente de verdad que conecte lo que pasa en las plataformas con lo que pasa en el negocio, sin depender de la atribución a nivel de usuario que sabemos que no sirve para responder esa pregunta.

Y eso es lo que veremos en las próximas misiones. Pero antes de llegar ahí, quiero que entiendas esto: un modelo de marketing mix no reemplaza a GA4, ni a los datos de las plataformas, ni a tu CRM. Un MMM no es una nueva fuente que hace obsoletas a todas las demás, es una capa adicional que te permite hacer preguntas que ninguna de las otras herramientas puede responder por sí sola.

Porque al final, construir tu propia brújula no significa elegir una sola herramienta, significa saber qué preguntas hacerle a cada una.

Lo que viene.

Ya sabemos que cada plataforma tiene su propia perspectiva. Ya sabemos que no podemos confiar en un solo dashboard. Y ahora tenemos un mapa para saber a quién preguntar según qué necesitamos decidir.

Pero queda la pregunta más difícil: si las plataformas atribuyen según su sesgo y GA4 pierde visibilidad, ¿Cómo construimos esa fuente de verdad para las preguntas que conectan negocio y plataformas publicitarias? ¿Cómo funciona realmente un modelo de marketing mix? ¿Qué puede responder y qué no?

De eso hablaremos en próximas misiones, porque si vas a invertir en construir tu propia brújula, necesitas saber exactamente qué estás construyendo y para qué sirve.

Nos leemos pronto.

Saludos desde Marte,

M.

Hoy vamos a abrir esos mapas y ver cómo están dibujados por dentro. Porque para entender por qué los números no cuadran entre plataformas, primero tenemos que entender qué está midiendo exactamente cada una. Y para eso necesitamos hablar de dos conceptos que suenan muy técnicos pero que en realidad son bastante intuitivos: el customer journey y los modelos de atribución.

Cuando los números no cuadran.

Si trabajas en marketing digital hay una escena que se repite una y otra vez en reuniones de equipo.

Abrimos los dashboards y alguien dice:

— Google Ads dice que hemos tenido 120 conversiones.
— GA4 dice que han sido 80.
— Meta dice que han sido 200.

Y a partir de ahí empieza el debate.

Alguien propone tomar GA4 como referencia.
Otra persona dice que las plataformas mienten, otro exclama “¡Meta siempre infla los datos!”.
Alguien abre el ecommerce para ver si ahí aparece otra cifra diferente.

Los números no cuadran y la escena se convierte en una Torre de Babel donde la conversación acaba girando alrededor de una pregunta que parece muy razonable:

¿Cuál es el dato correcto?

Pero la realidad es que esa pregunta está mal planteada. No porque las herramientas midan mal necesariamente, sino porque no están midiendo exactamente lo mismo. Cuando sucede esta escena el problema no son los datos, es el contexto, es que no nos hemos parado a pensar cómo mide cada plataforma y qué nos están contando esos datos.

El viaje del usuario: más caótico de lo que parece.

El customer journey, o recorrido del cliente, es el camino que sigue una persona desde que te descubre por primera vez hasta que finalmente compra. Y cuando digo “camino” no me refiero a una línea recta. Me refiero a un trayecto lleno de idas y vueltas, de distracciones, de paradas para pensarlo mejor, de comparaciones con la competencia, de volver tres semanas después porque se acordó de ti mientras iba en el autobús.

Imagina que alguien ve tu anuncio en Instagram un martes por la mañana mientras desayuna. Le llama la atención, hace clic, mira un par de productos, cierra la pestaña porque le están llamando del trabajo. Dos días después busca en Google algo relacionado con tu categoría de producto, ve tu anuncio de búsqueda, vuelve a entrar, añade algo al carrito, se distrae y no compra. Una semana más tarde le sale un anuncio de remarketing mientras ve un vídeo en YouTube, hace clic de nuevo, esta vez sí compra. Fin del viaje.

Este viaje tan simple ya tiene al menos tres puntos de contacto: Instagram, Google Search, YouTube. Y cada uno de esos puntos ocurrió en una plataforma diferente, en un momento diferente, con una intención diferente. Ahora viene la pregunta del millón: ¿A quién le damos crédito por esa venta? ¿A Instagram, que fue el primer contacto? ¿A Google, que lo llevó de vuelta cuando estaba buscando activamente? ¿A YouTube, que cerró la venta con el remarketing? ¿A todos un poco? ¿A ninguno porque igual iba a comprar de todas formas?

Esa pregunta es exactamente lo que intenta responder un modelo de atribución.

Modelos de atribución: las reglas del juego.

Un modelo de atribución es, básicamente, un sistema de reglas para decidir a qué punto de contacto le asignamos el mérito de una conversión. Es la forma en que intentamos responder a la pregunta anterior: en un viaje con múltiples paradas, ¿quién se lleva el crédito?

