Analítica de Marketing y RRSS

La pirámide: negocio arriba, canal en medio, vanidad al fondo

Diego reparte las cuarenta casillas con una pregunta: ¿esto me dice si gano dinero, me dice si una máquina concreta funciona, o solo me halaga? El resultado es demoledor: 6 métricas de negocio, 11 de canal y 23 de vanidad.

La prueba del algodón de la vanidad es que solo pueden subir: los 8.147 seguidores no bajarán aunque cierre la tienda mañana, y un número que no puede darte una mala noticia no puede darte ninguna. Y el matiz al revés: las de canal no son "menores", son las que explican y anticipan a las de negocio — si el engagement sube al 6% y los ingresos atribuibles no se mueven, hay una historia que contar, y contarla es tu trabajo.

Objetivo → KPI → meta: la cadena entera

Diego escribe en un folio lo que le quita el sueño: "que Tostado deje de depender de captar 310 clientes nuevos cada mes". De ese objetivo —no de la herramienta— sale el KPI: los pedidos de clientes que repiten, hoy 89 al mes. Y la meta: de 89 a 160 en dos trimestres, con lo que los mismos 400 pedidos costarían 4.320 € de captación en vez de 5.580 €: 1.260 € más de margen al mes sin vender una bolsa más.

El error clásico es el contrario: abrir la herramienta, ver qué trae de serie y elegir lo que se mueve bonito — así se llega a un panel de cuarenta casillas. El orden correcto es siempre objetivo → KPI → meta. Y cada KPI necesita tres cosas más, o es decoración:

La última columna es la que convierte una métrica en un KPI: "si baja de X durante Y, hacemos Z", escrito antes de que baje — después siempre aparece una explicación tranquilizadora. Y fíjate: Diego no cuenta suscriptores totales (3.412) sino activos, los 1.190 que han abierto algo en 90 días. El total es vanidad; el activo puede bajar, y por eso sirve.

Regla sana: entre 3 y 5 KPIs por equipo — cuando todo es clave, nada lo es. Las demás no desaparecen, cambian de estatus: son diagnóstico, se consultan cuando un KPI se mueve y no se reportan por deporte. Es la lógica del cuadro de mando de Kaplan y Norton y la del "one metric that matters" de Croll y Yoskovitz en Lean Analytics: en cada etapa manda una métrica y las demás esperan turno.

UTMs: por qué el 62% del tráfico de Diego era "directo"

En marzo Diego publica su guía de molienda y la reparte el mismo día por cinco sitios: un Reel, el enlace de la biografía de Instagram, la newsletter, un WhatsApp a las 12 cafeterías y un comentario en un foro de café. Recibe 2.840 visitas, y al abrir la analítica para ver cuál de los cinco funcionó se encuentra 1.760 (el 62%) marcadas como "directo". Dos de cada tres personas aparecieron en su web por generación espontánea. Con eso no se decide nada.

No es un fallo de la herramienta: las aplicaciones móviles abren los enlaces en su navegador interno y a menudo no pasan el dato de dónde venía el clic. La solución es meter la respuesta dentro del enlace. Los parámetros UTM son etiquetas añadidas al final de una dirección para que la analítica registre el origen:

El enlace del Reel queda así: tostado.es/guia-molienda?utm_source=instagram&utm_medium=social&utm_campaign=guia-molienda-marzo&utm_content=reel-v1 (queda un quinto parámetro, utm_term, para la palabra clave de la publicidad de búsqueda). Con los cinco etiquetados, el mes siguiente el cuadro es otro: 1.180 visitas de la newsletter, 890 de Instagram, 410 de WhatsApp, 120 del foro y 240 de directo real. Ahora sí hay decisión: la newsletter, que le parecía el canal aburrido, mueve más gente que los Reels. La higiene es donde se rompe todo: convención escrita y compartida (minúsculas y sin espacios — para la herramienta "Instagram", "instagram" e "IG" son tres fuentes distintas y el mejor canal aparece partido en tres filas mediocres); nunca UTMs en enlaces internos, que hacen creer a la herramienta que empieza una sesión nueva; una hoja central con cada enlace, su fecha y su responsable; y medium es el tipo, no la marca.

