Diagnóstico cuantitativo de marketing.
El diagnóstico cuantitativo de marketing no es producir un dashboard. Es hacerle preguntas específicas a los datos para validar o refutar las hipótesis del mapa causal — y separar la señal del ruido en el camino.
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 o refutar las hipótesis del mapa causal. No es mirar un dashboard. Es hacerle preguntas específicas a los números para determinar si lo que el equipo cree que pasa, realmente pasa.
La distinción importa porque el uso más común de los datos en marketing no es diagnóstico — es descriptivo. Un equipo descriptivo dice "esto subió, esto bajó". Un equipo diagnóstico pregunta "¿qué causa esto y cómo lo confirmamos?". El primero produce reportes; el segundo, decisiones.
El diagnóstico cuantitativo entra después del mapa causal y antes del cualitativo. El mapa generó hipótesis. Los datos cuantitativos dicen cuáles tienen evidencia numérica. El por qué — lo que los datos no responden — le corresponde al diagnóstico cualitativo.
Alistair Croll y Benjamin Yoskovitz, en Lean Analytics (2013, cap. 2), articulan la regla operativa: los datos que importan son los que cambian el comportamiento del equipo. Si un número se mueve y nadie sabe qué hacer diferente, no es diagnóstico — es decoración estadística.
02 — Diagnóstica vs. vanidadMétricas diagnósticas vs. métricas de vanidad.
No todas las métricas son útiles para diagnosticar. La mayoría de los dashboards mezclan métricas que orientan decisiones con métricas que solo se ven bien en una presentación. La diferencia es operacional, no cosmética.
Una métrica diagnóstica es accionable, comparable y causal: cuando cambia, el equipo sabe qué hipótesis revisar. Una métrica de vanidad puede crecer mientras el negocio se deteriora: seguidores suben mientras la conversión cae; usuarios registrados se acumulan mientras el churn destruye el CLV; impresiones se multiplican mientras el CAC sube. Da ilusión de progreso sin causalidad.
- Tasa de conversión por etapa del funnel
- Tiempo hasta primera conversión
- Tasa de activación de nuevos usuarios
- Churn por cohorte y período
- CAC desglosado por canal y segmento
- Revenue por cuenta (nuevo vs. expansión)
- Tasa de cierre por perfil de lead
- NPS segmentado por cohorte de adquisición
- Número de seguidores y fans
- Impresiones y alcance sin acción
- Usuarios registrados sin activación
- Páginas vistas totales agregadas
- Leads generados sin calificación
- Menciones en medios sin tráfico
- Descargas de app sin retención
- Tráfico orgánico agregado sin intención
El test práctico: si este número cae a la mitad mañana, ¿el equipo sabe qué hipótesis revisar? Si la respuesta es sí, es diagnóstica. Si es "habría que ver", es descriptiva. Si es "igual seguimos", es de vanidad. Eric Ries, en The Lean Startup (2011), formalizó la distinción "actionable vs. vanity metrics".
03 — Qué datos mirarQué datos mirar según el síntoma del diagnóstico cuantitativo.
El error frecuente es comenzar por los datos disponibles en lugar de los síntomas. El punto de partida es siempre la pregunta: ¿qué hipótesis necesito confirmar o refutar? La tabla organiza qué datos buscar según el síntoma:
| Síntoma | Datos diagnósticos a buscar | Comparación clave |
|---|---|---|
| Caída en volumen de leads | Tráfico por canal y fuente · CTR por campaña · Conversión visita→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 · Perfil de leads convertidos vs. no | ¿Es calidad del lead o es proceso de conversión? |
| Caída en tasa de cierre | Cierre por período · Ciclo de venta · Cierre por vendedor · Objeciones por etapa · Perfil de deals ganados vs. perdidos | ¿En todos los vendedores o en uno? ¿Todos los segmentos o uno? |
| Churn elevado o creciente | Churn por cohorte de adquisición · Churn por canal · Tiempo hasta cancelación · NPS por segmento · Uso del producto pre-churn | ¿Qué cohorte churna más? ¿Hay correlación con canal? |
| CAC en alza | CAC por canal desglosado · Costo por lead calificado · Conversión por etapa · Mix de canales y su evolución | ¿Subió el costo de medios o bajó la conversión? ¿En qué canal? |
| Estancamiento en revenue | Revenue por cuenta (nuevo vs. expansión) · ARR/MRR movement · Ticket promedio por segmento · Frecuencia de compra | ¿Es adquisición, retención o expansión? |
La columna "Comparación clave" es la más importante. El dato aislado no diagnostica. Lo que diagnostica es la comparación: entre períodos, segmentos, canales, cohortes. Un número sin referencia es descripción; comparado, es el inicio de una hipótesis.