Y aquí está el primer gran problema: no hay una respuesta correcta. Hay respuestas diferentes dependiendo de qué quieras medir y desde qué punto de vista lo observes. Igual que en el primer capítulo hablábamos de que cada mapa tiene un propósito distinto, cada modelo de atribución tiene una lógica distinta.

Algunos modelos dicen: “el crédito se lo lleva el último clic antes de la compra”. Otros dicen: “el crédito se lo lleva el primer clic, porque sin ese primer contacto nunca habría pasado nada”. Otros reparten el crédito entre todos los puntos de contacto de forma equitativa, o le dan más peso al primer y al último clic, o intentan calcular cuánto contribuyó realmente cada uno usando modelos estadísticos más sofisticados.

Ninguno de estos modelos está equivocado. Todos están simplificando una realidad compleja para hacerla medible. El problema es que cada plataforma publicitaria utiliza su propio modelo de atribución y cuando cada plataforma dibuja el mapa siguiendo reglas diferentes, lo raro es que coincidan.

Cómo mide cada plataforma: el punto de observación importa.

Vamos a ver cómo dibuja su mapa cada plataforma, porque entender esto es clave para dejar de frustrarte cuando los números no cuadran.

Google Ads utiliza por defecto un modelo de atribución basado en datos (data-driven attribution). Esto significa que Google intenta calcular cuánto contribuye cada clic de sus anuncios a las conversiones que ocurren después pero Google sólo ve lo que ocurre dentro de su ecosistema por lo que si alguien hizo clic en un anuncio de Meta antes de hacer clic en un anuncio de Google, Google no lo sabe. Desde su punto de vista, el viaje empieza cuando ese usuario hace clic en su anuncio.

Meta Ads utiliza un modelo de atribución last-clic. Esto es, le otorga la conversión al último anuncio que generó la conversión, pero además Meta asigna crédito no solo a clics, sino también a impresiones. Esto significa que si alguien vio tu anuncio en Facebook o Instagram y luego compró en los siguientes siete días (incluso sin hacer clic), Meta puede contar esa conversión como suya, porque Meta considera que ver el anuncio influyó en la decisión de compra, lo cual tiene sentido. Puede que tenga razón, puede que no, depende del caso, pero es su forma de dibujar el mapa.

TikTok Ads funciona de forma similar a Meta: cuenta tanto clics como vistas. El problema es que TikTok tiende a ser especialmente generoso atribuyéndose conversiones. Si alguien vio tu anuncio, salió de la app, buscó tu marca en Google tres días después y compró, TikTok puede contar esa conversión como suya porque considera que la visualización del anuncio inició el viaje. Google también va a contar esa conversión como suya porque el usuario hizo clic en un anuncio de búsqueda antes de comprar. Y aquí empieza el lío.

Google Analytics 4 utiliza un modelo similar al de Google Ads, también usa un modelo basado en datos. GA4 no es una plataforma publicitaria, es una herramienta de analítica web, su trabajo no es vender anuncios, es rastrear el comportamiento de los usuarios en la web así que atribuye el mérito el día que se hizo la compra, mientras que Google Ads lo hace el día que se hizo clic en el anuncio. Para añadirle más gracia a la ensalada, siendo ambas plataformas de Google, cada una tiene un modelo de atribución diferente. Pero GA4 también tiene sus limitaciones: sólo ve lo que ocurre en tu sitio web, y con las restricciones de privacidad actuales, cada vez ve menos. Si alguien hace clic en un anuncio de Meta en su móvil pero luego compra desde su ordenador dos días después escribiendo la URL directamente, GA4 no va a ver la conexión entre ambas sesiones y por eso plataformas como Meta siempre parece que aportan menos si sólo miramos GA4.

El problema de fondo: cada plataforma defiende su territorio.

Aquí es donde llegamos al corazón del asunto. Las plataformas publicitarias no mienten cuando reportan conversiones, pero tampoco son neutrales. Cada plataforma está diseñada para demostrar que sus anuncios funcionan, porque esa es su forma de ganarse la vida. No es una conspiración, es simplemente un incentivo estructural.

Google quiere demostrar que sus anuncios generan ventas. Meta quiere demostrar que sus anuncios generan ventas. TikTok quiere demostrar que sus anuncios generan ventas. Y todos tienen razón, al menos parcialmente. El problema es que si sumas todas las conversiones que reporta cada plataforma, el total a veces es mayor que las conversiones reales que ocurrieron en el negocio porque están contando la misma venta varias veces, cada una desde su propio punto de vista.

