15.1 Marco de medición
La medición en marketing no consiste en acumular indicadores sino en construir un sistema coherente que conecte la actividad táctica con los objetivos estratégicos de la firma. Farris, Bendle, Pfeifer y Reibstein (2010), en su obra de referencia Marketing metrics, advierten que el problema dominante de las organizaciones no es la escasez de datos sino la proliferación de métricas desconectadas entre sí y del resultado del negocio. Un marco de medición resuelve ese problema imponiendo una jerarquía y una lógica causal entre lo que se mide.
15.1.1 Marketing measurement framework
Un marco de medición de marketing (marketing measurement framework) es la arquitectura que vincula objetivos de negocio, objetivos de marketing, estrategias, tácticas y métricas en una cadena de medios y fines. Su función es doble: descendente, traducir la estrategia en indicadores accionables; y ascendente, permitir que el desempeño táctico se agregue en una lectura del valor que el marketing aporta a la empresa. Farris et al. (2010) sostienen que un buen marco debe seleccionar pocas métricas de alto valor en lugar de muchas de bajo valor, y organizarlas en modelos y tableros que «triangulen» la realidad del mercado desde múltiples ángulos, dado que ninguna métrica aislada es suficientemente fiable.
La construcción del marco parte de la pregunta de negocio antes que del dato disponible. El error frecuente, medir lo que es fácil de capturar en lugar de lo que importa, produce lo que la literatura llama métricas de vanidad: cifras que crecen sin que ello implique progreso hacia el objetivo. El marco disciplina esta tentación al exigir que cada métrica se justifique por su lugar en la cadena causal. Su valor depende, por tanto, de la honestidad con que se conecten las mediciones intermedias con el resultado económico que pretenden anticipar.
15.1.2 Métricas de input, output y outcome
Una distinción fundamental ordena los indicadores según su posición en la secuencia de causa y efecto. Las métricas de input miden los recursos invertidos y la actividad ejecutada: presupuesto gastado, número de piezas producidas, horas de fuerza de ventas, impresiones compradas. Las métricas de output miden los resultados intermedios directamente atribuibles a esa actividad, como los contactos generados, las visitas al sitio, los clics o el alcance obtenido. Las métricas de outcome o resultado miden el impacto sobre los objetivos de negocio: ventas, ingresos, cuota de mercado, valor del cliente, beneficio.
La importancia de la distinción reside en que las organizaciones tienden a gestionar lo que pueden controlar, los inputs, y a reportar lo que es visible, los outputs, mientras que la dirección exige rendición de cuentas sobre los outcomes. Un sistema de medición maduro mantiene visibilidad simultánea en los tres niveles: los inputs permiten diagnosticar la causa de un resultado, los outputs señalan tempranamente las desviaciones y los outcomes legitiman la inversión. Confundir un output con un outcome, celebrar contactos comerciales sin verificar que se conviertan en ingresos, es uno de los modos típicos de fallo de los tableros de marketing.
15.1.3 KPIs estratégicos vs. tácticos vs. operativos
Los indicadores clave de desempeño (KPI) se estratifican según el horizonte temporal y el nivel de decisión al que sirven. Los KPI estratégicos responden a la alta dirección, tienen horizonte largo y miden la posición competitiva sostenible: cuota de mercado, valor de marca, valor del cliente, crecimiento de ingresos. Los KPI tácticos sirven a la gerencia de marketing en el horizonte de campaña o trimestre: coste de adquisición, tasa de conversión, retorno de la inversión por canal, retorno de la inversión publicitaria. Los KPI operativos orientan la ejecución diaria del equipo: tasa de apertura de correos, posición media en buscadores, tiempo de respuesta en redes sociales, ocupación de la fuerza de ventas.
La coherencia entre niveles es la prueba de un buen sistema: un KPI operativo debe poder rastrearse hasta un KPI táctico y este hasta uno estratégico. Cuando los niveles se desacoplan, los equipos operativos optimizan indicadores que no contribuyen a la estrategia, fenómeno conocido como suboptimización. La regla práctica es limitar el número de KPI por nivel, idealmente entre tres y siete, para preservar el foco directivo y evitar que la abundancia de indicadores diluya la atención sobre los pocos que de verdad gobiernan el resultado.
15.1.4 Cuadro de mando integral (Balanced Scorecard)
El cuadro de mando integral fue introducido por Robert Kaplan y David Norton en su artículo seminal de la Harvard Business Review (1992) y desarrollado en su libro The Balanced Scorecard: Translating Strategy into Action (1996). Su tesis central sostiene que los indicadores financieros, por su naturaleza retrospectiva, son insuficientes para gestionar la creación de valor en organizaciones modernas, porque reflejan el resultado de decisiones pasadas sin informar sobre los impulsores del desempeño futuro.
El modelo equilibra cuatro perspectivas interconectadas: la financiera (cómo perciben los accionistas a la empresa), la del cliente (cómo la perciben los clientes), la de procesos internos (en qué debe sobresalir la organización) y la de aprendizaje y crecimiento (cómo continúa mejorando e innovando). La aportación conceptual decisiva es la relación de causalidad entre perspectivas: el aprendizaje y la innovación habilitan procesos internos eficientes, que producen valor para el cliente, que finalmente genera resultados financieros. Para el marketing, el cuadro de mando integral resulta especialmente valioso porque sitúa las métricas de cliente, satisfacción, retención, adquisición y cuota, en pie de igualdad con las financieras, y porque obliga a explicitar cómo la inversión en activos intangibles de marketing se traduce en resultado económico.
La principal crítica al modelo, recogida en la literatura posterior, señala que su implementación práctica tiende a degenerar en un mero listado de indicadores sin la articulación causal que constituía su núcleo teórico, y que la conexión operativa entre el cuadro de mando y el proceso de planificación estratégica queda con frecuencia vagamente especificada. A pesar de estas objeciones, sigue siendo el marco más enseñado y utilizado para integrar las métricas de marketing en un sistema de gestión que la dirección general reconoce como propio.
