Diagnóstico
cuantitativo
de marketing.
Los datos no diagnostican solos. Qué métricas mirar, cómo leerlas y cómo usarlas para construir hipótesis causales — no para decorar reportes.
Qué es el diagnóstico cuantitativo de marketing — y qué no es.
El diagnóstico cuantitativo de marketing es el proceso de usar datos numéricos para validar, refutar o precisar las hipótesis causales que surgieron del mapa causal. No es mirar un dashboard. No es producir un reporte de métricas. Es hacerle preguntas específicas a los datos para determinar si lo que el equipo cree que está pasando realmente está pasando.
La distinción importa porque el uso más común de los datos en marketing no es diagnóstico — es descriptivo. Un equipo descriptivo mira los números y dice "esto subió, esto bajó". Un equipo diagnóstico mira los mismos números y pregunta "¿qué causa que esto suba o baje, y cómo podemos confirmarlo?"
El diagnóstico cuantitativo entra después del mapa causal y antes del diagnóstico cualitativo. El mapa causal generó hipótesis. Los datos cuantitativos permiten saber cuáles hipótesis tienen evidencia numérica que las respalda y cuáles no. Lo que los datos no pueden responder — el por qué detrás del número — le corresponde al diagnóstico cualitativo.
Alistair Croll y Benjamin Yoskovitz, en Lean Analytics, describen este rol de los datos con precisión: los datos que importan son los que cambian el comportamiento del equipo. Si un número sube o baja y el equipo no sabe qué hacer diferente, ese número no es diagnóstico.
02 — La distinción centralMétricas diagnósticas vs. métricas de vanidad.
No todas las métricas son útiles para diagnosticar. La mayoría de los dashboards de marketing mezclan métricas que orientan decisiones con métricas que solo se ven bien en una presentación. La diferencia entre ambas es operacional, no cosmética.
Una métrica diagnóstica cumple tres condiciones: es accionable (cuando cambia, el equipo sabe qué hipótesis revisar), es comparable (tiene un período de referencia o benchmark interno contra el cual evaluarla) y es causal (está conectada a un mecanismo que produce resultados, no solo correlacionada con ellos).
Una métrica de vanidad puede crecer mientras el negocio se deteriora. El número de seguidores puede subir mientras la tasa de conversión cae. Los usuarios registrados pueden acumularse mientras el churn destruye el CLV. Las impresiones pueden multiplicarse mientras el CAC sube. La vanity metric da la ilusión de progreso sin información sobre causalidad.
Métricas diagnósticas
- Tasa de conversión por etapa del funnel
- Tiempo hasta la primera conversión (TTC)
- Tasa de activación de nuevos usuarios
- Churn por cohorte y período
- CAC por canal y segmento
- Revenue por cuenta (expansión vs. nuevo)
- Tasa de cierre de propuestas por perfil de lead
- NPS segmentado por cohorte de adquisición
Métricas de vanidad
- Número de seguidores y fans
- Impresiones y alcance sin acción
- Usuarios registrados (sin activación)
- Páginas vistas totales
- Leads generados (sin calificación)
- Número de menciones en medios
- Descargas de app (sin retención)
- Tráfico orgánico agregado (sin intención)
El test práctico para cualquier métrica es: si este número cae a la mitad mañana, ¿el equipo sabe exactamente qué hipótesis revisar y qué evidencia buscar? Si la respuesta es sí, es diagnóstica. Si la respuesta es "habría que ver", es descriptiva. Si la respuesta es "igual seguimos con el plan", es de vanidad.
En la mayoría de las empresas que he visto, el 80% de los indicadores en el dashboard no cambia ninguna decisión. Están ahí porque alguien los pidió una vez, quedaron, y nadie los revisó. Un dashboard de diagnóstico tiene entre 5 y 12 métricas. Si tiene más, no es un dashboard de diagnóstico — es un archivo.
Lisandro IserteQué datos mirar según el síntoma.
El error más frecuente en el diagnóstico cuantitativo es comenzar por los datos disponibles en lugar de comenzar por los síntomas. El punto de partida correcto siempre es la pregunta: ¿qué hipótesis necesito confirmar o refutar? Los datos que no responden ninguna hipótesis del mapa causal no son relevantes para el diagnóstico, aunque estén disponibles.