Sus límites: una UTM etiqueta el clic, no a la persona. Si la clienta ve el Reel en el móvil y compra tres días después desde el portátil, son dos visitantes distintos salvo que se identifique con su correo. Tampoco sobreviven a que alguien copie el enlace sin los parámetros, ni a los bloqueadores y a las restricciones de cookies de terceros. No dan la verdad: dan una versión coherente y comparable consigo misma, que ya es infinitamente mejor que un 62% de "directo".

Atribución: el mismo dato, cuatro decisiones de presupuesto opuestas

Lucía, profesora de instituto en Valladolid, compró por primera vez el 23 de marzo, y Diego pudo reconstruir su recorrido entero porque se identificó con el mismo correo en cada paso. El 12 de marzo a las 22:40 ve un Reel de Diego moliendo café mientras hace scroll en el sofá: no hace clic, le da a guardar. El 16 a las 9:15, en la sala de profesores, busca en Google "tostado cafe especialidad", entra en la tienda y no compra. El 19 abre el email de bienvenida con la guía de molienda. El 23 a las 20:05 escribe tostado.es en el móvil y compra dos bolsas, 25,80 €. Once días, cuatro contactos y la pregunta del millón: ¿qué canal hizo esa venta? No tiene respuesta empírica. La atribución es la regla con la que se reparte el mérito, y cada regla cuenta una historia distinta con exactamente los mismos datos.

Lucía no es un caso raro: de los 399 pedidos del mes, 200 son de clientes nuevos con esa misma secuencia —RRSS orgánico → búsqueda → email → directo— y suman 200 × 28 € = 5.600 €. Repártelos con las cuatro reglas:

Diego gasta 1.400 € al mes en Reels y pauta social. Con last-click, RRSS genera 0 € y hay que cortarlo mañana. Con primer clic, genera 5.600 € sobre 1.400 € —un 4 a 1— y habría que doblarlo. Con lineal, 1.400 €: empata con su coste. Con posicional, 2.240 €, que en margen (1.456 €) apenas paga la factura. Cuatro decisiones incompatibles sobre el mismo canal, el mismo mes y los mismos 200 clientes. El modelo de atribución no describe la realidad: la construye.

Ningún modelo es "el verdadero": son lentes, y la práctica seria es mirar el mismo periodo con dos o tres y quedarse con lo que no cambie. Existen modelos algorítmicos (cadenas de Markov, valor de Shapley) que reparten según el efecto marginal de cada contacto, pero exigen un volumen de datos que Tostado no tiene. Ojo también con las plataformas: cada una se atribuye las conversiones que "vio", así que si Meta y Google vieron a Lucía los dos se anotan la venta y la suma de lo que reportan supera alegremente tus ventas reales. Cuando la decisión es grande, la única prueba es apagar el canal unas semanas o en una región y mirar si caen los pedidos totales (geo-lift, incrementalidad), no los atribuidos.

Cohortes: el sorteo que parecía un exitazo

En enero Diego sorteó una cafetera italiana entre quien se suscribiera a la newsletter: 180 € de premio y 120 € de pauta, y entraron 1.240 suscriptores en nueve días. En febrero publicó la guía de molienda, que le llevó una tarde (unos 150 € si se paga las horas) y trajo 210. En el panel, el sorteo fue la mejor campaña de la historia de Tostado por un factor de seis. Tres meses después separa las dos camadas —una cohorte es eso: un grupo definido por cuándo o por dónde entró— y sale otro negocio:

La cohorte pequeña, la que no salió en ningún titular, ha traído diez clientes más que la grande y a la tercera parte de coste. Y la clave es por qué: quien entra por un sorteo declara interés por una cafetera gratis; quien entra por una guía de molienda declara interés por el café. La promesa con la que captas selecciona a quien captas, y por eso la retención se decide en la captación, no después con mejores asuntos de correo.