15.2 Métricas financieras de marketing
La traducción del esfuerzo de marketing al lenguaje financiero es la condición de legitimidad de la función ante la dirección general. Las métricas de esta sección comparten el propósito de expresar el desempeño de marketing en unidades que el director financiero reconoce: retorno, margen e ingreso atribuible.
15.2.1 ROI de marketing
El retorno de la inversión en marketing (ROMI, return on marketing investment) mide la ganancia neta generada por la inversión de marketing en relación con dicha inversión. Su formulación básica es la ganancia incremental atribuible al marketing menos el coste del marketing, dividida entre el coste del marketing, expresada como porcentaje. Farris et al. (2010) subrayan que el cálculo riguroso del ROMI exige aislar el incremento de ventas atribuible al marketing, no las ventas totales, lo que constituye su principal dificultad metodológica: separar lo que habría ocurrido de todos modos, la línea base, de lo que el marketing causó realmente.
El ROMI es propenso a dos errores opuestos. Por un lado, sobreestimar el retorno al imputar al marketing ventas que se habrían producido sin él. Por otro, ignorar los efectos de largo plazo de la inversión en marca, que no aparecen en el periodo de medición pero existen. Por esta razón, el ROMI debe interpretarse como una herramienta de comparación entre alternativas más que como una verdad financiera absoluta, y su valor analítico depende de la calidad del supuesto sobre la línea base contra la que se mide el incremento.
15.2.2 ROAS (Return on Ad Spend)
El retorno de la inversión publicitaria (ROAS, return on ad spend) es una variante específica del retorno de la inversión aplicada al gasto en medios pagados. Se calcula dividiendo los ingresos atribuidos a la publicidad entre el coste de esa publicidad, y suele expresarse como un múltiplo: un ROAS de 4 significa cuatro unidades monetarias de ingreso por cada una invertida. La diferencia conceptual con el retorno de la inversión es relevante, porque el ROAS trabaja con ingresos brutos, no con beneficio neto, y por tanto no descuenta ni el coste de los bienes vendidos ni el propio coste publicitario del numerador.
Un ROAS aparentemente saludable puede esconder una operación con pérdidas si el margen del producto es estrecho. La métrica es operativamente útil para optimizar pujas en tiempo real, pero financieramente incompleta si se la lee como medida de rentabilidad. Su utilidad, en consecuencia, depende de leerla junto con el margen de contribución, sin el cual un retorno publicitario alto puede convivir con la destrucción de valor.
15.2.3 Margen de contribución
El margen de contribución es el ingreso por venta menos los costes variables asociados a esa venta; representa lo que cada unidad vendida «contribuye» a cubrir los costes fijos y, una vez cubiertos, a generar beneficio. Es la métrica que vuelve interpretables a casi todas las demás métricas financieras de marketing: el retorno de la inversión, el ROAS y el valor del cliente carecen de sentido económico si no se computan sobre el margen de contribución en lugar de sobre el ingreso.
Farris et al. (2010) lo tratan como concepto fundacional precisamente porque permite responder la pregunta operativa central del marketing: cuánto puede gastarse en adquirir o retener a un cliente sin destruir valor. El margen de contribución es, así, la unidad de cuenta que conecta cada decisión táctica de marketing con la rentabilidad de la firma, y su omisión es la causa más común de que indicadores aparentemente favorables conduzcan a decisiones equivocadas.
15.2.4 Marketing-driven revenue
El ingreso impulsado por marketing (marketing-driven revenue o marketing-sourced revenue) es la porción de los ingresos cuyo origen primero fue una acción de marketing: la oportunidad comercial nació de un contacto generado por una campaña, un contenido o un canal de marketing. La métrica responde a la pregunta de cuánto negocio nuevo se origina directamente en la función de marketing y resulta central en contextos entre empresas (B2B), donde el ciclo de venta es largo y la atribución del origen tiene consecuencias presupuestarias directas. Su limitación es que, al asignar el mérito al primer punto de contacto, tiende a subestimar la contribución del marketing en las fases intermedias del recorrido de compra.
15.2.5 Marketing-influenced revenue
El ingreso influido por marketing (marketing-influenced revenue) es más amplio: contabiliza todo ingreso en cuyo recorrido de compra intervino al menos un punto de contacto de marketing, aunque el origen primero haya sido comercial. La distinción entre ingreso impulsado e ingreso influido materializa el problema de la atribución, que se desarrolla en el apartado 15.6: el primero adopta un criterio de primer toque (first-touch) y el segundo un criterio de cualquier toque. Reportar ambos es buena práctica, porque el ingreso impulsado tiende a subestimar la contribución del marketing y el ingreso influido a sobreestimarla; la lectura razonable se sitúa entre los dos y exige juicio sobre qué supuesto de atribución refleja mejor la dinámica real de la categoría.
15.3 Métricas de adquisición
Las métricas de adquisición miden la eficiencia con que la organización convierte inversión en nuevos clientes. Constituyen el dominio donde la analítica digital ha alcanzado mayor granularidad y, también, donde la confusión entre coste y valor produce más decisiones equivocadas.
15.3.1 CAC (Customer Acquisition Cost)
El coste de adquisición de cliente (CAC, customer acquisition cost) es el total de gastos de marketing y ventas destinados a adquirir clientes en un periodo, dividido entre el número de clientes nuevos adquiridos en ese periodo. Su cálculo riguroso debe incluir no solo el gasto en medios sino los costes de personal, tecnología y comisiones imputables a la adquisición. El CAC carece de significado por sí solo: solo cobra sentido cuando se compara con el valor que el cliente generará a lo largo de su vida, comparación que se formaliza en la ratio entre valor de vida y coste de adquisición desarrollada en el apartado 15.4.
Un CAC bajo puede indicar eficiencia o, alternativamente, una inversión insuficiente que limita el crecimiento; un CAC alto puede ser ruinoso o perfectamente racional si el cliente adquirido es muy valioso. La métrica, por tanto, no se interpreta en términos absolutos sino siempre en relación con el valor que justifica el gasto.
