Analítica de marketing:
del dato al insight
accionable.
La mayoría de los equipos reporta números. Pocos analizan. La diferencia no está en la herramienta — está en el tipo de pregunta que se hace con los datos.
- Definición rápida
- Los 4 tipos: de descriptiva a prescriptiva
- La cadena: dato → métrica → insight → decisión
- Qué medir y qué ignorar
- La analítica como sistema, no como herramienta
- Cómo conecta con el sistema de marketing
- Errores frecuentes
- Cuándo invertir — y cuándo es prematuro
- Preguntas frecuentes
- Referencias y bibliografía
Analítica de marketing.
La analítica de marketing es el proceso sistemático de recolectar, organizar e interpretar datos sobre el comportamiento del mercado y el desempeño de las acciones de marketing, con el objetivo de tomar mejores decisiones. No es un dashboard. No es un reporte. Es la cadena que transforma números en insights accionables.
Avinash Kaushik — la referencia más influyente del campo — la define en Web Analytics 2.0 como "la práctica de medir, gestionar y analizar el desempeño de marketing para maximizar su efectividad y optimizar el retorno sobre la inversión." La distinción crítica que Kaushik introduce es entre reportar (qué pasó) y analizar (por qué pasó y qué deberías hacer al respecto). La mayoría de los equipos de marketing invierte el 80% de su tiempo en lo primero y apenas el 20% en lo segundo. El ratio debería ser inverso.
02 — Los 4 tiposLos 4 tipos de analítica: de descriptiva a prescriptiva.
No toda analítica es igual. El modelo de madurez analítica — popularizado por Gartner y adoptado por equipos de datos en todo el mundo — distingue cuatro tipos que responden a preguntas fundamentalmente distintas. Entender en cuál opera tu equipo hoy es el primer diagnóstico que hay que hacer antes de invertir en herramientas o procesos.
¿Qué pasó?
Describe el estado actual e histórico de las métricas.
Ej: "El tráfico bajó 18% en marzo vs febrero."
Madurez: base — todos los equipos la hacen
¿Por qué pasó?
Explica las causas de lo que la descriptiva detectó.
Ej: "El tráfico bajó porque Google actualizó el algoritmo y perdimos posiciones en 12 keywords clave."
Madurez: intermedia — requiere exploración activa
¿Qué va a pasar?
Proyecta resultados futuros en base a patrones históricos.
Ej: "Si no actuamos en 30 días, el tráfico orgánico caerá otro 12%."
Madurez: avanzada — requiere historial y modelos
¿Qué deberíamos hacer?
Recomienda acciones concretas para producir el resultado deseado.
Ej: "Priorizá recuperar las keywords en posición 4-10 con intención transaccional."
Madurez: experta — combina datos, contexto y criterio
La mayoría de los equipos de marketing opera en modo descriptivo el 90% del tiempo: dashboards con números que describen el pasado pero no explican causas ni recomiendan acciones. Kaushik llama a esto "reporting de vanidad" — produce la apariencia de rigor sin el valor del análisis. El objetivo de madurez analítica es avanzar hacia el diagnóstico y la prescripción, y eso no requiere más herramientas sino mejores preguntas.
Alistair Croll y Benjamin Yoskovitz agregan un matiz importante en Lean Analytics: el tipo de analítica que necesita un equipo depende de su etapa de negocio. En etapa temprana, la analítica predictiva es prematura — no hay suficiente historial para proyecciones confiables. El error frecuente es construir sistemas predictivos sofisticados antes de tener claridad sobre las métricas descriptivas básicas.
03 — La cadenaLa cadena: dato → métrica → insight → decisión.
Kaushik distingue cuatro conceptos que la mayoría de los equipos usa indistintamente — y esa confusión es costosa. Un dato es un registro en bruto: "3.247 sesiones el martes." Una métrica es un dato contextualizado: "3.247 sesiones el martes, vs 4.120 el martes anterior." Un insight es una interpretación causal: "El descenso coincide con el fin del período de campaña paga — el tráfico orgánico se mantuvo estable." Una decisión es la acción derivada: "Mantener el presupuesto de search porque sostiene volumen que el orgánico no puede reemplazar en el corto plazo."
Sin esta cadena explícita, los datos se acumulan sin producir valor. Ron Kohavi, en Trustworthy Online Controlled Experiments, identifica el problema desde el otro extremo: las organizaciones que toman decisiones sin datos de calidad cometen lo que llama "HIPPO bias" — Highest Paid Person's Opinion. La analítica existe precisamente para reemplazar la opinión del más senior por evidencia del mercado.
El desafío práctico de la cadena está en el paso de dato a insight: requiere contexto (¿qué cambió en el entorno?), comparación (¿vs cuándo y vs qué?) y criterio (¿esto importa o es ruido estadístico?). Las herramientas automatizan el primer paso; el segundo requiere un analista con conocimiento del negocio y del cliente.
El mayor error de analítica no es medir de más: es confundir reportar con analizar. Un reporte describe el pasado con exactitud. Un análisis explica el pasado y orienta el futuro. Uno produce confort; el otro produce dirección. Son muy distintos, y la mayoría de los equipos produce el primero convencidos de que están haciendo el segundo.