Es como si tres personas describieran el mismo partido de fútbol pero cada una hubiera estado sentada en una grada diferente. El que estaba detrás de la portería norte dirá que el gol fue gracias a un pase increíble del centrocampista. El que estaba en la línea lateral dirá que fue gracias al desmarque perfecto del delantero. El que estaba en la otra portería dirá que fue culpa del portero que llegó tarde. Los tres vieron el mismo gol, pero cada uno lo interpreta desde su perspectiva. Y todos tienen un poco de razón.

Por qué no puedes comparar ROAS entre plataformas.

Y aquí llegamos a la conclusión más importante de este capítulo: no puedes comparar directamente el ROAS de Google Ads con el ROAS de Meta Ads como si fuera una competición justa porque estás comparando dos formas completamente diferentes de medir la misma realidad.

Si Google Ads te dice que tiene un ROAS de 6 y Meta Ads te dice que tiene un ROAS de 2, no significa necesariamente que Google esté funcionando mejor. Puede significar simplemente que Google está siendo más generoso al asignarse conversiones que también tocó Meta. O que el viaje típico de tus clientes empieza con el descubrimiento del producto con un anuncio en Meta y Google cierra la venta en Shopping.

Esto no significa que los datos de cada plataforma no sean útiles, lo son, de hecho nos aportan mucha información sobre el papel que juega cada plataforma dentro del mix publicitario. Los datos de plataforma son útiles para entender cómo está funcionando esa plataforma dentro de su propio ecosistema pero no sirven para compararlas entre sí. Cuando miras el ROAS de Google Ads, lo que estás viendo es cuánto retorno estas obteniendo de las conversiones que Google puede observar y atribuirse según sus reglas. Cuando miras el ROAS de Meta, estás viendo lo mismo pero según las reglas de Meta.

Y si intentas optimizar la inversión publicitaria basándote únicamente en esas comparaciones directas, puedes acabar tomando decisiones equivocadas. Puedes pausar Meta pensando que Google tiene mejor ROAS, y de repente descubrir que las ventas totales caen porque Google estaba cerrando conversiones que Meta había iniciado. O al revés.

Entonces, ¿Qué hacemos?

La respuesta corta es: necesitamos construir nuestra propia brújula. Y de eso va este proyecto y hablaremos de ello en siguientes misiones. Pero antes de llegar ahí, lo más importante es entender que el problema no es técnico, es conceptual. No se trata de arreglar el tracking o de pedirle a las plataformas que reporten mejor. Se trata de aceptar que cada plataforma está dibujando el mapa desde su propio punto de observación, con sus propias reglas, y que ninguno de esos mapas es la verdad absoluta.

Una vez que entiendes eso, dejas de pelear contra los datos buscando que cuadren y empiezas a hacer preguntas más útiles: ¿Qué mapa necesito para responder la pregunta que tengo delante? ¿Qué perspectiva me aporta cada plataforma? ¿Cómo puedo combinar esas perspectivas para tomar decisiones mejores?

En el próximo capítulo veremos cómo construir esa referencia, cómo definir tu propia fuente de verdad cuando las plataformas no coinciden. Porque al final, la brújula más fiable no está en ninguna herramienta concreta, está en entender el negocio, en combinar datos de múltiples fuentes y en hacer las preguntas correctas.

Nos leemos pronto.

Saludos desde Marte,

M.

La frase proviene de Alfred Korzybski, un pensador polaco-estadounidense que en los años 30 desarrolló una disciplina llamada semántica general. Su preocupación principal era entender cómo el lenguaje y los modelos mentales influyen en nuestra forma de pensar.

Korzybski observó que los seres humanos tendemos a confundir las descripciones con la realidad: tratamos las palabras, las categorías o los modelos como si fueran el mundo mismo. Su advertencia era sencilla pero profunda: cualquier teoría, cualquier sistema de medición o cualquier modelo es siempre una simplificación. Útil para orientarnos, sí, pero inevitablemente incompleto. Y olvidar eso —confundir el mapa con el territorio— es una de las fuentes más comunes de error en la toma de decisiones.

En analítica y marketing digital trabajamos rodeados de mapas: dashboards, modelos de atribución, métricas de plataforma, modelos de marketing mix… Todo eso son representaciones simplificadas de algo mucho más complejo: el comportamiento real de las personas.

El problema empieza cuando olvidamos que son eso: mapas.

Cuando analizamos campañas solemos esperar que los números coincidan. Que Google Ads y GA4 nos den los mismos datos, que el ecommerce o el CRM recojan las fuentes de conversión y coincida con lo que dice Meta Ads, en definitiva, que todas las herramientas coincidan.

Y como esto no ocurre, sentenciamos los mapas y exclamamos muy ofendidos:

“Meta infla las conversiones”, “GA4 no recoge bien la información”, “Google miente”.