15.3.2 CPL, CPC, CPM
Estas tres métricas escalonan el coste de la actividad publicitaria según el evento que se paga. El CPM (coste por mil impresiones) mide cuánto cuesta mostrar el anuncio mil veces; es la métrica de los modelos de notoriedad y alcance, donde lo que se compra es exposición. El CPC (coste por clic) mide cuánto cuesta cada interacción del usuario con el anuncio y desplaza el riesgo del anunciante al editor, pues solo se paga ante una acción. El CPL (coste por contacto, cost per lead) mide cuánto cuesta cada contacto cualificado capturado y se sitúa más cerca del resultado de negocio.
La progresión del coste por mil impresiones al coste por clic y de este al coste por contacto representa un movimiento desde métricas de actividad hacia métricas de resultado, con riesgo financiero creciente para el editor y decreciente para el anunciante. Ninguna es superior en abstracto: la elección depende del objetivo de la campaña y de la posición del anunciante en el embudo. Una campaña de notoriedad se evalúa con coste por mil impresiones; una de captación, con coste por contacto.
15.3.3 Tasa de conversión
La tasa de conversión es la proporción de sujetos que completan una acción deseada sobre el total de sujetos que tuvieron la oportunidad de hacerlo, por ejemplo compras sobre visitas o contactos sobre clics. Es la métrica que articula el embudo, pues cada transición entre etapas tiene su propia tasa de conversión. Su interpretación requiere cuidado con el denominador: una tasa de conversión solo es comparable entre periodos o canales si el denominador mide poblaciones equivalentes en intención y calidad. Una conversión alta sobre tráfico de baja intención puede valer menos que una conversión baja sobre tráfico altamente cualificado, de modo que la métrica solo es informativa cuando se controla la calidad de la fuente.
15.3.4 Leads cualificados (MQL, SQL)
La distinción entre contacto cualificado por marketing (MQL, marketing-qualified lead) y contacto cualificado por ventas (SQL, sales-qualified lead) ordena la transferencia de oportunidades entre ambas funciones. Un MQL es un contacto que, según criterios de marketing (comportamiento, perfil, puntuación), muestra interés suficiente para ser trabajado; un SQL es un MQL que el equipo comercial ha aceptado y validado como oportunidad real de venta.
La tasa de conversión de MQL a SQL es un diagnóstico de la calidad del trabajo de marketing y de la alineación entre ambas áreas: una conversión baja indica que marketing entrega contactos que ventas no considera valiosos, fricción que la gestión de demanda moderna busca resolver mediante definiciones compartidas y acuerdos de nivel de servicio entre funciones. Esta perspectiva conecta con el marketing entre empresas que se desarrolla en el Tema 17, donde la cualificación de oportunidades estructura buena parte del proceso comercial.
15.4 Métricas de retención y lealtad
Adquirir es caro; retener suele ser más rentable. Esta sección agrupa las métricas que miden la capacidad de la organización para conservar y profundizar las relaciones con clientes existentes, cuyo valor agregado constituye uno de los principales activos intangibles de la firma (Gupta, Lehmann y Stuart, 2004).
15.4.1 Churn rate
La tasa de abandono (churn rate) es la proporción de clientes que dejan de serlo en un periodo respecto al total de clientes al inicio del periodo. Es la métrica crítica de los modelos de ingreso recurrente, como las suscripciones, los servicios y las telecomunicaciones, donde pequeñas variaciones en el abandono tienen efectos multiplicativos sobre el valor de la base de clientes. Conviene distinguir el abandono de clientes, cuántos se van, del abandono de ingresos, cuánto ingreso se pierde, pues la pérdida de pocos clientes de alto valor puede ser más grave que la de muchos de bajo valor. El abandono negativo de ingresos, situación en que la expansión de los clientes que permanecen supera la pérdida de los que se van, es el indicador de salud más codiciado en modelos de suscripción.
15.4.2 Retention rate
La tasa de retención es el complemento del abandono: la proporción de clientes que permanecen activos al final del periodo respecto a los que estaban al inicio, excluyendo en su cálculo correcto a los clientes nuevos adquiridos durante el periodo, para no contaminar la medición. La relación entre retención y rentabilidad es uno de los hallazgos más robustos de la literatura: pequeños incrementos en la retención producen incrementos desproporcionados en el valor de la firma. Gupta, Lehmann y Stuart (2004) cuantificaron que una mejora de 1 % en la retención eleva el valor de la firma alrededor de 5 %, un impacto casi cinco veces mayor que el de una variación equivalente en la tasa de descuento o el coste de capital. Este resultado ofrece el fundamento cuantitativo para priorizar la retención sobre la adquisición cuando los recursos son limitados.
15.4.3 Repeat purchase rate
La tasa de recompra mide la proporción de clientes que realizan más de una compra, y es la métrica equivalente a la tasa de retención en negocios transaccionales sin contrato, como el comercio minorista, el comercio electrónico y los bienes de consumo. Es un predictor temprano del valor de vida del cliente, pues la probabilidad de recompra futura crece con cada compra realizada. En entornos no contractuales, donde no hay un evento explícito de «baja», la recompra reemplaza al abandono como señal de lealtad, y su análisis requiere modelos probabilísticos que estimen, a partir del comportamiento pasado, si un cliente sigue activo o ya ha abandonado silenciosamente.
15.4.4 Share of wallet
La cuota de bolsillo (share of wallet) mide la proporción del gasto total del cliente en una categoría que captura una marca determinada. A diferencia de la cuota de mercado, que es agregada, la cuota de bolsillo es individual y revela el potencial de crecimiento dentro de la base existente: un cliente puede ser leal, en el sentido de que no abandona, y aun así destinar la mayor parte de su gasto a competidores. La métrica orienta las estrategias de venta cruzada y ascendente, y desmiente la asunción simplista de que la retención equivale a la maximización del valor del cliente. Retener a un cliente que concentra en la marca una fracción menor de su gasto deja sobre la mesa un potencial considerable.