Lisandro IserteQué medir y qué ignorar.
Eric Ries introdujo en The Lean Startup la distinción entre métricas accionables y métricas de vanidad. Una métrica accionable mueve decisiones: si sube, el equipo sabe qué hizo que funcionó; si baja, sabe qué ajustar. Una métrica de vanidad hace que el equipo se vea bien en el reporte pero no informa ninguna acción concreta. Impresiones, seguidores, páginas vistas son los ejemplos más citados — no porque no tengan valor, sino porque solos no dicen qué hacer.
El criterio de selección de Kaushik es más operativo: una métrica merece estar en tu stack si puede responder al menos una de estas tres preguntas: (a) ¿tomamos una decisión diferente esta semana gracias a este número? (b) ¿puede alguien del equipo actuar sobre él? (c) ¿correlaciona con un resultado de negocio verificable?
Croll y Yoskovitz van más lejos con el concepto de OMTM (One Metric That Matters): en cada etapa del negocio, hay una métrica que importa más que todas las demás — no porque las demás no importen, sino porque la claridad de foco produce mejor ejecución. El OMTM conecta directamente con la North Star Metric y con la estructura del árbol de métricas, dos conceptos que este subhub desarrolla en profundidad.
05 — La analítica como sistemaLa analítica como sistema, no como herramienta.
El error estructural más frecuente en analítica de marketing es tratarla como una herramienta: "usamos GA4", "tenemos Looker Studio", "tiramos datos a BigQuery." Las herramientas son necesarias, pero la analítica es un sistema que combina cuatro componentes interdependientes, y falla si cualquiera de ellos falla.
Preguntas bien formuladas
Todo empieza por la pregunta: ¿qué necesito saber para tomar esta decisión? Sin pregunta de decisión, los dashboards se llenan de números interesantes pero inaccionables. McKinsey documentó en su estudio sobre madurez analítica (2022) que las organizaciones líderes no tienen más herramientas — tienen procesos más rigurosos de formulación de preguntas antes de recolectar datos.
Datos confiables
Los datos de mala calidad son peores que no tener datos: generan confianza falsa en decisiones erróneas. La confiabilidad requiere tracking bien implementado, definiciones compartidas de métricas y auditorías periódicas para detectar discrepancias entre fuentes. Kohavi dedica capítulos enteros en Trustworthy Online Controlled Experiments a los errores de implementación de tag management que invalidan análisis completos sin que nadie lo note.
Modelos de análisis
Los datos confiables necesitan un marco para ser interpretados. El árbol de métricas conecta datos de desempeño con resultados de negocio. La atribución distribuye el crédito entre touchpoints. La experimentación establece causalidad en lugar de correlación.
Activación en decisiones
El sistema falla si el análisis no llega a quien puede actuar, en el momento oportuno, en el formato procesable. Los reportes y dashboards bien diseñados son la interfaz entre el sistema analítico y la toma de decisiones. Un insight brillante en un informe de 60 páginas que nadie lee tiene valor cero.
06 — ConexionesCómo conecta la analítica con el sistema de marketing.
La analítica de marketing no es un cluster aislado — es el sistema de feedback que valida y corrige todas las demás decisiones del ecosistema.
Estrategia
El diagnóstico estratégico usa datos de analítica como insumo primario: ¿dónde estamos ganando? ¿dónde perdiendo? ¿qué segmentos crecen? La priorización de recursos depende de datos de rendimiento que solo la analítica provee. Sin analítica, la estrategia es hipótesis sin validar.
Marca
La equidad de marca — awareness, top of mind, asociaciones — se construye con métricas que la analítica de brand tracking provee. La percepción de marca no es un dato anecdótico — es medible con estudios periódicos de benchmarking competitivo. La identidad de marca se ajusta cuando los datos muestran brecha entre lo que la empresa cree comunicar y lo que el mercado percibe.
Oferta
La analítica de producto revela qué features de la propuesta de valor generan adopción y cuáles son ignorados. Los datos de comportamiento en checkout informan el diseño del pricing. Los patrones de uso revelan qué parte de la diferenciación es percibida como tal y cuál es diferenciación que solo existe en el brief.
Mercado
La investigación de mercado y la analítica son complementarias: la investigación explica motivaciones; la analítica mide comportamientos. Juntas, producen una visión completa del consumidor. El journey del cliente se mapea con datos de analítica pero se interpreta con datos cualitativos.
Crecimiento
La adquisición orgánica y paga se optimizan con datos: ¿qué canales producen los leads de mayor calidad? ¿qué tasa de conversión tiene cada fuente? El CRO es analítica aplicada directamente a la optimización de embudos.
Fidelización
Las métricas de retención — churn rate, CLV, NPS — son el sistema de alerta temprana de problemas de producto, experiencia o propuesta de valor. La analítica de cohortes del cluster de lifecycle marketing revela qué acciones en los primeros 30 días predicen retención a 12 meses.