En mi experiencia el que se lleva siempre los platos rotos suele ser Meta, que siempre miente o siempre infla las conversiones y directamente se invalida la información que tenemos para buscar a la desesperada los datos que cuadren con lo que esperamos.

El problema aparece cuando intentamos hacer algo que, a primera vista parece completamente razonable, pero en realidad es imposible: forzar a que todos los mapas coincidan.

Abrimos Google Ads, GA4, Meta Ads o el CRM y tratamos de cuadrar los números como si todos esos sistemas estuvieran describiendo exactamente el mismo fenómeno. Como si cada herramienta estuviera observando el comportamiento del usuario desde el mismo lugar y con las mismas reglas de medición.

Pero no es así.

Cada sistema está construido sobre supuestos distintos, observa partes distintas del recorrido del usuario y utiliza definiciones distintas para registrar lo que ocurre. En otras palabras: cada herramienta está mirando el territorio desde su propio punto de observación.

Y cuando se observa un paisaje desde lugares diferentes, el paisaje cambia porque cambia la perspectiva desde la que lo miramos. Cuando entendemos esto sucede algo interesante: dejamos de obsesionarnos con reconciliar cada número como si todas las herramientas debieran producir exactamente el mismo resultado, y empezamos a formular una pregunta mucho más útil:

¿Qué mapa necesito para responder la pregunta que tengo delante?

Porque no todos los mapas sirven para lo mismo. Un mapa de carreteras es perfecto para planificar un viaje, un mapa topográfico permite entender el relieve del terreno, un mapa meteorológico ayuda a anticipar si va a llover o va a salir el sol. Todos describen el mismo territorio, pero cada uno lo hace con un propósito distinto.

En analítica ocurre exactamente lo mismo. Las plataformas publicitarias, las herramientas de analítica web o los sistemas internos de negocio no son versiones incorrectas de la realidad, son modelos que observan el mismo territorio desde perspectivas distintas.

Y entender para qué sirve cada uno es mucho más útil que intentar forzar que todos cuenten exactamente la misma historia y enfadarse si no lo hacen.

Esta misión va de eso: de poner un poco de orden en la nave. De entender qué están midiendo realmente las distintas herramientas que utilizamos cada día y por qué sus mapas nunca coinciden del todo. Más que decidir quién tiene razón —Google, Meta o GA4— lo interesante es entender desde dónde está mirando cada una el territorio. Porque cuando dejamos de pelear para que todos los mapas cuadren y empezamos a entender desde dónde están dibujados, los datos dejan de ser un ruido contradictorio y empiezan a convertirse en algo mucho más útil: una forma de orientarnos.

Os espero en los próximos capítulos donde hablaremos de cómo mide cada plataforma, cómo formular las preguntas adecuadas y qué sesgos tenemos que nos impiden tomar decisiones correctas.

Saludos desde Marte,

M.

En el medievo, las torres no se construían para combatir directamente. No eran el lugar donde se libraba la batalla, sino el punto desde el que se observaba el horizonte. Desde allí se veía antes el humo, el movimiento extraño, la caravana que no debía estar ahí. No impedían que el enemigo existiera, pero reducían el tiempo entre “algo está pasando” y “tenemos que reaccionar”. Y esa diferencia de tiempo lo cambiaba todo.

En seguridad digital ocurre exactamente lo mismo. El problema no es sólo que te ataquen, el problema es cuánto tardas en darte cuenta. Un ataque entra sigiloso, puede ser un cambio pequeño y aparentemente inocuo: una URL que ya no apunta donde debería, un dominio nuevo que aparece en un anuncio activo o un tracking template modificado sin que nadie lo haya pedido. Cambios discretos que pueden estar drenando presupuesto o redirigiendo tráfico durante días antes de que alguien los detecte.

Y si gestionas varias cuentas, el escenario es todavía más delicado. No puedes revisar manualmente cada rincón todos los días con el mismo nivel de atención. Confiar en que “ya notaré algo raro” es confiar en tu intuición más que en un sistema. Y la intuición, en entornos complejos, no escala.

Por eso necesitamos una torre de control automatizada.

Llevado a este siglo nuestra torre de control va a ser un script de Google Ads instalado en el MCC para que vigile movimientos extraños en las cuentas hijas. Esto tiene varias ventajas:

• Es proactivo: no dependes de que alguien “note algo raro” en el dashboard y detecte una anomalía visual; revisa lo que tú le has dicho que es crítico y te avisa si algo se sale del guion.

• Es rápido: el valor real no es evitar el ataque (ojalá), es recortar el tiempo de detección. Cuanto antes sepamos que algo ha cambiado, antes podemos cortar el problema.