15.4.5 CLV (Customer Lifetime Value)
El valor de vida del cliente (CLV, customer lifetime value) es el valor presente de los flujos netos futuros que se espera obtener de la relación con un cliente. Gupta, Lehmann y Stuart (2004) lo definieron formalmente como la suma esperada de los beneficios futuros descontados, y demostraron que valorar a los clientes permite valorar a la firma, incluso a empresas de alto crecimiento con resultados negativos. Sus componentes esenciales son el margen de contribución por periodo, la tasa de retención, que determina la probabilidad de que el cliente siga generando margen, y la tasa de descuento, que ajusta los flujos futuros a valor presente. Modelos previos, como el de Berger y Nasr (1998), habían sistematizado las fórmulas de valor de vida, y Reinartz y Kumar (2000) advirtieron empíricamente que la asociación entre longevidad del cliente y rentabilidad es más débil y matizada de lo que asume la sabiduría convencional: no todos los clientes de larga duración son rentables.
La utilidad práctica del valor de vida se realiza en la ratio entre valor de vida y coste de adquisición (CLV/CAC), que compara el valor que un cliente generará con lo que costó adquirirlo. Una ratio inferior a uno indica destrucción de valor; las referencias prácticas sitúan en torno a tres la ratio saludable en modelos de suscripción, aunque el valor de referencia depende fuertemente del sector. El periodo de recuperación (payback period) complementa la ratio al medir cuántos meses tarda el margen acumulado de un cliente en cubrir su coste de adquisición, indicador clave de las necesidades de capital de trabajo de un negocio en crecimiento. La principal crítica al uso del valor de vida es la fragilidad de sus supuestos: pequeños errores en la estimación de retención o margen se amplifican al proyectarse sobre el horizonte completo de la relación, de modo que el indicador es tan robusto como lo sean las hipótesis que lo alimentan. Esta perspectiva se desarrolla con mayor detalle en el Tema 14, dedicado a la gestión de relaciones con clientes.
15.5 Métricas de marca
Las métricas de marca capturan activos que no aparecen en los estados financieros pero que condicionan el desempeño futuro: la presencia mental de la marca, las actitudes hacia ella y su participación en la conversación del mercado. Su medición es necesariamente más indirecta que la de las métricas financieras, pues opera sobre estados mentales del consumidor a los que solo se accede mediante encuestas o señales digitales.
15.5.1 Brand awareness
La notoriedad de marca mide la presencia de la marca en la memoria del consumidor y se descompone en tres niveles de profundidad. La notoriedad espontánea sin ayuda (unaided recall) registra qué marcas nombra el consumidor cuando se le menciona la categoría sin sugerirle opciones. La notoriedad asistida (aided recognition) registra si el consumidor reconoce la marca al presentársela. El top of mind es la primera marca mencionada espontáneamente, posición de privilegio competitivo. Aaker (1996) propuso medir la notoriedad como uno de los pilares del valor de marca, al distinguir grados que van desde el simple reconocimiento hasta el dominio de la categoría. La notoriedad es condición necesaria pero no suficiente del desempeño: una marca muy conocida puede ser, al mismo tiempo, ampliamente rechazada.
15.5.2 Brand consideration
La consideración de marca mide la proporción de consumidores que incluyen a la marca en su conjunto de alternativas evaluadas al momento de decidir, el llamado conjunto de consideración. Es una métrica del embudo de marca situada entre la notoriedad y la preferencia: filtra las marcas que el consumidor conoce pero descarta sin evaluar de aquellas que considera candidatas reales. El estrechamiento entre notoriedad y consideración es diagnóstico, pues revela si la marca convierte el conocimiento en candidatura efectiva o si permanece conocida pero irrelevante para la decisión.
15.5.3 Brand preference
La preferencia de marca mide la proporción de consumidores que eligen la marca por encima de las alternativas consideradas, y se mantiene en el plano actitudinal previo a la compra. Es el indicador que más se aproxima a la intención de elección y, por tanto, el más correlacionado con la cuota de mercado futura. Su seguimiento longitudinal permite detectar erosiones competitivas antes de que se manifiesten en las ventas, lo que lo convierte en una señal de alerta temprana para la gestión de marca.
15.5.4 Brand affinity
La afinidad de marca mide la conexión emocional y la identificación del consumidor con la marca, más allá de la preferencia funcional. Captura la dimensión relacional, los sentimientos y la resonancia que el consumidor experimenta, y se asocia con la disposición a pagar precios primados, a perdonar errores y a defender la marca ante terceros. Es la métrica de marca más difícil de medir con fiabilidad, pues opera sobre vínculos afectivos que las escalas declarativas capturan de modo imperfecto. Su valor radica menos en la precisión del número que en la tendencia que revela a lo largo del tiempo.
15.5.5 Share of voice
La cuota de voz (share of voice) mide la proporción de la presencia publicitaria o mediática de una marca respecto al total de la categoría. Su relevancia estratégica deriva de la regla del exceso de cuota de voz documentada por Binet y Field (2013) en su análisis para el Institute of Practitioners in Advertising: cuando la cuota de voz de una marca supera su cuota de mercado, la marca tiende a crecer; cuando es inferior, tiende a contraerse. La diferencia entre cuota de voz y cuota de mercado funciona así como predictor del crecimiento futuro y vincula la inversión en comunicación con el desempeño de largo plazo, lo que la convierte en uno de los pocos puentes empíricos entre el gasto en marca y el resultado comercial.
15.5.6 Brand sentiment
El sentimiento de marca mide la valencia, positiva, negativa o neutra, de las menciones de la marca en canales digitales, capturada mediante análisis automatizado de texto sobre redes sociales, reseñas y foros. A diferencia de las métricas anteriores, que se obtienen por encuesta, el sentimiento se extrae de comportamiento expresivo espontáneo, lo que aporta inmediatez y escala a costa de representatividad, pues quienes se expresan en redes no constituyen una muestra del mercado. Su valor principal es la detección temprana de crisis reputacionales y el seguimiento en tiempo real de la percepción, no la medición precisa de actitudes poblacionales, para lo cual la encuesta sigue siendo el instrumento adecuado.
