Los datos son representaciones registradas de observaciones, eventos, respuestas o valores que pueden almacenarse, organizarse y analizarse. No son necesariamente “datos crudos” ni son neutrales por definición: qué se registra, cómo se mide y con qué contexto condiciona lo que después puede inferirse.
¿Qué son los datos?
El glosario de NIST SP 800-160 Vol. 1 Rev. 1 describe los datos como representaciones aptas para comunicación, interpretación o procesamiento. En marketing, esa idea permite incluir tanto registros numéricos como otras formas de observación, sin reducirlos a cifras sin contexto.
En marketing, los datos pueden registrar eventos digitales, transacciones, atributos, respuestas, observaciones o resultados de investigación. Un evento de compra con su fecha y valor, una respuesta abierta de una entrevista, una fila de CRM o una categoría de producto son ejemplos distintos de datos.
Conviene evitar una definición demasiado estrecha como “hechos crudos sin interpretación”. Un conjunto de datos puede haber sido limpiado, agregado, etiquetado o transformado antes de llegar al analista. Incluso la captura inicial implica decisiones: qué variable observar, cómo nombrarla, con qué instrumento, en qué momento y con qué reglas. Los datos no interpretan por sí mismos un problema de negocio, pero tampoco existen fuera de un sistema de medición y representación.
Por eso, tener más registros no equivale automáticamente a comprender mejor. La utilidad depende de la relación entre pregunta, definición, calidad, contexto y método de análisis. Un dataset enorme con eventos duplicados o una definición ambigua de “lead” puede ser menos útil que una muestra más pequeña pero bien diseñada.
El dato útil no es el que más ocupa el warehouse: es el que está suficientemente bien definido y observado como para reducir incertidumbre sobre una pregunta concreta.
Datos, métricas, insights y decisiones
La secuencia datos → métricas → insights → decisiones puede servir como workflow pedagógico, pero no es una jerarquía universal ni un proceso automático. En la práctica el análisis itera: una métrica puede obligar a revisar la instrumentación, un insight puede abrir una nueva pregunta y una decisión puede requerir más evidencia.
Los números y situaciones que siguen son ejemplos hipotéticos, no resultados de un cliente.
Datos registrados
Observaciones o valores almacenados: eventos individuales, timestamps, respuestas, IDs, importes, categorías, textos o atributos. Pueden estar estructurados o no y pueden haber pasado por procesos de limpieza o transformación.
Métricas y medidas
Definiciones cuantitativas que resumen o comparan un fenómeno. “8.432 sesiones” y “0,8% de conversión” son métricas, no ejemplos ideales de dato crudo. Una métrica necesita reglas explícitas de cálculo, unidad, población y período.
Interpretaciones e insights
Lecturas respaldadas por evidencia que cambian o mejoran la comprensión de una pregunta. Detectar que la caída de conversión se concentra en iOS es un hallazgo; atribuirla a un error específico exige evidencia adicional como logs, QA, sesiones o experimentos.
Decisiones
Acciones elegidas bajo objetivos, restricciones e incertidumbre. Los datos pueden reducir incertidumbre, pero no eliminan el juicio: también intervienen costos, prioridades, riesgos y capacidad operativa.
Esta distinción también evita otro error frecuente: llamar “insight” a cualquier gráfico o variación. Un insight necesita interpretación y relevancia para la pregunta; no tiene que ser una verdad causal definitiva ni tiene valor solo porque suene accionable.
First-party, second-party y third-party
Estas etiquetas describen principalmente de dónde provienen los datos y qué relación existe con quien los recopiló. No determinan por sí solas exactitud, representatividad, permiso de uso ni cumplimiento legal. Las políticas de datos de clientes de Google Ads, por ejemplo, distinguen la información recibida directamente y exigen condiciones de información y uso para sus productos concretos.
First-party data
Datos obtenidos por una organización directamente de interacciones con sus clientes, usuarios o audiencias: compras, formularios, CRM, actividad en propiedades propias o datos offline. Pueden ser especialmente útiles porque la organización conoce su contexto de recopilación, pero siguen necesitando evaluar los permisos aplicables, la seguridad, la calidad y una definición consistente.
Second-party data
Expresión de industria usada normalmente para describir first-party data de otra organización compartidos mediante una relación o acuerdo directo. No es una categoría legal universal y su alcance cambia entre proveedores, contratos y casos de uso.