• Es accionable: no es un “algo raro pasa”, sino un aviso concreto con qué cambió, dónde ocurrió y qué dominio apareció. Información suficiente para decidir y actuar con criterio.

• Está instalado en el MCC, fuera del alcance de la posible cuenta hackeada.

Cuando un atacante entra en una cuenta Google te avisa de la aparición de un nuevo usuario. Este es el primer aviso. Puede que no veas el correo o que se te despiste en la bandeja de entrada. El atacante es posible que no pueda echarte porque no tenga suficientes permisos pero sí puede manipular las cuentas, generar nuevas campañas con nuevos anuncios que apunten a otros dominios. Este script detecta este cambio desde el MCC y te avisa vía email.

En marketing estamos acostumbradas a medirlo todo, en una situación de asalto la métrica más importante es el tiempo que tardamos en detectar la intromisión. Ese intervalo invisible entre el momento en que algo se altera y el momento en que tú lo descubres. Cuanto más corto sea, menos presupuesto se pierde y menos confianza se erosiona. La torre de control no elimina el riesgo, pero sí reduce el daño potencial. Y eso, en entornos digitales donde todo es escalable, es una diferencia enorme.

Este tipo de automatización es una capa básica de higiene operativa para cualquiera que gestione más de una cuenta o que no pueda permitirse el lujo de descubrir problemas semanas después. Igual que no trabajarías sin copias de seguridad o sin autenticación en dos pasos, tampoco deberías depender exclusivamente de la revisión manual para detectar cambios críticos en tus cuentas publicitarias.

El riesgo existe, los atacantes están ahí fuera dispuestos a asaltar cualquier cuenta que les provea de acceso a una tarjeta de la que drenar presupuesto y por mucho que hagamos siempre existe esa posibilidad por lo que si algo ocurre, es mejor saberlo en minutos y no en días. Porque en un entorno hostil la capacidad de detectar antes que nadie es, en sí misma, una ventaja estratégica.

Os dejo la torre de control en mi GitHub. Ahí encontraréis la descripción del script y las instrucciones de instalación.

https://github.com/myriamnavas/google-ads-mcc-domain-security

Ahora que ya tenemos la nave con los sistemas revisados y la torre de control en marcha, en la próxima misión nos arremangaremos y pondremos la nave en marcha directa a Marte donde empezaremos a poner los cimientos del trabajo en atribución.

Nos leemos pronto.

Saludos desde Marte,

Myriam

Hablamos también del concepto más importante: la superficie de ataque. Esta semana toca hablar de cómo nuestra defensa tiene que estar orientada a disminuir esa superficie de ataque al mínimo posible. Y para esto voy a plantear un checklist para hacernos una autoauditoría.

Hoy todos los sistemas que tenemos están pensados para facilitarnos la vida. Tenemos un acceso al email que se verifica una vez y con eso accedemos a todas las herramientas y plataformas donde tengamos un login asociado a nuestro correo. Este es el segundo concepto importante: ser consciente de lo importante que es cada vez que le das al botón de aceptar que una app, una extensión o un software tenga acceso a tu email y los permisos que se le otorga. Esto nos facilita la vida pero compromete la seguridad.

Al final la cuestión es esa, cuánta seguridad estamos dispuestas a perder en favor de la comodidad.

Agarra el café y vamos al lío.

Checklist de seguridad para gestores de cuentas publicitarias

1. Accesos y permisos

El primer check de saneamiento de la cuenta es revisar quién tiene acceso y a qué nivel. Uno de los principios básicos en seguridad es el Principio de Mínimo Privilegio. Esto significa que cada persona debe tener los accesos mínimos para hacer su trabajo y nada más.

• Hay que eliminar todas esas cuentas de clientes zombies donde ya no trabajamos.

• En nuestro MCC, retirar todos los emails que ya no estén vinculados a esa cuenta.

• Revisar quién tiene permiso de administrador y no es necesario.

Piensa que cuando un email queda comprometido este email tiene los accesos que tenía esa persona, cuantos menos permisos innecesarios existan menor será la superficie de ataque.

3. Evitar el uso de correos compartidos.

Muchas agencias funcionan con correos de Gmail o con correos compartidos de manera que se pierde la trazabilidad de quien tiene acceso. Aquí no tengo claro cual es la comodidad porque tener un acceso único con muchos usuarios solo amplifica esa superficie de ataque porque es un único correo sí, pero muchos usuarios susceptibles de ser atacados.

Crear accesos individuales no solo es más seguro, también permite saber quién ha hecho qué y retirar permisos sin afectar a los demás.

4. Gestión de contraseñas

No compartas públicamente las contraseñas de los emails y usa un gestor de contraseñas de manera que evitas escribirla. Así eliminas también la posibilidad de que alguien capture lo que escribes.