15.6 Métricas de canales digitales
La analítica digital introdujo una granularidad de medición sin precedentes, pero también una abundancia de indicadores que invita a confundir actividad con resultado. Esta sección recorre las métricas centrales de los canales propios y ganados, hasta culminar en el problema técnico y conceptual de la atribución.
15.6.1 Sesiones, usuarios únicos, pageviews
Estas tres métricas básicas de tráfico web miden volúmenes distintos y no intercambiables. Las páginas vistas (pageviews) cuentan cada carga de página, sin descontar repeticiones. Las sesiones agrupan la actividad de un mismo visitante en una visita acotada en el tiempo, típicamente con expiración por inactividad. Los usuarios únicos intentan contar personas distintas, al deduplicar las múltiples sesiones de un mismo individuo. La jerarquía, de menor a mayor volumen, va de usuarios a sesiones y de estas a páginas vistas, y describe niveles crecientes de actividad pero decreciente significado de negocio. La fiabilidad del conteo de usuarios únicos se ha degradado con las restricciones a las cookies de terceros y el uso de múltiples dispositivos, problema que se aborda en la sección de actualizaciones recientes.
15.6.2 Bounce rate, tiempo en sitio
La tasa de rebote (bounce rate) mide la proporción de sesiones de una sola interacción, en las que el visitante llega y se va sin más acción, y el tiempo en sitio mide la duración de la sesión. Ambas son métricas de compromiso superficial cuya interpretación es ambigua: un rebote alto puede señalar contenido irrelevante o, al contrario, una página que resuelve la necesidad del usuario de inmediato, como un horario o un teléfono. La evolución de la analítica web hacia modelos basados en eventos, en los que se miden interacciones significativas en lugar de cargas de página, ha relegado la tasa de rebote clásica en favor de métricas de compromiso más ricas, como el porcentaje de sesiones con interacción.
15.6.3 Engagement rate en redes
La tasa de compromiso en redes sociales mide las interacciones, como reacciones, comentarios, contenidos compartidos, elementos guardados y clics, en relación con el alcance o los seguidores. Es la métrica que sustituye al volumen de seguidores como indicador de salud de una presencia social, bajo el reconocimiento de que una audiencia grande pero pasiva vale menos que una pequeña y activa. Su limitación es la dependencia de los algoritmos de las plataformas, que determinan el alcance y, por tanto, el denominador; los cambios algorítmicos ajenos a la marca alteran la métrica sin que medie ningún cambio en su desempeño real, lo que obliga a interpretarla con cautela en series temporales largas.
15.6.4 Conversión por canal
La conversión por canal descompone la tasa de conversión global según el origen del tráfico, como la búsqueda orgánica, la pagada, el tráfico directo, el referido, el social o el correo, lo que permite comparar la productividad relativa de cada fuente. Su análisis ingenuo conduce a un error sistemático: atribuir el mérito de una conversión únicamente al último canal que la precedió, ignorando los canales que prepararon la decisión. Este problema motiva el análisis de atribución que se desarrolla a continuación.
15.6.5 Atribución
La atribución es el procedimiento por el cual se reparte el crédito de una conversión entre los múltiples puntos de contacto que la precedieron. Los modelos de atribución basados en reglas asignan el crédito según criterios fijos: el modelo de último clic (last-click) atribuye toda la conversión al último contacto; el de primer clic (first-click) al primero; el lineal lo reparte por igual; el de decaimiento temporal (time-decay) concede más peso a los contactos cercanos a la conversión; y el basado en posición, en forma de U, prima al primero y al último. Frente a estos, los modelos basados en datos (data-driven) estiman estadísticamente la contribución incremental de cada punto de contacto a partir del comportamiento observado, en lugar de imponer una regla arbitraria.
Ningún modelo de atribución es verdadero: cada uno encarna un supuesto sobre cómo influyen los contactos en la decisión, y la elección del modelo determina qué canales parecen eficaces y, en consecuencia, hacia dónde se reasigna el presupuesto. La crisis de la atribución basada en seguimiento individual, provocada por el fin de las cookies de terceros y las restricciones de privacidad, ha revitalizado los enfoques agregados como el modelado de mezcla de marketing, tratado en el apartado 15.8, y la experimentación de incrementalidad, tratada en el apartado 15.9, que no dependen de rastrear al usuario individual. La atribución, por tanto, ha dejado de ser un problema puramente técnico para convertirse en una decisión metodológica con consecuencias presupuestarias.
15.7 Funnel y embudos
El embudo es la metáfora dominante para representar el proceso por el cual una población amplia de prospectos se estrecha progresivamente hasta convertirse en clientes. Su valor analítico reside en descomponer la conversión global en transiciones medibles entre etapas, lo que permite localizar dónde se pierde la mayor proporción de prospectos.
15.7.1 Funnel clásico
El embudo clásico hunde sus raíces en los modelos jerárquicos de respuesta publicitaria, en particular en la secuencia AIDA (atención, interés, deseo, acción) atribuida a Elias St. Elmo Lewis a finales del siglo XIX. En su forma de marketing y ventas tradicional, el embudo recorre las etapas de notoriedad, consideración, intención, compra y posventa, y asume un avance lineal y descendente. Su virtud es la simplicidad pedagógica; su debilidad, asumir un recorrido secuencial que el comportamiento real del consumidor rara vez respeta, lo que motivó los modelos no lineales como el customer journey y los bucles de lealtad. El embudo conserva utilidad como esquema mental, siempre que no se confunda con una descripción fiel del recorrido.
