Una tienda online puede vender 1.000 productos en un mes, una cifra confirmada por su ERP, mientras que su herramienta de analítica basada en cookies solo contabiliza 807 ventas.

Las otras 193 operaciones se han cobrado y existen, pero no se conoce su procedencia ni el canal que las generó. Esta falta de información dificulta que una empresa pueda repetir y ampliar aquello que está funcionando.

Datos incompletos y decisiones de inversión sesgadas

Rafael Jiménez, de Sealmetrics, expuso este escenario en un seminario web sobre la detección de fugas de dinero en marketing. El problema, explicó, va más allá de la desaparición de las cookies: muchas compañías toman decisiones a partir de datos que no reflejan por completo la realidad.

Una venta puede quedar fuera de la herramienta de analítica, una campaña puede captar clientes sin recibir el reconocimiento que le corresponde y una parte del tráfico identificado como directo puede proceder realmente de acciones cuyo origen se perdió durante el recorrido. Si la medición está sesgada, también pueden estarlo las decisiones sobre inversión publicitaria.

Un embudo previo al embudo de conversión

Cuando 100 personas acceden a una web, no todas reaccionan al aviso de cookies: unas aceptan, otras rechazan y muchas continúan navegando sin seleccionar ninguna opción.

Cuando un usuario acepta las cookies al llegar, normalmente se conserva la fuente de su visita, ya sea Google, Meta, TikTok, un boletín o un afiliado. Sin embargo, un usuario puede llegar desde un anuncio en una red social, ignorar inicialmente el aviso, consultar varios productos, aceptar las cookies más tarde y finalmente comprar. La venta se produce, pero la medición empieza cuando ya ha avanzado en la web. En ese momento, el origen se ha perdido y la operación puede atribuirse al tráfico directo.

Esta situación puede llevar al área de marketing a interpretar que una red social ofrece una rentabilidad inferior a la real y a reducir su presupuesto. La empresa estaría penalizando un canal por un fallo de medición, no por su rendimiento. Durante años, el tráfico directo se asoció a quienes escribían una dirección web o utilizaban un marcador; actualmente, también puede incluir tráfico cuyo origen no se ha podido mantener.

Las pérdidas de medición no afectan por igual a todos los canales

La pérdida de un porcentaje de usuarios no provoca el mismo error en todas las fuentes. Quien busca una marca en Google se comporta de forma distinta a quien llega desde TikTok. Un lector procedente de un buscador puede entrar en un artículo y abandonar la página sin interactuar con el aviso, mientras que un usuario de redes sociales puede permanecer apenas unos segundos desde el móvil. Por su parte, un cliente habitual puede aceptar casi de inmediato.

En los casos analizados, las diferencias entre la medición con cookies y una medición más completa variaban significativamente según el canal, aunque estas cifras no deben considerarse referencias universales.

La propia tasa de aceptación puede inducir a error. Si 100 personas ven el aviso, 29 aceptan, 8 rechazan y 63 no responden, la aceptación puede situarse en el 78% si se calcula solo entre quienes contestaron, o en el 29% si se toma como base el total de usuarios. Ambas cifras son correctas, pero responden a cuestiones diferentes. Antes de interpretarlas, es necesario conocer el denominador utilizado.

Los usuarios no medidos pueden comportarse de otra manera

Con frecuencia se asume que los usuarios que no se registran tienen un comportamiento similar al de quienes sí aparecen en la analítica, pero no necesariamente es así. En uno de los casos presentados, la herramienta basada en cookies reflejaba 1,6 páginas vistas por visita. La medición completa elevaba esa media a 2,1, mientras que los usuarios sin consentimiento alcanzaban 3,3 páginas. El grupo invisible navegaba más.

Por tanto, no solo faltan datos: los datos ausentes pueden estar sesgados. Si los usuarios no visibles son distintos de los visibles, extrapolar los resultados puede ofrecer una imagen de negocio que no se corresponde con la realidad.