5. Doble o triple verificación

Activa la obligatoriedad de doble verificación en las cuentas conectadas a la plataforma publicitaria. La doble verificación es fundamental porque conecta tu email con tu contraseña y además con un dispositivo que sólo tienes tú. Esto no sólo aplica al equipo, también al cliente, porque la superficie de ataque no se restringe solo a ti, implica también a todos los que tengan acceso a la cuenta por tanto esto es de cumplimiento obligatorio que debería estar incorporado en el onboarding al cliente.

Además puedes añadir la triple verificación añadiendo una llave física de seguridad en cuentas de administrador. De esta manera aunque te roben la sesión necesitarán la llave para hacer cualquier cambio importante como subidas de presupuesto o eliminar usuarios.

5. Sesiones activas

Revisa las sesiones activas de vez en cuando y elimina lo que te parezca raro, cierra cualquier sesión o dispositivo que no reconozcas.

6. Revisar extensiones del navegador y eliminar las que no se usan.

Otra puerta de entrada bastante habitual está en nuestro propio ordenador.

Muchas infecciones no vienen de ataques complejos, sino de instalar herramientas, extensiones o programas de origen dudoso. A veces parecen útiles, otras veces prometen automatizaciones milagrosas y otras simplemente no sabemos muy bien de dónde salen.

Siempre que sea posible, es más seguro priorizar herramientas web frente a software que se instala en el equipo. Cuantas menos herramientas instaladas, menos puntos por donde puede entrar algo que no queremos.

7. Hábitos de seguridad

Muchos ataques no son especialmente sofisticados. Funcionan porque nos pillan con prisa o en piloto automático.

Por eso merece la pena adoptar algunos hábitos sencillos:

• Evitar acceder a plataformas desde enlaces en correos electrónicos: siempre que puedas, entra escribiendo la URL o desde tus favoritos.

• Comprobar la dirección web antes de iniciar sesión: a veces el cambio es mínimo, pero suficiente para que no estés en el sitio real.

• Desconfia de los mensajes que generan urgencia o piden verificar cuentas de inmediato. La urgencia es una de las herramientas favoritas del phishing.

Si recibes un aviso o una alerta, entra directamente en la plataforma para comprobarlo en lugar de hacerlo desde el enlace del correo.

No son medidas complicadas, pero ayudan a evitar la mayoría de los problemas.

Os comparto el último que me ha llegado. Una oferta de trabajo en Netflix que parece super interesante. Mi yo ansioso se lanzaría a cotillear, pero mi yo sensato pasa el ratón por encima del botón para comprobar que el enlace es como poco, dudoso.

Esto es muy habitual en correos de Meta que parecen de Meta pero no lo son. En estos correos te avisan de que ha pasado algo y te urgen a tomar acción de inmediato. Comprueba en la plataforma si eso es real, no hagas nunca clic en ningún botón sin confirmar previamente, aunque te lo mande alguien de confianza, porque a él también han podido hackearle.

8. Onboarding y pedagogía al cliente

Muchas brechas ocurren por desconocimiento, por eso merece la pena dedicar un poco de tiempo a explicar a clientes y equipo cosas muy básicas: qué es el phishing, por qué no se deben compartir cuentas y por qué cada persona debería tener su propio acceso. Piensa que cualquiera puede estar en el foco del ataque y que todos somos vulnerables a eso por lo que es de suma importancia que tanto el equipo como el equipo del cliente sean totalmente conscientes de todo esto.

También ayuda mucho tener un proceso mínimo, aunque sea sencillo: cuando alguien entra, se documentan los accesos que necesita; cuando alguien sale, se revisan y se revocan todos.

Desconfía de todo por defecto, no es paranoia, es la primera barrera de seguridad.

Esta es la checklist que yo manejo, probablemente se me hayan escapado cosas, así que si sabes de algo más, genial si lo dejas por aquí y así la vamos construyendo entre todas.

Tener la máxima conciencia de seguridad es de lo más importante en la gestión de un negocio digital. El impacto que tiene un hackeo de cuentas es enorme, tanto a nivel de negocio como a nivel personal. La energía que consume gestionar una brecha, recuperar accesos y dar explicaciones es desproporcionada. Por eso yo lo pongo siempre en el centro de todo, aunque no tenga un impacto en la gestión de campañas como tal, es algo vital en el funcionamiento del día a día.

Reducir la superficie de ataque no es paranoia. Es asumir que gestionamos accesos, presupuestos y datos que no son nuestros. Y que cada permiso innecesario o cada verificación desactivada es una decisión, no un detalle técnico sin importancia.

En el próximo capítulo veremos cómo añadir una capa más: cómo tener un sistema de alertas que nos avise cuando hay cambios inesperados.

Nos leemos en el siguiente capítulo.