15.7.2 Embudo digital
El embudo digital adapta la metáfora al entorno medible de los canales en línea y asigna métricas concretas a cada transición: impresiones, clics, visitas, registros, oportunidades, ventas. Su ventaja sobre el embudo clásico es la observabilidad, ya que cada transición tiene una tasa de conversión calculable, lo que convierte al embudo digital en un instrumento de diagnóstico operativo. Su riesgo es la ilusión de linealidad y de atribución limpia: el usuario digital entra y sale del embudo, salta etapas, investiga en un dispositivo y compra en otro, de modo que el embudo es una simplificación útil pero no una descripción fiel del recorrido.
15.7.3 Pirate metrics (AARRR)
El marco AARRR, conocido como pirate metrics, fue presentado por Dave McClure en 2007 en su conferencia Startup metrics for pirates. Define cinco etapas del ciclo de vida del cliente cuya inicial compone la onomatopeya pirata: adquisición, cómo llegan los usuarios; activación, su primera experiencia satisfactoria o «momento aha»; retención, si vuelven; referencia, si recomiendan; e ingreso (revenue), si pagan. Su aportación frente al embudo clásico fue desplazar el foco de las métricas de vanidad hacia indicadores accionables en cada etapa, y popularizar la idea de optimizar el ciclo completo en lugar de solo la adquisición. Variantes posteriores, como RARRA, reordenaron las etapas para priorizar la retención sobre la adquisición, bajo el argumento de que retener es el verdadero motor del crecimiento sostenible en productos digitales.
15.7.4 Micro-conversiones
Las microconversiones son acciones intermedias de valor que el usuario realiza en su camino hacia la conversión principal o macroconversión: suscribirse al boletín, descargar un recurso, añadir un producto al carrito, ver un video. Su seguimiento cumple dos funciones. En negocios de baja frecuencia de compra, donde las macroconversiones son escasas, las microconversiones aportan volumen estadístico suficiente para optimizar. Y en cualquier negocio, permiten diagnosticar en qué punto del recorrido se interrumpe el avance. El riesgo de gestionar por microconversiones es optimizarlas a costa de la macroconversión, fenómeno que reaparece cada vez que un indicador intermedio se convierte en objetivo en sí mismo.
15.8 Marketing Mix Modeling (MMM)
El modelado de mezcla de marketing es una familia de técnicas econométricas que estiman, a partir de datos históricos agregados, la contribución de cada palanca de marketing a un resultado de negocio. Su rasgo distintivo, y la razón de su resurgimiento contemporáneo, es que no requiere rastrear al usuario individual, lo que lo hace robusto frente a las restricciones de privacidad.
15.8.1 Fundamentos
El modelado de mezcla de marketing representa una variable de resultado, típicamente las ventas o los ingresos, como función de un conjunto de variables explicativas mediante técnicas de regresión, normalmente sobre series temporales. La lógica subyacente descompone los impulsores del resultado en factores controlables por el marketing, como la inversión por canal, el precio, las promociones y la distribución, y factores externos no controlables, como la estacionalidad, las condiciones económicas, la actividad competitiva y el clima. Al estimar el peso estadístico de cada factor, el modelo permite responder cuánto del resultado se debe a cada palanca y simular escenarios de reasignación presupuestaria. Su naturaleza es estratégica, de medio y largo plazo, no táctica.
15.8.2 Variables incluidas
Un modelo completo incorpora variables de medios, esto es, el gasto o la presión publicitaria por canal, incluidos los medios fuera de línea como televisión, radio y prensa que la atribución digital no puede rastrear; variables de la mezcla de marketing, como precio, distribución y promociones; variables de control externas, como estacionalidad, indicadores macroeconómicos, festividades y competencia; y, de manera crucial, transformaciones que capturan la dinámica de los efectos publicitarios. Las dos transformaciones canónicas son el adstock o efecto de arrastre, según el cual la publicidad influye no solo en el periodo en que se emite sino en periodos posteriores con decaimiento, y la saturación o rendimientos decrecientes, según la cual cada unidad adicional de inversión produce menos efecto que la anterior. Sin estas transformaciones, el modelo malinterpreta la relación entre inversión y resultado.
15.8.3 Análisis de elasticidad
A partir de los coeficientes estimados, el modelado de mezcla de marketing deriva elasticidades, es decir, la variación porcentual del resultado ante una variación porcentual de cada palanca. Las elasticidades permiten ordenar los canales por eficiencia marginal y calcular la asignación presupuestaria óptima, aquella en que la elasticidad marginal se iguala entre canales. El análisis de elasticidad también identifica el punto de saturación de cada canal, el nivel de inversión a partir del cual el rendimiento adicional se vuelve marginal, información directamente accionable para las decisiones de presupuesto.
15.8.4 MMM vs. atribución multitoque
El modelado de mezcla de marketing y la atribución multitoque (multi-touch attribution) son enfoques complementarios y a menudo contrapuestos. La atribución multitoque opera a nivel de usuario individual, al rastrear los puntos de contacto de cada persona, y ofrece granularidad táctica e inmediatez, pero depende del seguimiento individual y se limita a canales digitales rastreables. El modelado de mezcla de marketing opera a nivel agregado, no necesita datos individuales, abarca canales en línea y fuera de línea, y captura efectos de largo plazo, pero carece de granularidad táctica y requiere largas series históricas.
La tensión entre ambos se ha resuelto en la práctica reciente mediante enfoques unificados que combinan modelado de mezcla, atribución multitoque y experimentos de incrementalidad, y que usan los experimentos para calibrar los modelos. El fin de las cookies de terceros y el endurecimiento regulatorio han inclinado la balanza hacia el modelado de mezcla, que ha pasado de técnica reservada a grandes anunciantes con científicos de datos a herramienta accesible mediante bibliotecas de código abierto, según se detalla en las actualizaciones recientes.
15.9 Experimentación
La experimentación controlada es el único método que establece causalidad de modo riguroso, lo que la distingue de la correlación que ofrecen las métricas observacionales. En la medición de marketing, experimentar significa comparar el comportamiento de grupos asignados aleatoriamente a tratamientos distintos para aislar el efecto causal de una intervención.