Third-party data
Datos obtenidos de fuentes externas que no fueron recopilados directamente por la organización a partir de su propia relación con la persona o entidad observada. Pueden provenir de proveedores, marketplaces, agregadores u otras fuentes y requieren evaluar procedencia, permisos, cobertura, actualidad y compatibilidad con el uso previsto.
Third-party data y third-party cookies no son sinónimos. Una cookie de terceros es un mecanismo técnico del navegador; third-party data es una categoría de procedencia mucho más amplia. En su anuncio del 22 de abril de 2025, Google comunicó que mantendría la elección de cookies de terceros en Chrome. Es un antecedente concreto, no una garantía sobre su disponibilidad futura. Por eso no conviene describir todo dato third-party como “en desaparición”: su disponibilidad depende del navegador, la plataforma, las reglas aplicables, los contratos y el caso de uso.
Datos cuantitativos y cualitativos
La distinción ayuda a pensar qué forma adopta la evidencia y qué métodos permiten analizarla, pero la fórmula “cuantitativo = qué / cualitativo = por qué” es demasiado rígida.
- Representan cantidades o variables numéricas.
- Permiten estimar distribuciones, diferencias, relaciones y cambios.
- Pueden provenir de analítica, transacciones, experimentos o encuestas.
- Su escala no garantiza validez: una medición masiva puede estar sesgada o mal instrumentada.
- Con el diseño adecuado también pueden contrastar hipótesis explicativas.
- Pueden tomar forma de categorías, texto, audio, imagen u observación.
- Ayudan a estudiar significados, contextos, lenguaje, procesos y experiencias.
- Incluyen entrevistas, respuestas abiertas, notas de observación o materiales de interacción.
- No tienen que limitarse siempre a muestras “pequeñas” ni producen causas por sí solos.
- Pueden codificarse y combinarse con análisis cuantitativo.
Los enfoques mixtos son valiosos cuando la pregunta necesita amplitud y profundidad. Una anomalía cuantitativa puede orientar investigación cualitativa; una entrevista puede generar hipótesis que después se contrastan con datos de comportamiento o experimentos. El método debería seguir la pregunta, no una preferencia por “más números” o “más testimonios”.
Calidad y contexto de los datos
El marco del gobierno británico propone evaluar si los datos son adecuados para el propósito. Los controles siguientes trasladan esa pregunta a un análisis de marketing; no constituyen una certificación de calidad.
Antes de analizar, conviene preguntar si los datos son adecuados para la decisión. “Calidad” no es una propiedad única: puede incluir validez, completitud, consistencia, actualidad, unicidad, trazabilidad y cobertura, según el caso.
Definición
Qué representa exactamente el campo o evento, cómo se calcula y qué queda dentro o fuera. Dos plataformas pueden usar la misma palabra para unidades distintas.
Procedencia
Quién lo recolectó, con qué instrumento, en qué sistema y bajo qué transformaciones. Sin lineage o trazabilidad es difícil auditar discrepancias.
Cobertura y sesgo
Qué población o situaciones representa y cuáles quedan fuera. Tener millones de filas no corrige automáticamente una muestra sesgada.
Frescura y estabilidad
Cuándo se actualizó, cuánto retraso tiene y si su definición cambió en el tiempo. Comparar períodos con instrumentaciones distintas puede producir una tendencia artificial.
Permiso y uso
Que un dato exista técnicamente no significa que pueda utilizarse para cualquier fin. Consentimiento, contrato, seguridad, sensibilidad y regulación forman parte de la decisión de uso.
Errores comunes con los datos
Tratar los datos como hechos neutrales que hablan solos
Toda medición tiene definiciones, instrumentos y decisiones de captura. Conviene separar observación de interpretación, pero eso no vuelve al dataset inmune a sesgos, errores o elecciones metodológicas.
Confundir registros con métricas
Una tasa de conversión, el CAC o el número de sesiones ya son medidas construidas con reglas. Llamarlos “datos crudos” oculta que dependen de una definición, una población y un cálculo.
Inferir causa a partir de una correlación descriptiva
Que dos variables cambien juntas puede generar una hipótesis, no demostrar por sí solo qué produjo qué. La inferencia causal requiere diseño adicional: experimentos, controles, supuestos o métodos apropiados al problema.
Usar reglas universales de significancia o tamaño de muestra
Un experimento con 50 conversiones no es automáticamente inválido ni válido. La precisión depende de tasa base, efecto que se quiere detectar, variabilidad, diseño, potencia y error aceptado. El tamaño de muestra se calcula para la pregunta.