Saludos desde Marte,
Myriam

PD: os dejo por aquí el link del perfil de Alfonso Moure que está compartiendo mucho contenido muy interesante sobre seguridad digital.

PD2: dime que has verificado el email antes de hacer clic… Recuerda, desconfía de todo por defecto.

Por favor, abróchense su cinturón de seguridad y asegúrense de que su asiento y mesa están en posición vertical. Localicen la salida de emergencia más cercana y recuerden que, en caso de pérdida de presión, deberán colocarse la máscara de oxígeno antes de ayudar a otros pasajeros. El chaleco salvavidas se encuentra debajo de su asiento, no lo infle dentro del avión.

Para más detalles, consulten la tarjeta de seguridad en el bolsillo frente a ustedes.

Gracias por su atención y feliz vuelo.“

Esto que tenemos más que aprendido cuando nos subimos a un avión y que tenemos tan interiorizado que ya ni escuchamos, cuando se trata de nuestros datos, estamos totalmente expuestos.

Vamos con el que puede que sea el post más importante de todos. Abróchense los cinturones que empezamos.

Os pongo en contexto para que sepáis de dónde viene esta preocupación. Estas navidades los hackers han hecho su agosto. En plenas fiestas han entrado en numerosas cuentas de Google Ads y han hecho auténticos destrozos. La semana pasada, hablando con una compañera, hizo un comentario que me hizo saltar todas las alarmas y me puso en modo “¡a las barricadas!”. Dijo: “estamos indefensos”. Y tenía razón.

¿Por qué somos el target de los hackers?

Vamos a la raíz del problema en tres pasos:

Primero: Las agencias y los gestores paid gestionamos presupuestos muy diversos, grandes y pequeños, pero lo que nos hace target de esta gentuza es que conectada a la cuenta publicitaria hay una tarjeta, así que da igual, aunque seas un gestor paid con presupuestos pequeños, también eres objetivo potencial.

Segundo: absoluto desconocimiento generalizado de los conocimientos mínimos de seguridad, tanto por nuestra parte como por parte del cliente.

Tercero: saben que nos pirramos por una beta, por el último prompt que promete magia en tus manos y le damos clic a una url sin pensar en …. ups… ¿Dónde he hecho clic? Esto no parece Google Ads… 🤔

Estos tres temas son los que nos hacen vulnerables.

En esta primera misión os propongo un ejercicio de prevención, una autoauditoría para reducir el riesgo a ser hackeados. Tal vez está sea la misión más importante de todas.

Pero antes de eso lo primero es saber cómo se produce el hackeo. Para poder actuar hay que saber cuáles son las herramientas del enemigo.

Cómo nos atacan

Cuando hablamos de seguridad muchas veces pensamos en hackers entrando en sistemas complejísimos… pero la realidad es mucho más simple. La mayoría de los ataques que afectan a cuentas publicitarias suelen venir por tres vías bastante comunes.

Phishing

El phishing es un fraude que consiste en hacerse pasar por una empresa o herramienta legítima para engañarte y que introduzcas tus credenciales en una página falsa.

En nuestro sector suele llegar como:

• Un correo que parece de Google o Meta.

• Un aviso urgente de facturación o verificación.

• Una invitación a una herramienta o beta.

El enlace parece real, la página parece real… pero no lo es. Y cuando introduces tu contraseña, se la estás dando directamente al atacante.

El phishing no consiste en hackear sistemas, consiste en engañar a personas para que abran la puerta ellas mismas.

Robo de sesión

Hay un tipo de ataque menos conocido que el phishing y que cada vez se ve más: el robo de sesión.

Cuando inicias sesión en una plataforma esta verifica quién eres y genera un token de autenticación que se guarda en el navegador para que no tengas que meter la contraseña continuamente. Mientras ese token sea válido, el sistema da por hecho que sigues siendo tú y no vuelve a pedir la contraseña ni el 2FA.

Si alguien consigue copiar ese token (por ejemplo mediante software malicioso o extensiones comprometidas), puede entrar en la cuenta como si fuera tu navegador, sin contraseña y sin 2FA.

Software malicioso e infostealers

Otra vía bastante común son los programas o extensiones que parecen inofensivos pero que en realidad están diseñados para robar información del equipo.

Muchas veces entran a través de herramientas descargadas de sitios poco fiables, extensiones del navegador o archivos que alguien envía y que parecen legítimos.

Este tipo de software busca contraseñas guardadas, cookies, sesiones activas o datos del navegador. Este tipo de ataques son masivos y automatizados.

Ataques por error humano

Y por último, el más frecuente de todos que no es técnico, es humano.

Accesos que nunca se revocan, correos compartidos, permisos de administrador innecesarios, usuarios antiguos que siguen dentro. De esto hablaremos en profundidad la semana que viene.