04 — Cómo leer los datosCómo leer los datos para construir hipótesis: 4 patrones diagnósticos.
Tener los datos correctos no alcanza. La diferencia entre diagnosticar y describir está en cómo se leen: qué patrones se buscan, qué preguntas surgen frente a cada número. Cuatro patrones producen hipótesis diagnósticas.
Ruptura temporal — ¿cuándo cambió?
Si una métrica cayó, lo que importa primero no es cuánto sino cuándo. Una ruptura precisa permite cruzar con eventos del negocio: cambio de equipo, modificación de precio, lanzamiento de competidor, actualización de algoritmo. Identificar el momento exacto acelera la construcción de la hipótesis causal.
Segmentación — ¿en quiénes ocurre?
Un síntoma transversal tiene causas distintas a uno concentrado. Si la conversión cae en todos los canales, el problema está en la propuesta de valor. Si cae solo en uno, el problema puede ser el segmento que ese canal trae.
Análisis de cohorte — ¿cómo se comportan en el tiempo?
El análisis de cohortes compara grupos adquiridos en el mismo período. Si las cohortes recientes churnan más rápido, el problema puede estar en adquisición o en onboarding. Si todas empeoran a la vez, el problema es transversal. El heatmap que sigue muestra el patrón en una app B2C real.
Benchmarking interno — ¿comparado con qué?
El benchmarking de industria es orientación inicial, no criterio diagnóstico. El interno — comparar con histórico, con el mejor período, con el segmento más performante — controla variables que los promedios de industria no pueden controlar. Una conversión del 3% puede ser problema o logro: depende de qué era antes.
Cada fila es una cohorte de adquisición; cada columna, los meses transcurridos desde la adquisición. La intensidad del color marca el % de retención. Un patrón cohorte-a-cohorte que empeora indica un problema en el perfil de adquisición o en el onboarding — no en el producto.
El heatmap revela lo que el promedio oculta. Si solo se mira "retención M1 promedio" (60% en este caso), el equipo concluye que está estable. Pero al desagregar por cohorte el patrón es inequívoco: octubre retenía 68% en M1; marzo retiene 49%. La cohorte más reciente es 28% peor que la primera. Eso es una hipótesis causal naciendo.
Trabajé con un e-commerce DTC de moda con revenue plano hace seis meses. Los dashboards mostraban todo verde: tráfico +22%, sesiones +18%, productos vistos +30%. Al desagregar por canal, otra historia: el crecimiento venía casi entero de Pinterest, con conversión cuatro veces menor que el orgánico. Rebalanceamos el mix sin tocar presupuesto. Revenue +14% en ocho semanas.
Lisandro IserteCómo el diagnóstico cuantitativo conecta con el resto del marketing.
Las técnicas cuantitativas se usan en todos los clusters — desde el reporting de dashboards hasta el análisis de buyer persona y JTBD, pasando por la medición de growth loops y referrals.
Analítica y KPIs: el árbol de KPIs es la base operativa del diagnóstico
Sin un árbol de KPIs jerarquizado por causalidad, todas las métricas se ven igual de importantes. El subhub define cómo construir esa jerarquía y separar value metrics de north star.
Atribución y Medición: cuando el problema está en cómo se cuenta
Una métrica diagnóstica mal atribuida produce diagnóstico equivocado. Si el CAC por canal está mal calculado, las decisiones de mix también. La atribución es prerrequisito.