Asumir que first-party significa “mejor” en todos los sentidos
Conocer la procedencia puede ser una ventaja, pero un dato propio también puede estar incompleto, mal etiquetado o sesgado. Origen y calidad son dimensiones distintas.
Describir todo third-party data como una categoría en desaparición
Eso mezcla datos de terceros con cookies de terceros y convierte cambios de navegador en una predicción sobre toda la industria de datos. Conviene evaluar cada fuente y mecanismo de manera específica.
Preguntas frecuentes sobre datos
¿Qué son los datos en marketing?
En marketing, los datos son representaciones registradas de observaciones, eventos, respuestas o valores vinculados con clientes, campañas, productos y procesos. Pueden provenir de eventos digitales, transacciones, CRM, investigación, soporte u otras fuentes. No son necesariamente datos crudos ni se interpretan solos: su utilidad depende de cómo fueron definidos, recolectados, contextualizados y analizados.
¿Cuál es la diferencia entre datos, métricas e insights?
Los datos son registros o valores observados. Una métrica es una medida definida para resumir o cuantificar un fenómeno, por ejemplo sesiones, tasa de conversión o CAC. Un insight es una interpretación relevante y respaldada por evidencia que cambia o mejora la comprensión de un problema. La decisión es el uso de esa comprensión bajo objetivos, restricciones e incertidumbre. No forman una jerarquía automática: el análisis puede volver varias veces sobre los datos, las definiciones y las hipótesis.
¿Qué son los datos first-party, second-party y third-party?
First-party data son datos que una organización obtiene directamente de interacciones con sus propios clientes, usuarios o audiencias. Second-party data es una expresión de industria para referirse, normalmente, a first-party data de otra organización compartidos mediante una relación o acuerdo directo. Third-party data son datos obtenidos de fuentes externas con las que la organización no tuvo esa relación directa de recopilación. Estas categorías describen procedencia; no determinan por sí solas calidad, permiso de uso ni cumplimiento legal.
¿Los datos third-party están desapareciendo?
No conviene afirmarlo de forma general. Third-party data y third-party cookies no son lo mismo. El anuncio de Google del 22 de abril de 2025 mantuvo la elección de cookies en Chrome; no demuestra qué ocurrirá con todas las fuentes externas. Su disponibilidad depende del navegador, la plataforma, las reglas aplicables, los contratos y el caso de uso. Fortalecer datos propios no exige asumir que todo dato de terceros desaparecerá.
¿Cuál es la diferencia entre datos cuantitativos y cualitativos?
Los datos cuantitativos representan cantidades o variables numéricas y permiten medir distribuciones, relaciones y cambios. Los datos cualitativos capturan categorías, lenguaje, observaciones, imágenes, audio u otras formas de evidencia contextual. La frase «cuantitativo dice qué y cualitativo dice por qué» puede servir como atajo pedagógico, pero es demasiado rígida: ambos enfoques pueden describir, comparar y generar o contrastar explicaciones según el diseño de investigación.
Tu lectura cuenta
¿Te resultó útil esta información?
Tu respuesta me ayuda a mejorar los contenidos.
Gracias por contármelo.
Si querés seguir aprendiendo, dejame tus datos y elegí qué contenidos te interesan.
Dejar mis datos e intereses
Referencias
- NIST (2022). Engineering Trustworthy Secure Systems, SP 800-160 Vol. 1 Rev. 1.Glosario, entrada data; representación e interpretación, no una definición específica de marketing.
- UK Government Data Quality Hub (2020). The Government Data Quality Framework.Adecuación al uso, contexto, dimensiones y ciclo de vida.
- Google Ads. Políticas de datos de clientes.Procedencia directa y requisitos de uso de datos en los productos publicitarios indicados en esa política.
- Anthony Chavez, Google (22/04/2025). Next steps for Privacy Sandbox and tracking protections in Chrome.Anuncio histórico sobre la elección de cookies en Chrome; no es un pronóstico sobre todos los datos de terceros.
Resumen y fuente para consultar con IA
Los datos son representaciones registradas de observaciones, eventos, respuestas o valores que pueden almacenarse, organizarse y analizarse. No son necesariamente “datos crudos” ni son neutrales por definición: qué se registra, cómo se mide y con qué contexto condiciona lo que después puede inferirse.
Autor: Lisandro Iserte. Fuente original.
Estoy preparando cursos de marketing y branding. Podés pedir un aviso de lanzamiento.