Una vez tenemos claro cómo llegan a nuestras cuentas, hay un concepto importante que conviene entender: la superficie de ataque.

La superficie de ataque es el conjunto de todos los puntos por los que alguien podría intentar entrar o comprometer un sistema. En nuestro caso, no son solo las contraseñas, también son los accesos que concedemos, los dispositivos desde los que trabajamos, las extensiones del navegador, el correo, las cookies de autenticación, el software instalado o incluso los permisos que olvidamos revisar.

Cuantas más cosas hay conectadas y más accesos existen, mayor es esa superficie y más oportunidades hay para que algo falle.

El objetivo de esta misión no es eliminarla —eso es imposible—, sino reducirla todo lo posible y ponérselo mucho más difícil a quien intente entrar.

La semana que viene vamos a ver qué podemos hacer para reducir esa superficie de ataque al mínimo. Nos leemos en el siguiente capítulo.

Saludos desde Marte,

Myriam

He llegado hasta aquí tras años de analizar datos de campañas en plataformas y darme cuenta que nada cuadraba, que cada plataforma tiene su modelo de atribución y tratar de comparar peras con manzanas no es nunca una buena idea.

En un momento dado esto empezó a ser importante. Tras años asumiendo que “los datos nunca cuadran” decidí que era hora de saber por qué. Todas hemos estado ahí: mirando dashboards con conversiones que no sabes muy bien cómo se están atribuyendo, reportando ROAS de plataforma como si fuera verdad absoluta, tomando decisiones basadas en lo que Google o Meta nos dicen que pasó.

Y funciona, hasta que deja de funcionar.

Hasta que un día tienes un presupuesto que distribuir entre varias plataformas y un objetivo claro que es maximizar las ventas del negocio y no sabes por dónde empezar. Un día que empiezas a notar que los números a tu alcance no explican lo que realmente está pasando en el negocio.

Ese momento de tomar acción y decidir que tiene que haber un lugar donde las cosas se expliquen es el momento en que empecé a investigar otra manera de analizar los datos. Marte es ese territorio por explorar, en el que las cosas aún no están definidas.

¿Qué es una misión?

Cada post de este Substack será una misión.

Una situación real, un problema real, de esos que aparecen cuando llevas tiempo trabajando en performance y notas que algo no encaja del todo.

¿Qué buscamos en cada misión?

Cada misión tendrá un objetivo claro: entender qué está pasando de verdad en el negocio y qué decisiones se pueden tomar con esa información.

Otras servirán para explicar conceptos que son importantes para seguir avanzando en este viaje. Y otras serán simplemente reflexiones personales. Todo será absolutamente práctico y aplicable en tu día a día.

¿Qué necesitas para emprender esta aventura?

Para afrontar las misiones con garantías conviene tener claras algunas cosas:

• Cuáles son los KPIs reales del negocio.

• Entender la estacionalidad del negocio: cuándo se vende más y por qué.

• Qué papel juegan las promociones, los descuentos y los cambios de precio.

• Si hay email marketing, cómo y cuándo se activa.

• Qué acciones están siempre ahí, aunque no aparezcan en ningún panel bonito.

Y lo más importante: tener curiosidad por los datos.

Nada especialmente exótico, pero sí cosas que, curiosamente, muchas veces se pasan por alto.

¿Hace falta saber programar?

Saber programar en Python y manejarte con librerías de análisis de datos es un plus. Pero no es imprescindible en absoluto.

Mucho de lo que vamos a hacer lo podemos resolver en un Google Sheet, otras hay que usar Python en un Google Colab, pero vamos a ir paso a paso, y honestamente, hoy ChatGPT o Claude pueden ayudarte a entender lo que no dominas si tienes ganas de aprender.

Una advertencia antes de despegar

Cuando empiezas a mirar los datos de esta forma, ya no hay vuelta atrás. Las métricas “de siempre” empiezan a quedarse cortas y las decisiones dejan de ser sólo optimizaciones de campaña para convertirse en decisiones de negocio.

Eso es Marte.

Un territorio incómodo al principio, pero mucho más honesto.

Si te apetece explorar este viaje, si sientes que los dashboards ya no te responden lo importante y si quieres aprender a orientarte cuando el mapa falla, súbete a la nave, estamos a punto de despegar. 🛸

Saludos desde Marte,
Myriam

Próxima misión:

En la Misión 1 vamos a hablar de seguridad. Antes de subirnos a la nave y empezar esta aventura tenemos que ajustarnos el cinturón y comprobar que todos los sistemas son seguros. Hay mucho malhechor ahí fuera…

Si todo esto te parece bien, estás en el sitio correcto.

Y si crees que a alguien le puede servir, invítale a subir.

Subscribe now