Mejorar la medición puede cambiar las decisiones

Una tienda online detectó que TikTok aportaba más negocio del que mostraba Google Analytics 4 y que, además, generaba un alto nivel de interacción. Tras aumentar la inversión, sus ventas crecieron. No fue necesario aplicar un modelo de atribución complejo: bastó con observar mejor qué tráfico producía actividad de valor.

En Palladium Hotel Group, cerca del 40% del tráfico no se registraba en la analítica inicial, y también faltaba una parte de las reservas. A ello se sumaba que cada plataforma ofrecía su propia lectura del rendimiento: Google medía Google, Meta medía Meta y las agencias elaboraban sus propios informes. Cuando cada proveedor cuantifica su propio éxito, la comparación resulta casi imposible. Todos los canales deberían competir bajo la misma regla.

Una medición deficiente también puede ocultar tráfico de baja calidad. Una campaña de publicidad gráfica que consigue miles de clics baratos puede aparentar eficiencia, aunque sus usuarios no interactúen. Si una parte relevante tampoco acepta cookies, identificar ese problema resulta más difícil. Una de las empresas analizó qué ubicaciones generaban interacción, eliminó las que no lo hacían y redistribuyó el presupuesto. Las reservas procedentes de ese canal aumentaron cerca de un 165%.

La tecnología empleada también influye. Para registrar una visita, el código de medición debe cargarse y ejecutarse. Si una página es lenta, acumula demasiados scripts, la conexión móvil es deficiente o el servidor está lejos, el usuario puede abandonar antes de que se registre su actividad. En las pruebas presentadas, la diferencia entre tecnologías de medición rondó el 15% del tráfico en determinadas condiciones, especialmente en dispositivos móviles.

La inteligencia artificial no corrige unos datos defectuosos

Modelar las conversiones que no son visibles puede ser útil, pero un modelo estima a partir de la información que conoce; no puede observar aquello que nunca ha registrado. La inteligencia artificial puede detectar anomalías, comparar campañas o generar hipótesis, pero requiere una representación fiel del negocio.

Con datos sesgados, la IA puede acelerar decisiones equivocadas y dotarlas de una apariencia de precisión. Antes de automatizar procesos, es necesario auditar los datos.

Medir el negocio de forma agregada

Otra forma de abordar la analítica consiste en no centrarse en qué hizo exactamente cada persona, sino en qué sucede en el negocio: cuántas visitas aporta cada canal, cuántas visualizan un producto, cuántas lo añaden al carrito, cuántas comienzan el proceso de compra y cuántas lo completan. Se trata de pasar de medir a personas a medir comportamiento agregado, un enfoque compatible con la privacidad.

Una tabla que sitúe los canales en las filas y las etapas de compra en las columnas permite plantear cuestiones que un panel repleto de métricas no resuelve: por qué un canal lleva a más usuarios a ver productos, por qué otro convierte mejor en la fase final o en qué punto se rompe cada recorrido. En un ejemplo ilustrativo, el correo electrónico convertía el 9,4% de sus visitas en compras, frente al 1,9% de Meta Ads.

Cruzar los canales con atributos de producto —como el color o el precio en moda, el acabado en automoción o el tipo de habitación en turismo— permite convertir cada patrón detectado en una hipótesis publicitaria.

Para valorar si la analítica es fiable, conviene responder a siete preguntas: si las ventas registradas coinciden con las reales; cuánto tráfico termina clasificado como directo; cuánto queda sin clasificar; si las conversiones por canal tienen sentido; si es posible construir el embudo completo por canal; si se conocen los atributos que impulsan las ventas; y si los datos encajan con la realidad financiera.

El orden recomendado es: datos fiables, preguntas de negocio, integración, automatización y, finalmente, IA. Muchas empresas comienzan por el último paso.

La función de la analítica no es describir el pasado, sino reducir la incertidumbre de la próxima decisión.

Estos contenidos se trabajan en el curso de Analítica Digital y Dashboards de ENAE Business School y en el Máster Internacional en Marketing Digital con mención en Inteligencia Artificial Aplicada.

Más información sobre estos programas y el resto de la oferta formativa en www.enae.es.