Lo instructivo es que el promedio global no ve nada de esto: el 20,4% de apertura que Diego miraba es la media ponderada de las dos, (1.240 × 14% + 210 × 55%) / 1.450 = 19,9%. Un número gris y tranquilizador que mezcla fieles de hace dos años con recién llegados que ya se fueron, y que por construcción no puede contestar a lo único que importa: ¿la gente que capto ahora se queda o se va? Y mira la forma de la curva: el suelo donde se aplana cada cohorte —el 9% y el 48%— es el que multiplica el valor de vida del cliente.

Vale igual para clientes, seguidores y usuarios de una aplicación: cohorte de adquisición, temporal y de comportamiento. Dos matices: no compares el mes 6 de una cohorte con el mes 1 de otra, porque medirías el paso del tiempo y no la calidad de la camada — las tablas se leen en columnas, misma edad contra misma edad. Y no te pases de listo: 210 personas tienen ruido y 3 puntos de diferencia pueden no ser nada. El 9% contra 48% sí lo es.

El lunes de veinte minutos y el primero de mes de dos horas

Lunes, veinte minutos, el equipo, para operar. Seis números de canal con reacción posible esa misma semana: engagement sobre alcance, CTR y coste por clic de la pauta activa, conversión de la tienda, apertura y clic del último envío, altas nuevas en la newsletter y pedidos de la semana. Se buscan roturas y se tolera el ruido: si las altas pasan de 62 a 48, no ha pasado nada, es una semana.

Primero de mes, dos horas, Diego solo, para decidir. Cinco números de negocio con tendencia de doce meses: pedidos totales y de repetición, CAC por canal, margen bruto por pedido, ingresos atribuibles con dos modelos distintos y la tabla de cohortes. Aquí el ruido semanal se promedia, aparece lo que de verdad se mueve y, solo aquí, se cambian presupuestos.

La frecuencia no la decide la importancia de la métrica, sino a qué velocidad puedes actuar sobre ella y cuánto tarda la señal en despegarse del ruido. Diego cambia una creatividad en un día, así que el CTR es semanal; su CAC no se mueve en una semana ni sabría distinguirlo del azar, así que es mensual.

Los dos antipatrones son simétricos. Mirar métricas mensuales con ansiedad diaria —"¡hoy solo llevamos 7 pedidos!"— y reaccionar al ruido: cada corrección basada en ruido introduce ruido nuevo y acabas cambiando de estrategia cada quince días sin darle tiempo a ninguna. Y revisar las operativas una vez por trimestre, cuando la pauta lleva once semanas quemando 40 € al día en una creatividad muerta.

Cómo leer un experimento sin engañarse

Diego prueba dos asuntos para el correo de primavera repartiendo sus 3.400 suscriptores al azar, 1.700 y 1.700. El martes mira: A al 19%, B al 25%, y manda una captura al grupo de WhatsApp con tres emojis de fuego. El miércoles A sube al 21% y B baja al 24%. El jueves están casi iguales. Al final de la semana, A 22,0% y B 24,0%. Un test A/B es la herramienta más honesta del marketing —repartir a la gente al azar es lo único que convierte una correlación en una causa— y también la más fácil de arruinar. Dos trampas se llevan la mayoría de los cadáveres:

Trampa 1: peeking, espiar y parar. Mirar el resultado cada día y frenar el test en cuanto "da significativo". El problema no es mirar: es parar por lo que has visto. El azar produce rachas y cada mirada es otra oportunidad de que la diferencia cruce el umbral, así que si compruebas veinte veces buscando el momento en que parece real lo encontrarás aunque las dos versiones sean idénticas: con monitorización continua y sin fecha de fin, la probabilidad de ver "significativo" tiende al 100% y la tasa de falsos positivos que creías del 5% se va por encima del 20%. Regla: muestra o duración se fijan antes y no se decide hasta llegar ahí.