15.9.1 A/B testing
La prueba A/B compara dos variantes, control (A) y tratamiento (B), al mostrarlas aleatoriamente a poblaciones equivalentes y medir cuál produce mejor resultado en una métrica predefinida. Kohavi, Tang y Xu (2020), en su tratado Trustworthy online controlled experiments, sistematizan las condiciones que hacen fiable a una prueba A/B: aleatorización correcta, tamaño de muestra suficiente, métrica de evaluación adecuada y atención a las numerosas formas en que un experimento puede arrojar conclusiones falsas. Su advertencia central es que la mayoría de las ideas que los equipos consideran prometedoras no producen mejoras cuando se las somete a prueba rigurosa, lo que convierte a la experimentación en un antídoto contra el exceso de confianza.
15.9.2 Multivariate testing
La prueba multivariante examina simultáneamente varias variables y sus combinaciones, en lugar de una sola como en la prueba A/B. Permite detectar interacciones entre elementos, ya que el efecto conjunto de un titular y una imagen puede diferir de la suma de sus efectos individuales, pero a costa de un requerimiento de muestra que crece de forma multiplicativa con el número de combinaciones. Por esta razón, la prueba multivariante solo es viable en sitios de alto tráfico; en contextos de tráfico limitado, la secuencia de pruebas A/B sucesivas resulta más práctica que la prueba multivariante completa.
15.9.3 Test de holdout y geo-experiments
Cuando la aleatorización a nivel de usuario individual es imposible, por restricciones de privacidad o porque la intervención opera sobre canales no rastreables como la televisión, se recurre a diseños de grupo. Las pruebas de retención de control (holdout) retienen deliberadamente a un grupo de la exposición a una campaña para medir, por diferencia, su efecto incremental real; responden a la pregunta de qué habría ocurrido sin la campaña. Los experimentos geográficos (geo-experiments) asignan regiones enteras a tratamiento o control, y comparan el resultado entre zonas equivalentes; permiten medir la incrementalidad de medios que no admiten asignación individual. Estos diseños agregados se han vuelto centrales en la era posterior a las cookies, y se emplean además para calibrar los modelos de mezcla de marketing.
15.9.4 Significancia estadística
La significancia estadística determina si la diferencia observada entre variantes es atribuible al tratamiento o podría deberse al azar del muestreo. Su evaluación correcta exige fijar de antemano el nivel de significancia y el tamaño de muestra, y resistir dos tentaciones documentadas por Kohavi, Tang y Xu (2020): detener el experimento en cuanto aparece un resultado favorable, práctica que infla la tasa de falsos positivos, y confundir significancia estadística con relevancia práctica, pues una diferencia estadísticamente significativa puede ser económicamente trivial en muestras muy grandes. La interpretación rigurosa distingue, por tanto, entre la pregunta de si un efecto existe y la de si ese efecto importa, distinción que separa la estadística de la decisión de negocio.
15.10 Dashboards y visualización
El último eslabón de la analítica es la comunicación: un análisis correcto que no se entiende ni se usa no produce decisiones. Los tableros y la visualización son las herramientas que convierten datos en comprensión y comprensión en acción directiva.
15.10.1 Diseño de dashboards efectivos
Farris et al. (2010) conciben el tablero de marketing como el instrumento que permite ver la dinámica del mercado desde múltiples perspectivas simultáneas, de modo análogo al panel de un avión. Un tablero efectivo se rige por principios de parsimonia y propósito: selecciona pocas métricas de alto valor alineadas con los objetivos de su audiencia, las jerarquiza visualmente según su importancia, proporciona contexto, como la comparación con el objetivo, con el periodo anterior o con una referencia competitiva, en lugar de cifras aisladas, y evita la saturación que abruma al lector sin informarlo. El error dominante en el diseño de tableros es la acumulación de todo lo medible bajo la creencia de que más información es siempre mejor, cuando la función del tablero es precisamente filtrar.
15.10.2 Herramientas
El ecosistema de herramientas de visualización abarca desde soluciones de inteligencia de negocio de propósito general hasta tableros especializados en marketing. Entre las plataformas más extendidas se cuentan Google Looker Studio, gratuita y bien integrada con el ecosistema de Google; Microsoft Power BI, dominante en entornos corporativos Microsoft; y Tableau, potente en visualización analítica. La elección depende menos de la potencia técnica que del ajuste a la infraestructura de datos existente, las competencias del equipo y la necesidad de gobierno y escalabilidad de los datos.
15.10.3 Storytelling con datos
La narrativa con datos es la práctica de estructurar la presentación de información de modo que conduzca a una conclusión accionable, en el reconocimiento de que las cifras no hablan por sí solas. Combina tres elementos: datos correctos, una visualización que revela el patrón relevante y una narrativa que explica su significado y sus implicaciones para la decisión. Su fundamento es que la audiencia directiva no necesita ver todos los datos sino comprender la historia que cuentan, esto es, qué cambió, por qué importa y qué debería hacerse. La disciplina exige subordinar la sofisticación analítica a la claridad comunicativa.
15.10.4 Reportes automatizados
La automatización de reportes elimina el trabajo manual recurrente de extracción, consolidación y formato de datos, al conectar las fuentes directamente con los tableros y programar su actualización. Sus beneficios son la liberación de tiempo analítico para tareas de mayor valor, la reducción de errores manuales y la disponibilidad de información actualizada. Su riesgo es que la facilidad de generar reportes induzca a producir más de los que se leen, y que la automatización del flujo no sustituya el juicio humano sobre qué significa lo reportado. La automatización resuelve el cómo de la información, no el qué ni el porqué.
Actualizaciones recientes
La estructura original del tema conserva plena vigencia, pero tres desarrollos posteriores a su redacción merecen incorporarse porque han reconfigurado la práctica de la medición.
