Analítica y KPIs:
la diferencia entre medir
y saber qué hacer.
Analítica de marketing y KPIs: transformar datos en conocimiento accionable. No se trata de tener más datos — se trata de tener los datos correctos conectados con las decisiones correctas.
¿Qué es la analítica de marketing?
La analítica efectiva no empieza con herramientas — empieza con preguntas. ¿Qué querés saber? ¿Qué decisiones tomarías si supieras la respuesta? Avinash Kaushik lo condensó en Web Analytics 2.0: no medimos para tener datos — medimos para tomar decisiones mejores que sin datos.
Hay cuatro niveles de analítica, cada uno con valor distinto. Descriptiva: qué pasó (el tráfico cayó 20%). Diagnóstica: por qué pasó (Google cambió el algoritmo). Predictiva: qué va a pasar (recuperamos X tráfico en Y semanas). Prescriptiva: qué hacerías (optimizar estas 5 páginas primero). La mayoría opera en descriptiva. Las que dominan su mercado llegan a prescriptiva.
Croll y Yoskovitz agregaron en Lean Analytics: cada etapa del negocio tiene una métrica que importa más que todas las otras — la OMTM (One Metric That Matters). Si no podés nombrarla, no tenés foco. Todo lo demás es contexto; la OMTM es dirección.
En el cluster Rendimiento, analítica y KPIs es el primer subhub porque define qué medir. Sin esto resuelto, el tracking (subhub 2), la atribución (subhub 3) y la experimentación (subhub 4) no tienen dirección.
Los 3 niveles de madurez analítica
Según cómo usa datos para decidir, un equipo puede estar en uno de tres niveles.
Métricas sin dirección
Hay Google Analytics instalado, un dashboard básico y reportes mensuales. Pero nadie sabe cuál es la métrica que importa. Se miran visitas, pageviews y bounce rate sin conectarlos con decisiones. El equipo sabe “cuánto” pero no “qué hacer con eso”.
KPIs conectados con objetivos
Hay KPIs definidos, North Star Metric elegida, árbol de métricas que conecta inputs con outputs. Se revisan semanalmente. Las decisiones operativas se basan en datos. Pero la analítica es mayormente descriptiva — explica el pasado, no predice el futuro.
La mayoría están en nivel 1: miden sin dirección. El salto a nivel 2 — elegir KPIs, armar árbol de métricas, revisar semanalmente — es el que más impacto genera porque conecta datos con acciones por primera vez.
Los 5 pilares de un sistema de KPIs
Un sistema de KPIs que realmente mueve el negocio tiene cinco pilares.
North Star Metric: la métrica que importa más
La NSM es la métrica única que mejor predice éxito de largo plazo. Para Spotify es “tiempo de escucha”. Para Airbnb es “noches reservadas”. Para un SaaS B2B puede ser “usuarios activos semanales”. La NSM cumple tres criterios: (1) refleja valor entregado al cliente, (2) es leading indicator de revenue, (3) todo el equipo puede contribuir a moverla. Si tu NSM no cumple los tres, no es la correcta.
Árbol de métricas: de la NSM a inputs accionables
La NSM se descompone en métricas intermedias que cada equipo puede mover. Conversión = tráfico × tasa de conversión. Revenue = clientes × ticket promedio × frecuencia. El árbol conecta la NSM con los inputs operativos: las variables que tu equipo controla directamente. Sin árbol, cada equipo optimiza su métrica sin saber si mueve la NSM.
Leading vs lagging: predecir, no solo confirmar
Las métricas lagging confirman el pasado (revenue, churn, NPS). Las métricas leading predicen el futuro (activación de nuevos usuarios, engagement semanal, pipeline de ventas). Necesitás ambas: lagging para validar, leading para anticipar. Si solo mirás lagging, te enterás del problema cuando ya es tarde.
Dashboards que generan decisión
Stephen Few lo planteó en Information Dashboard Design: un dashboard no es arte — es interfaz para decisiones rápidas. Un buen dashboard tiene: máximo 7 métricas visibles, comparación con período anterior, señales de alerta automáticas, y — lo más importante — una conclusión escrita que diga qué hacer. Si el dashboard requiere 20 minutos de interpretación, no funciona.
Cadencia de revisión: del dato a la acción
Los datos sin cadencia de revisión son decoración. La cadencia correcta: diaria para métricas operativas críticas (ventas, CAC, errores). Semanal para KPIs de equipo (conversión, pipeline, engagement). Mensual para KPIs estratégicos (NSM, unit economics, tendencias). Cada revisión termina con: ¿qué aprendimos? ¿Qué hacemos distinto?
El mejor sistema de KPIs que implementé no fue el más sofisticado — fue el más simple. 1 North Star que todos entendían + 4 KPIs operativos que cada equipo podía mover. Claridad sobre qué importa vale más que complejidad analítica. Cuando el equipo sabe exactamente qué métrica mover y por qué, todo se alinea.