Trampa 2: muestra insuficiente. ¿Esos 2 puntos son reales? El error estándar de la diferencia con 1.700 por variante es la raíz de (0,22 × 0,78 / 1.700) + (0,24 × 0,76 / 1.700) ≈ 0,0144, o sea 1,44 puntos; z = 0,020 / 0,0144 ≈ 1,39, por debajo del 1,96 que marca el 95%: no concluyente. Detectar de verdad 2 puntos sobre una base del 22% le exigiría unos 7.000 suscriptores por variante, cuatro veces su lista. En la tienda igual: con 100 visitas por variante, un 4% contra un 5% es indistinguible del ruido —4 pedidos contra 5—, y detectar la mitad de mejora cuesta cuatro veces más gente. La consecuencia para Tostado no es dejar de testear: es testear cosas grandes —la ficha entera, otro precio—, porque el color del botón es para quien tiene un millón de visitas al mes.

Tres matices que separan un test honesto de uno decorativo. Uno: una sola métrica de decisión, escrita antes; si Diego mira aperturas, clics, pedidos, ticket medio, bajas y respuestas, alguna "mejorará" por azar y la tentación de declarar victoria con esa es enorme. Dos: significativo no es relevante — con muestras enormes, una mejora del 0,1% sale significativa y no paga ni la reunión. Tres: sí hay una forma legítima de mirar cada día, los métodos secuenciales, que ajustan el umbral según el número de miradas (Kohavi, Tang y Xu, Trustworthy Online Controlled Experiments). Y un test sin diferencia también informa: te ahorra rehacer algo que daba igual.

Simulador: modelos de atribución

El recorrido de Lucía en formato tablero: cuatro touchpoints —RRSS orgánico → búsqueda → email → directo— y 100 conversiones que repartir. Pulsa cada modelo y mira moverse las barras sin que cambie ni un dato de la realidad.

Entonces, ¿qué hace Diego distinto el mes que viene?

El panel se le queda en cuatro KPIs y salen tres decisiones con su cifra: se acabaron los sorteos (300 € trajeron 19 clientes a 15,80 €; 150 € de guía trajeron 29 a 5,20 €), no corta los Reels aunque el informe last-click diga que generan 0 € sino que apaga la pauta dos semanas y mira los pedidos totales, y lanza un único experimento con la ficha entera y "pedidos por visitante" como métrica.

Ninguna necesitaba una herramienta nueva: esperaban a que alguien preguntara, delante de cada número, qué haría distinto si ese número cambiara. La lección del módulo cabe en una frase — una métrica que no cambia ninguna decisión es decoración — y su corolario es lo que más cuesta: la mitad del trabajo del analista no es añadir informes, es tener la autoridad para quitarlos.

✍️ Ejercicios resueltos

Ejercicio 1 — ¿A qué canal le corta el presupuesto? Con los 200 pedidos nuevos del mes (28 € de ingreso medio, 18,20 € de margen) del recorrido Reel → búsqueda → email → directo, Diego gastó 1.400 € en Reels y pauta social, 260 € en anuncios de búsqueda de marca, 45 € en la herramienta de email y 0 € en directo. (a) Calcula el retorno de RRSS con los cuatro modelos. (b) ¿Qué canal "muere" con cada uno si la regla es cortar lo que no cubre su coste? (c) ¿Qué haría un analista serio antes de cortar nada?

Ejercicio 2 — CPA por canal, blended y marginal. En marzo Diego invirtió 3.600 € en pauta, que trajo 150 clientes nuevos, y dedicó al contenido orgánico horas valoradas en 1.980 €, que trajeron 160. (a) Calcula el CPA de cada canal y el blended. (b) Le proponen duplicar la pauta a 7.200 €, con la que por saturación los clientes de pago subirían solo un 50%, de 150 a 225: calcula el nuevo CPA de pago, el blended y el marginal. (c) Con 18,20 € de margen por pedido y recompra cada 6 semanas, decide.

Quiz — Analítica de Marketing y RRSS

12 preguntas — se supera con 70% o más.