Experimentación: validar las hipótesis con causalidad
Los datos diagnósticos generan hipótesis correlacionales. Para confirmar causalidad hay que testear con experimentos controlados. Kohavi, Tang y Xu, en Trustworthy Online Controlled Experiments (2020, cap. 1), articulan por qué A/B testing es la diferencia operativa.
Retención y Churn: el dominio donde el análisis de cohortes más rinde
Los problemas de retención casi siempre se diagnostican con cohortes. Un patrón cohorte-a-cohorte que empeora indica problema de adquisición; uno que empeora en todas a la vez indica problema de producto.
Conversión y CRO: priorizar tests con datos diagnósticos
Sin diagnóstico cuantitativo previo, los A/B tests son intentos aleatorios. Con datos que muestran dónde cae la conversión, los tests van directo al cuello de botella del funnel.
Comportamiento y Journey: el lado cuantitativo del journey
El customer journey se diagnostica con datos por etapa. Drop-off por touchpoint, tiempo entre interacciones, patrones de retorno — la traducción cuantitativa del journey cualitativo.
Errores frecuentes en el diagnóstico cuantitativo de marketing.
Buscar confirmación en lugar de refutación
El sesgo de confirmación es el enemigo principal. El equipo tiene una hipótesis — "el problema es el presupuesto" — y busca los datos que la confirman. Un diagnóstico riguroso hace lo contrario: busca activamente los datos que podrían refutarla. Si la hipótesis no puede ser refutada por ningún dato, no es hipótesis — es creencia.
Confundir correlación con causalidad
Dos métricas que se mueven juntas no son causa y efecto. El tráfico orgánico y la conversión pueden subir al mismo tiempo por razones independientes. El diagnóstico cuantitativo necesita un argumento causal plausible — un mecanismo que explique por qué A produce B. Sin mecanismo, la correlación es ruido que parece señal.
Analizar promedios sin desagregar
El promedio oculta los patrones más diagnósticos. Una conversión promedio del 4% puede componerse de un 12% en un segmento y un 1% en otro. El promedio dice que todo está bien; la desagregación dice dónde está el problema. Segmentar antes de concluir es regla, no opción.
Concluir sin datos cualitativos
El diagnóstico cuantitativo no termina en sí mismo — es la mitad del trabajo. Los datos dicen qué pasa y cuándo empezó. No dicen por qué. Una activación que cae 40% en tres meses es una señal clara. Pero la causa — onboarding, perfil de usuario o propuesta de valor — solo aparece cruzando con evidencia cualitativa.
El método del diagnóstico cuantitativo es portátil entre los siete clusters: Estrategia, Marca, Oferta, Mercado, Crecimiento, Rendimiento y Fidelización. Spokes hermanos del subhub Diagnóstico Estratégico: cualitativo, restricciones y sin datos suficientes. Después: mix con optimización de presupuesto, inversión con unit economics, retención con CLV y expansión.
07 — Preguntas frecuentesPreguntas frecuentes.
¿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 hipótesis revisar y qué evidencia buscar. Una métrica de vanidad se ve bien en un reporte pero no orienta decisiones — número de seguidores, impresiones o usuarios registrados son ejemplos típicos. El test es simple: si la métrica sube, ¿sabés exactamente qué hacer diferente? Si la respuesta es no, es 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 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, 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. 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.
Referencias y bibliografía.
Croll, A., & Yoskovitz, B. (2013). Lean Analytics: Use Data to Build a Better Startup Faster. O'Reilly Media. Cap. 2: "How to Keep Score."
Ries, E. (2011). The Lean Startup: How Today's Entrepreneurs Use Continuous Innovation to Create Radically Successful Businesses. Crown Business.
Kohavi, R., Tang, D., & Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press. Cap. 1: "Introduction and Motivation."
Kaushik, A. (2010). Web Analytics 2.0: The Art of Online Accountability and Science of Customer Centricity. Sybex.
Rumelt, R. (2011). The perils of bad strategy. McKinsey Quarterly.
Goldratt, E. M. (1984). The Goal: A Process of Ongoing Improvement. North River Press.
Términos relacionados