La siguiente tabla organiza qué datos buscar según el tipo de síntoma que disparó el diagnóstico:
| Síntoma | Datos diagnósticos a buscar | Comparación clave |
|---|---|---|
| Caída en volumen de leads | Tráfico por canal y fuente · CTR por campaña · Tasa de conversión de visita a lead · Impresiones vs. clics | ¿Cayó el tráfico o cayó la conversión? ¿En todos los canales o en uno? |
| Leads que no convierten | Tasa de calificación por fuente · Tiempo de respuesta comercial · Drop-off por etapa del funnel · Perfil demográfico/firmográfico de leads convertidos vs. no convertidos | ¿El problema es la calidad del lead o el proceso de conversión? |
| Caída en tasa de cierre | Tasa de cierre por período · Ciclo de venta promedio · Tasa de cierre por vendedor · Objeciones registradas por etapa · Perfil de deals ganados vs. perdidos | ¿Cayó en todos los vendedores o en uno? ¿En todos los segmentos o en uno? |
| Churn elevado o creciente | Churn por cohorte de adquisición · Churn por canal de origen · Tiempo hasta cancelación · NPS por segmento · Uso del producto antes de churn | ¿Qué cohorte churna más? ¿Hay correlación con canal de adquisición? |
| CAC en alza | CAC por canal desglosado · Costo por lead calificado · Tasa de conversión por etapa · Mix de canales y su evolución | ¿Subió el costo de los medios o bajó la conversión? ¿En qué canal específicamente? |
| Estancamiento en revenue | Revenue por cuenta (new vs. expansion) · ARR/MRR movement (new, expansion, contraction, churn) · Ticket promedio por segmento · Frecuencia de compra en B2C | ¿El problema es adquisición, retención o expansión? |
La columna "Comparación clave" es la más importante de la tabla. El dato aislado no diagnostica. Lo que diagnostica es la comparación: entre períodos, entre segmentos, entre canales, entre cohortes. Un número sin referencia es una descripción. Un número comparado con otro relevante es el inicio de una hipótesis.
04 — Cómo leer los datosCómo leer los datos para construir hipótesis causales.
Tener los datos correctos no es suficiente. La diferencia entre un equipo que diagnostica y uno que describe está en cómo lee los datos — qué patrones busca y qué preguntas se hace frente a cada número. Hay cuatro patrones de lectura que producen hipótesis diagnósticas:
Ruptura temporal — ¿cuándo cambió?
Si una métrica cayó, el primer dato que importa no es cuánto cayó sino cuándo empezó a caer. Una ruptura temporal precisa permite cruzar con eventos del negocio: un cambio en el equipo, una modificación de precio, el lanzamiento de un competidor, una actualización de algoritmo. Si el equipo puede identificar el momento exacto del cambio, la hipótesis causal se construye mucho más rápido.
Segmentación — ¿en quiénes ocurre?
Un síntoma que afecta a todos los segmentos por igual tiene causas distintas que uno que afecta solo a un segmento específico. Si la tasa de conversión cae en todos los canales, el problema probablemente está en la propuesta de valor o en el proceso. Si cae solo en leads de un canal específico, el problema puede ser la calidad del segmento que ese canal trae. Desagregar por segmento, canal, región o perfil de cliente es uno de los movimientos diagnósticos más potentes.
Análisis de cohorte — ¿cómo se comportan en el tiempo?
El análisis de cohortes compara grupos de clientes o usuarios adquiridos en el mismo período. Es especialmente útil para diagnosticar problemas de retención y churn: si las cohortes recientes churnan más rápido que las antiguas, el problema puede estar en un cambio en el perfil de adquisición o en la experiencia de onboarding. Si todas las cohortes empeoran en el mismo período, el problema es transversal y probablemente está en el producto o en el mercado.
Benchmarking interno — ¿comparado con qué?
El benchmarking de industria sirve como orientación inicial pero no como criterio diagnóstico. El benchmarking interno — comparar el desempeño actual con el propio histórico, con el mejor período, con el segmento más performante — es más útil porque controla variables que los promedios de industria no pueden controlar. Una tasa de conversión del 3% puede ser un problema o un logro dependiendo de qué era antes, qué es en el segmento más maduro y qué produce el canal con mejor desempeño.
Los datos más valiosos para el diagnóstico no son los más sofisticados — son los más específicos. Un análisis de cohorte sencillo que muestra que los clientes adquiridos por referidos churnan tres veces menos que los adquiridos por pauta paga dice más sobre la estrategia que un dashboard de 40 KPIs. La especificidad es lo que convierte la descripción en diagnóstico.
