Analítica y KPIs: la diferencia entre medir y saber qué hacer.
Primer subhub del cluster Rendimiento. Cierra el motor de crecimiento y abre la disciplina que lo convierte en sistema predecible. Medir es fácil; saber qué hacer con lo medido es lo que separa equipos data-driven de equipos con dashboards que nadie mira.
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 y por qué importa
- Los 3 niveles de madurez analítica
- Los 5 pilares de un sistema de KPIs
- El árbol de métricas: de la NSM a inputs accionables
- Qué incluye y qué no incluye
- Conexiones con otros subhubs y clusters
- La trampa de Goodhart: cuando la métrica deja de ser útil
- Errores frecuentes
- 9 guías de analítica y KPIs
- Preguntas frecuentes
- Referencias y bibliografía
Qué es la analítica de marketing y por qué importa
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 (Wiley, 2009): 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 hacer (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 (O'Reilly, 2013): 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, la atribución y la experimentación no tienen dirección. Tracking sin KPIs definidos genera datos que nadie usa; experimentos sin métricas claras no resuelven nada.
Los 3 niveles de madurez analítica
Según cómo usa datos para decidir, un equipo está en uno de tres niveles. La diferencia no es el tamaño del stack tecnológico: es la conexión entre datos y decisiones.
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 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 anticipa el futuro.
Analítica predictiva y prescriptiva
Modelos que predicen churn, LTV por cohorte, conversión esperada. La analítica no solo explica; anticipa y recomienda. Cultura data-driven donde cada equipo tiene KPIs, cada decisión tiene evidencia y cada hipótesis se testea.
La mayoría está 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. El salto a nivel 3 es más sofisticado pero requiere base sólida en nivel 2; sin árbol claro, los modelos predictivos predicen ruido.
Los 5 pilares de un sistema de KPIs
Un sistema de KPIs que realmente mueve el negocio tiene cinco pilares. Sin alguno, el sistema falla en silencio: parece que medís, pero no estás decidiendo mejor.
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: refleja valor entregado al cliente, es leading indicator de revenue, y 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 para corregirlo.
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 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 dos preguntas: ¿qué aprendimos? ¿Qué hacemos distinto?
El árbol de métricas: de la NSM a inputs accionables
El árbol de métricas es el método concreto para conectar la métrica más alta del negocio con las palancas que cada equipo controla. Sin árbol, "mejorar el negocio" es una ambición; con árbol, es una secuencia de inputs específicos que cada equipo puede mover el lunes a la mañana. Es la pieza que convierte un sistema analítico en operación real.
Árbol de métricas — de NSM a inputs accionables
Sin árbol, cada equipo optimiza su métrica sin saber si mueve la NSM. Con árbol, la cadena causal es explícita.
El mejor sistema de KPIs que implementé no fue el más sofisticado: fue el más simple. 1 North Star que todos entendían más 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
Analítica solapa con varios subhubs adyacentes del cluster Rendimiento. Acotar el territorio evita confundir KPIs con tracking, dashboards con reporting, OKRs con KPIs.
- KPIs, árboles de métricas, North Star Metric
- Dashboards operativos y analítica descriptiva/predictiva
- Cultura data-driven y data-informed
- Métricas leading vs lagging y cadencias de revisión
- Tracking técnico → Tracking, GTM y Data Layer
- Atribución multi-canal → Atribución y Medición
- A/B testing → Experimentación
- Reporting ejecutivo → Reporting y Dashboards
- CAC/LTV → Unit Economics
- OKRs y objetivos → Estrategia · Objetivos y North Star
Conexiones con otros subhubs y clusters
Analítica abre el cluster Rendimiento conectando con todo lo construido previamente. La NSM no se elige en un vacío: refleja la estrategia, la oferta y el segmento. Y prepara las decisiones que vendrán en los subhubs siguientes.
Estrategia — Diagnóstico estratégico
El árbol de métricas refleja el modelo de negocio que el diagnóstico estratégico definió. Si la estrategia es freemium, la NSM es engagement. Si es enterprise, es ARR. La métrica sigue al modelo, no al revés.