El fin de las cookies de terceros y el giro hacia métodos agregados. El endurecimiento de la regulación de privacidad y la retirada progresiva de las cookies de terceros han erosionado la fiabilidad de las métricas que dependen del seguimiento individual: el conteo de usuarios únicos, la atribución multitoque y la repesca publicitaria basada en identidad. La respuesta de la industria ha sido un giro hacia datos de origen propio (first-party data), el seguimiento del lado del servidor (server-side tracking) y, sobre todo, hacia métodos de medición agregada que no requieren identificar al individuo.
El resurgimiento del modelado de mezcla de marketing y su democratización mediante código abierto. El modelado de mezcla de marketing, técnica históricamente reservada a grandes anunciantes con equipos de ciencia de datos, ha resurgido como estándar de medición en el entorno sin cookies, precisamente porque opera sobre datos agregados y respeta la privacidad. Su democratización se aceleró con la publicación de bibliotecas de código abierto: Meta liberó Robyn, disponible en R y Python y basado en regresión Ridge con optimización de hiperparámetros, y Google puso a disposición general su modelo Meridian en enero de 2025, sucesor de su anterior LightweightMMM y basado en métodos bayesianos jerárquicos a nivel geográfico. Estas herramientas, junto con bibliotecas como PyMC-Marketing, han desplazado la barrera de entrada al modelado de mezcla y consolidado la combinación de modelado de mezcla, experimentos de incrementalidad y atribución como el enfoque de medición unificada de referencia.
La inteligencia artificial en la analítica de marketing. La aplicación de modelos de aprendizaje automático e inteligencia artificial generativa ha ampliado las capacidades de la analítica: modelos predictivos de abandono y de valor de vida, segmentación automática, optimización algorítmica de pujas y presupuestos en tiempo real, y generación asistida de informes en lenguaje natural. La advertencia metodológica que acompaña a este desarrollo es doble: los modelos predictivos heredan los sesgos de los datos con que se entrenan, y la automatización de la interpretación no exime del juicio sobre la validez y el significado de los resultados.
Referencias
Aaker, D. A. (1996). Measuring brand equity across products and markets. California Management Review, 38(3), 102-120. https://doi.org/10.2307/41165845
Berger, P. D., & Nasr, N. I. (1998). Customer lifetime value: Marketing models and applications. Journal of Interactive Marketing, 12(1), 17-30.
Binet, L., & Field, P. (2013). The long and the short of it: Balancing short and long-term marketing strategies. Institute of Practitioners in Advertising.
Dixon, M., Freeman, K., & Toman, N. (2010). Stop trying to delight your customers. Harvard Business Review, 88(7/8), 116-122.
Dixon, M., Toman, N., & DeLisi, R. (2013). The effortless experience: Conquering the new battleground for customer loyalty. Portfolio/Penguin.
Farris, P. W., Bendle, N. T., Pfeifer, P. E., & Reibstein, D. J. (2010). Marketing metrics: The definitive guide to measuring marketing performance (2.ª ed.). Pearson FT Press. [4.ª ed. publicada como Bendle, N. T., Farris, P. W., Pfeifer, P. E., & Reibstein, D. J. (2021). Marketing metrics: The manager's guide to measuring marketing performance. Pearson.]
Fornell, C., Johnson, M. D., Anderson, E. W., Cha, J., & Bryant, B. E. (1996). The American Customer Satisfaction Index: Nature, purpose, and findings. Journal of Marketing, 60(4), 7-18. https://doi.org/10.2307/1251898
Gupta, S., Lehmann, D. R., & Stuart, J. A. (2004). Valuing customers. Journal of Marketing Research, 41(1), 7-18. https://doi.org/10.1509/jmkr.41.1.7.25084
Kaplan, R. S., & Norton, D. P. (1992). The balanced scorecard: Measures that drive performance. Harvard Business Review, 70(1), 71-79.
Kaplan, R. S., & Norton, D. P. (1996). The balanced scorecard: Translating strategy into action. Harvard Business School Press.
Kohavi, R., Tang, D., & Xu, Y. (2020). Trustworthy online controlled experiments: A practical guide to A/B testing. Cambridge University Press.
McClure, D. (2007). Startup metrics for pirates: AARRR! [Presentación de conferencia]. Ignite Seattle.
Reichheld, F. F. (2003). The one number you need to grow. Harvard Business Review, 81(12), 46-54.
Reinartz, W. J., & Kumar, V. (2000). On the profitability of long-life customers in a noncontractual setting: An empirical investigation and implications for marketing. Journal of Marketing, 64(4), 17-35. https://doi.org/10.1509/jmkg.64.4.17.18077
Lecturas complementarias sugeridas
-
Davenport, T. H., & Harris, J. G. (2017). Competing on analytics: The new science of winning (ed. actualizada). Harvard Business Review Press. Marco directivo sobre cómo la analítica se convierte en ventaja competitiva organizacional; útil para situar las métricas de marketing dentro de la estrategia de datos de la empresa.
-
Few, S. (2013). Information dashboard design: Displaying data for at-a-glance monitoring (2.ª ed.). Analytics Press. Tratado de referencia sobre el diseño visual de tableros; profundiza en los principios perceptuales que separan un tablero útil de uno saturado, en línea con el apartado 15.10.
-
Knaflic, C. N. (2015). Storytelling with data: A data visualization guide for business professionals. Wiley. Guía práctica y muy difundida sobre la narrativa con datos, complemento directo del apartado 15.10.3.
-
Kumar, V., & Reinartz, W. (2018). Customer relationship management: Concept, strategy, and tools (3.ª ed.). Springer. Desarrollo riguroso del valor del cliente, el valor de vida, el abandono y las métricas de retención, con tratamiento cuantitativo apropiado para posgrado.
-
Sharp, B. (2010). How brands grow: What marketers don't know. Oxford University Press. Lectura crítica y basada en evidencia de las métricas de marca, la notoriedad y la regla del exceso de cuota de voz; cuestiona buena parte de la sabiduría convencional sobre lealtad y diferenciación.