Lisandro IserteErrores frecuentes en el diagnóstico cuantitativo.
Buscar confirmación en lugar de refutación
El sesgo de confirmación es el enemigo principal del diagnóstico cuantitativo. El equipo tiene una hipótesis — "el problema es el presupuesto" — y busca en los datos los números que la confirman. Un diagnóstico riguroso hace lo contrario: busca activamente los datos que podrían refutar la hipótesis. Si la hipótesis no puede ser refutada por ningún dato posible, no es una hipótesis — es una creencia.
Confundir correlación con causalidad
Dos métricas que se mueven juntas no son causa y efecto. El tráfico orgánico y la tasa de conversión pueden subir al mismo tiempo por razones completamente independientes. El diagnóstico cuantitativo debe ir acompañado de un argumento causal plausible — un mecanismo que explique por qué A produce B. Sin ese mecanismo, la correlación es ruido estadístico que parece señal.
Analizar promedios sin desagregar
El promedio oculta los patrones más diagnósticos. Una tasa de conversión promedio del 4% puede estar compuesta por un 12% en un segmento y un 1% en otro. El promedio dice que todo está bien. La desagregación dice que algo está muy bien y algo está muy mal — y esa es la información diagnóstica relevante. Siempre desagregar antes de concluir.
Usar solo los datos disponibles
Los datos fácilmente disponibles — los que ya están en el dashboard — no son necesariamente los datos diagnósticos relevantes. A veces el dato que confirma o refuta la hipótesis clave requiere un análisis específico que no está en ningún reporte preexistente. El diagnóstico cuantitativo a veces implica construir el análisis desde cero en lugar de buscar en los reportes existentes.
Concluir sin datos cualitativos
El diagnóstico cuantitativo no termina en sí mismo — es la mitad del diagnóstico. Los datos dicen qué está pasando y cuándo empezó. No dicen por qué. Una tasa de activación que cae un 40% en tres meses es una señal cuantitativa clara. Pero la causa — si es un cambio en el onboarding, en el perfil del usuario, en la propuesta de valor — solo aparece cuando se cruza con evidencia cualitativa. El siguiente artículo cubre ese paso.
Preguntas frecuentes sobre diagnóstico cuantitativo de marketing.
¿Cuál es la diferencia entre una métrica diagnóstica y una métrica de vanidad?
Una métrica diagnóstica cambia el comportamiento del equipo cuando sube o baja: si la vemos en rojo, sabemos qué revisar y qué hipótesis testear. Una métrica de vanidad se ve bien en un reporte pero no orienta decisiones — el número de seguidores, las impresiones o los usuarios registrados son ejemplos típicos. El test es simple: si la métrica sube, ¿sabés exactamente qué hacer diferente? Si la respuesta es no, es una métrica de vanidad.
¿Cuántas métricas hay que mirar en un diagnóstico cuantitativo?
Las suficientes para cubrir las etapas donde aparecen los síntomas, sin más. Un diagnóstico cuantitativo efectivo trabaja con 5 a 10 métricas clave por etapa del funnel — no con dashboards de 40 indicadores. La sobreinstrumentación produce parálisis analítica: el equipo mira muchos números pero no construye hipótesis causales. El criterio de selección es siempre el mismo: ¿esta métrica puede confirmar o refutar alguna de las hipótesis del mapa causal?
¿Los benchmarks de industria son útiles para el diagnóstico cuantitativo?
Sirven como referencia inicial pero no como criterio de diagnóstico. Un benchmark de industria te dice si estás por encima o por debajo del promedio — no te dice por qué ni qué hacer al respecto. El benchmarking interno (comparar períodos propios, cohortes, segmentos) es más diagnóstico porque controla variables que los promedios de industria no pueden controlar: tu modelo de negocio, tu mix de canales, tu perfil de cliente.
Croll, A., & Yoskovitz, B. (2013). Lean Analytics: Use Data to Build a Better Startup Faster. O'Reilly Media.
Kaushik, A. (2010). Web Analytics 2.0: The Art of Online Accountability and Science of Customer Centricity. Sybex.
Rumelt, R. (2011). Good Strategy/Bad Strategy: The Difference and Why It Matters. Crown Business.
Goldratt, E. (1984). The Goal: A Process of Ongoing Improvement. North River Press.
Kohavi, R., Tang, D., & Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press.
Términos del glosario