07 — Errores frecuentesErrores frecuentes en analítica de marketing.
Medir todo y analizar nada
Instalar GA4, conectar el CRM, exportar todo a BigQuery y no mirar nada con profundidad. Más herramientas no producen más insight — producen más ruido. El stack analítico debería ser el mínimo que permite responder las preguntas de decisión del negocio, no el máximo que la tecnología permite capturar.
Confundir correlación con causalidad
"Los meses en que publicamos más en redes, las ventas suben" no es analítica — es correlación sin contexto. Ambas variables pueden estar siendo afectadas por un tercero: la temporada, un evento de mercado, la actividad de la competencia. La experimentación controlada es la única forma de establecer causalidad. Sin experimentos, todo es hipótesis.
Usar métricas de vanidad como proxy de éxito
Impresiones, seguidores, alcance — son métricas que se mueven fácil y se reportan bien, pero no correlacionan directamente con resultados de negocio. El equipo que optimiza para impresiones tiene incentivos distintos al que optimiza para leads cualificados. Ries fue explícito: las métricas de vanidad existen para hacerte sentir bien, no para mejorar el negocio.
Análisis sin audiencia
Producir análisis que no llega a quien puede actuar. Los reportes más valiosos son los más simples: una pregunta, un insight, una recomendación, un responsable. Un deck de 40 slides que nadie lee equivale a no haber analizado nada.
No auditar la calidad del tracking
Las decisiones basadas en datos mal capturados son peores que las basadas en intuición — tienen el costo adicional de la falsa confianza. El tracking requiere auditorías periódicas: duplicación de eventos, pérdida de sesiones, atribución incorrecta de fuentes son errores que contaminan cada análisis posterior sin que nadie lo detecte.
Cuándo invertir en analítica — y cuándo es prematuro.
Invertí cuando…
Tomás decisiones de presupuesto significativo. Si vas a asignar recursos importantes en canales de adquisición paga, necesitás analítica que te diga qué canal produce el mejor ROI. Sin datos, la asignación es arbitraria.
Las métricas cambian y no sabés por qué. La conversión cayó, el churn subió, el costo por lead se disparó. La analítica diagnóstica te da las causas — sin ella, apagás incendios a ciegas.
Querés escalar algo que funciona. Si un canal, campaña o segmento muestra resultados positivos, la analítica te dice si es replicable y a qué costo marginal. Sin datos, el escalado es ruleta.
Es prematuro cuando…
No tenés volumen mínimo. Con menos de 500 sesiones mensuales, la mayoría de las métricas de conversión no tienen significancia estadística. Primero generá volumen; después analicé ese volumen.
El producto no está validado. Optimizar la analítica de una propuesta de valor que el mercado no quiere es optimizar hacia el abismo. La validación del producto es anterior a la analítica de escala.
No podés actuar sobre los insights. Si el equipo no puede implementar cambios basados en análisis, la analítica produce frustración. Primero construí la capacidad de actuar; después construí el sistema que informa esas acciones.
09 — Preguntas frecuentesPreguntas frecuentes sobre analítica de marketing.
¿Qué diferencia hay entre analítica de marketing y business intelligence?
El BI responde preguntas sobre el negocio en general — finanzas, operaciones, supply chain. La analítica de marketing responde preguntas específicas sobre cómo el mercado responde a las acciones de comunicación, adquisición y retención. Son complementarias: el BI alimenta el contexto que la analítica de marketing necesita para interpretar sus datos. La diferencia clave está en el dominio de preguntas y en quién las usa.
¿Cuántos datos necesito para empezar a hacer analítica de marketing?
Menos de los que la mayoría cree. Con 3 meses de datos de una sola fuente confiable — GA4, CRM o plataforma de ads — ya podés hacer analítica descriptiva útil. El error es esperar a tener un sistema perfecto antes de empezar. La analítica descriptiva y diagnóstica se arrancan con datos mínimos si las preguntas están bien formuladas.
¿La analítica de marketing reemplaza el criterio del marketer?
No. La analítica reduce la incertidumbre pero no la elimina. Los datos registran lo que pasó, no explican por qué ni predicen el futuro. El criterio del marketer — conocimiento del mercado, lectura del contexto competitivo, comprensión de la psicología del buyer persona — es lo que convierte los datos en decisiones. La analítica sin criterio produce optimización local que no mueve resultados de negocio.
Referencias y bibliografía.
Kaushik, A. (2009). Web Analytics 2.0: The Art of Online Accountability and Science of Customer Centricity. Sybex. Cap. 1–3: "Foundation."
Croll, A. & Yoskovitz, B. (2013). Lean Analytics: Use Data to Build a Better Startup Faster. O'Reilly. Cap. 2–5: "Finding the One Metric That Matters."
Kohavi, R., Tang, D. & Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press. Cap. 1.
Ries, E. (2011). The Lean Startup. Crown Business. Cap. 7: "Measure."
Parmenter, D. (2015). Key Performance Indicators. 3rd ed. Wiley. Cap. 1–2.
McKinsey Global Institute. (2022). The Data-Driven Enterprise of 2025.
Términos del glosario