Lisandro IserteQué incluye y qué no incluye este subhub
Este subhub incluye
- KPIs, árboles de métricas, North Star Metric
- Dashboards operativos, analítica descriptiva/predictiva
- Cultura data-driven / data-informed
- Métricas leading vs lagging, cadencias de revisión
Este subhub no incluye
- Tracking técnico → Tracking, GTM y Data Layer
- Atribución multi-canal → Atribución y Medición
- A/B testing → Experimentación
- CAC/LTV → Unit Economics
- OKRs y objetivos → Estrategia
La trampa de Goodhart: cuando la métrica deja de ser útil
Goodhart’s Law: “cuando una medida se convierte en target, deja de ser buena medida.” Es la trampa más peligrosa en analítica, y casi todos los equipos caen en ella en algún momento.
Ejemplos reales: optimizar CTR sin mirar conversión (titulares clickbait que traen tráfico basura). Optimizar registros sin mirar activación (formularios simplificados que atraen usuarios que nunca usan el producto). Optimizar NPS pidiendo scores después de interacciones positivas (NPS inflado que no refleja satisfacción real).
La protección contra Goodhart tiene tres capas. Primera: nunca un solo KPI — siempre un KPI principal + guardrail métrics que protegen contra gaming. Si optimizás conversión, el guardrail es calidad de lead. Si optimizás volumen, el guardrail es retención. Segunda: revisar la métrica en contexto — el número solo no dice nada sin la historia detrás. Tercera: rotar métricas periódicamente — cuando un KPI se vuelve target, su utilidad decae.
Errores frecuentes
Confundir métricas con KPIs
Pageviews, impresiones, followers — son métricas, no KPIs. Un KPI debe: medir progreso hacia objetivo, ser accionable, informar decisiones. Si mirás una métrica y no cambia lo que hacés, no es KPI.
Demasiados KPIs
15 KPIs = 0 KPIs. Un equipo puede trackear 50 métricas pero solo operar sobre 5-7. 1 NSM + 3-5 KPIs operativos. Más diluye foco.
Caer en Goodhart
Optimizar la métrica sin mover el negocio. CTR alto con conversión baja, registros altos con activación baja. Siempre acompañá el KPI principal con guardrail métrics.
Solo métricas lagging
Si solo mirás revenue, churn y NPS, te enterás del problema cuando ya pasó. Necesitás leading indicators que anticipen: pipeline, activación, engagement.
Dashboards que nadie mira
Si el dashboard requiere 20 minutos de interpretación, no funciona. Máximo 7 métricas, comparación temporal, alertas y conclusión escrita.
9 guías de analítica y KPIs
Organizadas en tres niveles según la complejidad.
Nivel inicial — Fundamentos 01¿Qué es la analítica de marketing?
Marco completo: de datos a decisiones, 4 niveles de analítica.
¿Qué es un KPI?
Definición rigurosa: qué hace que una métrica sea KPI y test de 3 preguntas.
Métricas vs KPIs
Diferencias críticas, vanity metrics y cuándo usar cada tipo.
Árbol de métricas
Estructurar jerárquicamente: de North Star a inputs accionables.
Dashboards de marketing
Diseñar dashboards que informan decisiones, no solo muestran números.
North Star Metric
La métrica que mejor predice éxito de largo plazo. Cómo elegirla.
Analítica predictiva
Modelos que predicen comportamiento futuro, no solo explican el pasado.
Data-driven vs data-informed
Cuándo seguir datos y cuándo usar criterio además de datos.
Cultura data-driven
Construir organizaciones donde las decisiones se toman con evidencia.
Preguntas frecuentes
¿Cuántos KPIs necesito?
1 North Star Metric + 3-5 KPIs operativos. Más diluye foco. Si no podés recordar tus KPIs sin mirar una lista, tenés demasiados.
¿Cómo saber si una métrica es buen KPI?
Test de 3 preguntas: (1) ¿Informa decisiones? (2) ¿Es accionable? (3) ¿Es leading o lagging? Si mirás la métrica y no cambia lo que hacés, no es KPI.
¿Data-driven vs data-informed?
Data-driven: datos dictan la decisión (táctico, reversible). Data-informed: datos informan pero no reemplazan criterio (estratégico). Las mejores organizaciones usan ambos según el tipo de decisión.
Referencias y bibliografía
Kaushik, A. (2009). Web Analytics 2.0. Sybex.
Croll, A., & Yoskovitz, B. (2013). Lean Analytics. O’Reilly.
Few, S. (2013). Information Dashboard Design (2nd ed.). Analytics Press.
Davenport, T. H. (2007). Competing on Analytics. Harvard Business Review Press.
Kohavi, R., et al. (2020). Trustworthy Online Controlled Experiments. Cambridge University Press.
Goodhart, C. A. E. (1975). Problems of monetary management. Papers in Monetary Economics, Reserve Bank of Australia.
Términos relacionados