Estrategia — Objetivos y North Star
La NSM analítica baja a inputs operativos lo que la North Star estratégica define a alto nivel. La conexión bidireccional es: si analítica reporta que los inputs no mueven la NSM, la estrategia necesita revisión.
Oferta — Experiencia y entrega
El "aha moment" como input del KPI de activación aparece acá. Sin experiencia que dispare el aha, los datos del árbol son síntoma, no causa. La métrica refleja el producto, no lo reemplaza.
Mercado — Segmentación e ICP
Los KPIs deben segmentarse por buyer persona y por canal. Métricas globales esconden problemas: tu NSM puede subir 5% en promedio mientras un segmento clave cae 15%. Sin segmentación, no ves el patrón.
Marca — Brand equity y activos distintivos
Las métricas brand (awareness, recall, asociaciones) son el caso clásico de leading indicator difícil de medir. No aparecen en GA pero predicen revenue futuro. Si tu árbol no incluye una rama brand, estás midiendo solo lo que es fácil de capturar.
Crecimiento — Conversión y CRO
La conversión es uno de los inputs más recurrentes del árbol. Sin sistema de KPIs, los tests de CRO se eligen por intuición. Con árbol, los experimentos atacan los inputs que más mueven la NSM.
Crecimiento — Partnerships y co-marketing
Sin medición por canal de partner, las alianzas se sostienen por inercia, no por resultado. Analítica define qué medís de cada partnership; sin ese marco, los partners se evalúan por sensación.
Rendimiento — Unit economics
CAC y LTV son inputs del árbol pero merecen capítulo propio porque deciden si el modelo es viable. La analítica los mide; unit economics los interpreta como salud del negocio.
Fidelización — Retención y churn
La retención es el input más subestimado del árbol. Movés 10% la retención y mejorás más la NSM que duplicando adquisición. Por eso casi siempre es leading indicator de salud de negocio.
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. Es estructural: cualquier KPI que se convierte en objetivo y bonus genera incentivos para gamearlo.
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 KPI principal más guardrail metrics 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 con el tiempo.
Errores frecuentes en analítica y KPIs
Confundir métricas con KPIs
Pageviews, impresiones, followers son métricas, no KPIs. Un KPI debe medir progreso hacia un objetivo, ser accionable e informar decisiones. Si mirás una métrica y no cambia lo que hacés, no es KPI: es ruido.
Demasiados KPIs
15 KPIs equivale a 0 KPIs. Un equipo puede trackear 50 métricas pero solo operar sobre 5 a 7. La regla práctica: 1 NSM más 3 a 5 KPIs operativos. Más diluye foco; menos no captura la complejidad del negocio.
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 metrics que protegen el resultado real.
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 temprano.
Dashboards que nadie mira
Si el dashboard requiere 20 minutos de interpretación, no funciona. Máximo 7 métricas, comparación temporal, alertas automáticas y conclusión escrita que diga qué hacer.
9 guías de analítica y KPIs
Las 9 guías cubren el tema de principio a fin, en tres niveles según la complejidad estratégica.
Nivel inicial — Fundamentos 01¿Qué es la analítica de marketing?
Marco completo: de datos a decisiones, los 4 niveles de analítica.
¿Qué es un KPI?
Definición rigurosa: qué hace que una métrica sea KPI y test de tres 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 y 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 sobre analítica y KPIs
¿Cuántos KPIs necesito?
1 North Star Metric más 3 a 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 tres 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: The Art of Online Accountability and Science of Customer Centricity. Sybex/Wiley.
Croll, A., & Yoskovitz, B. (2013). Lean Analytics: Use Data to Build a Better Startup Faster. O'Reilly.
Few, S. (2013). Information Dashboard Design: Displaying Data for At-a-Glance Monitoring (2nd ed.). Analytics Press.
Davenport, T. H., & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business Review Press.
Kohavi, R., Tang, D., & Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press.
Goodhart, C. A. E. (1975). Problems of monetary management: The U.K. experience. Papers in Monetary Economics, Reserve Bank of Australia.
Términos relacionados