Cómo hacer analítica de marketing: de la pregunta a la decisión.
Un método para formular buenas preguntas, elegir evidencia, validar datos, analizar patrones sin confundir correlación con causalidad y convertir resultados en decisiones que realmente cambien algo.
- Empezar por una decisión
- Convertir la pregunta en evidencia
- Validar datos antes de analizarlos
- Elegir el tipo de análisis
- Comparar correctamente
- Separar asociación de causalidad
- Pasar de hallazgo a decisión
- Diseñar una cadencia analítica
- Ejemplo aplicado
- Errores frecuentes
- Preguntas frecuentes
- Referencias y bibliografía
La analítica empieza antes de abrir GA4, un CRM o una planilla.
La analítica de marketing es útil cuando reduce incertidumbre sobre una decisión. Por eso una buena práctica es empezar con una pregunta que pueda cambiar una acción, no con una fuente de datos que “hay que mirar”.
¿Qué pasó con el tráfico?
Puede producir una descripción interesante, pero todavía no deja claro qué decisión está en juego.
¿La caída proviene del segmento que genera oportunidades comerciales?
Define una población relevante, orienta la segmentación y puede cambiar una decisión de adquisición o contenido.
Una pregunta analítica mejora cuando explicita al menos cuatro cosas: qué resultado importa, sobre qué población, durante qué período y qué decisión podría cambiar. No siempre hace falta escribirlas formalmente, pero sí entenderlas.
Si el análisis da A, ¿qué haríamos? Si da B, ¿haríamos algo distinto? Si ambas respuestas llevan a la misma acción, la pregunta todavía no está suficientemente conectada con una decisión.
Traducí la pregunta a métricas, dimensiones, segmentos y fuentes.
Una vez definida la decisión, la siguiente tarea es especificar qué evidencia permitiría responderla. Acá se conecta la analítica con la medición de marketing: medir define qué observar y cómo representarlo; analizar usa esas observaciones para responder una pregunta.
La traducción puede organizarse así:
Qué querés explicar o evaluar
Revenue, conversión, retención, demanda, preferencia, margen, leads aceptados u otra variable relevante.
Sobre quién o qué
Clientes, cuentas, sesiones, campañas, productos, regiones, cohortes o segmentos definidos.
Contra qué referencia
Período previo, objetivo, cohorte, segmento, control, benchmark pertinente o escenario esperado.
De dónde sale la evidencia
CRM, analytics, ads, ecommerce, encuestas, experimentos, investigación cualitativa u otras fuentes combinadas.
Los KPIs ayudan a priorizar qué indicadores son clave para un objetivo, pero la analítica puede necesitar también métricas secundarias y dimensiones explicativas. El error es convertir el dashboard principal en el límite de lo que puede preguntarse.
03 — CalidadAntes de explicar un cambio, comprobá que el cambio exista en los datos.
Un análisis sofisticado sobre datos inconsistentes produce una respuesta sofisticadamente incorrecta. El tracking puede fallar, las definiciones pueden cambiar, un CRM puede duplicar registros o una integración puede empezar a enviar valores diferentes sin que el dashboard lo haga evidente.
| Control | Pregunta | Problema que evita |
|---|---|---|
| Definición | ¿La métrica significa lo mismo durante todo el período? | Comparar series cuya lógica cambió. |
| Completitud | ¿Faltan fuentes, días, eventos, segmentos o registros? | Interpretar una caída de captura como caída real. |
| Duplicación | ¿El mismo evento o entidad puede contarse más de una vez? | Inflar conversiones, clientes o revenue. |
| Denominador | ¿La base de cálculo es comparable? | Comparar tasas construidas sobre universos distintos. |
| Granularidad | ¿La unidad de análisis coincide con la pregunta? | Mezclar usuarios, sesiones, cuentas, pedidos o campañas. |
La validación no tiene que convertirse en una auditoría interminable. Tiene que ser proporcional al riesgo de la decisión. Cuanto mayor sea el costo de equivocarse, mayor debe ser la exigencia sobre definición, trazabilidad y calidad.
04 — MétodoDescriptiva, diagnóstica, predictiva, causal y prescriptiva responden preguntas distintas.
No conviene tratarlas como una escalera donde “predictiva” es automáticamente más madura que “descriptiva”. El método correcto es el que responde la pregunta con el nivel de rigor necesario.
¿Qué ocurrió?
Resume niveles, cambios, distribuciones, tendencias y composición. Puede ser suficiente para detectar dónde mirar.
¿Qué patrones acompañan el cambio?
Segmenta, compara y explora relaciones para construir o descartar explicaciones plausibles.
¿Qué resultado es probable?
Estima resultados futuros o probabilidades usando información disponible y un modelo validado para ese propósito.
¿Qué efecto produjo una intervención?
Busca estimar qué habría ocurrido sin la intervención mediante experimentos o métodos de inferencia causal.
¿Qué acción conviene bajo ciertos supuestos?
Combina estimaciones, restricciones, objetivos y criterios para comparar decisiones posibles.
Una organización puede hacer excelente analítica descriptiva y mala predictiva, o necesitar causalidad sin necesitar predicción. La sofisticación debería seguir al problema, no al deseo de usar una técnica más compleja.
05 — ComparaciónLos promedios agregados suelen esconder la parte que importa.
Cuando un KPI cambia, el siguiente paso rara vez debería ser buscar una historia inmediata. Primero conviene descomponer. El cambio puede concentrarse en un canal, un segmento, una cohorte, una región, una categoría, un dispositivo o una etapa del recorrido.
La segmentación y el análisis por cohortes ayudan a evitar que promedios mezclados generen explicaciones falsas. También importa elegir comparaciones equivalentes: días con distinta estacionalidad, campañas con presupuestos distintos o cohortes con ventanas de observación diferentes pueden producir diferencias que no significan lo que parecen.
Total → segmento → cohorte → canal/fuente → etapa → anomalías. No es una receta universal, pero obliga a localizar dónde vive el cambio antes de intentar explicarlo.
También revisá el denominador
Una tasa puede mejorar aunque el resultado absoluto empeore, y viceversa. Si conversión pasa de 2% a 3%, necesitás saber sobre qué universo. Si churn “baja”, necesitás saber qué clientes entraron al denominador y durante qué ventana. Muchas discusiones analíticas son, en realidad, discusiones de definición.
06 — CausalidadEncontrar una relación no demuestra qué causó el resultado.
Si inversión y ventas suben al mismo tiempo, puede existir una relación causal, pero la serie por sí sola no la demuestra. Estacionalidad, promociones, distribución, cambios de precio, demanda previa u otros factores pueden mover ambas variables.
La incrementalidad plantea explícitamente la pregunta causal: cuál fue el efecto adicional de una intervención respecto de lo que habría ocurrido sin ella. La atribución, en cambio, asigna crédito según reglas o modelos y no debería confundirse automáticamente con causalidad.
Dos variables cambian juntas
Puede ser útil para detectar patrones, segmentar o formular hipótesis. No prueba por sí sola mecanismo causal.
La intervención cambió el resultado
Requiere un contrafactual defendible y un diseño capaz de separar el efecto de otras explicaciones.
No toda decisión necesita un experimento. Pero toda conclusión debería ser honesta sobre el tipo de evidencia que tiene y el tipo de afirmación que puede sostener.
07 — DecisiónUn hallazgo no es una decisión hasta que explicita qué cambia.
“El canal A convierte mejor” es un hallazgo incompleto. Puede deberse a una audiencia distinta, a una etapa diferente del recorrido, a una medición desigual o a una economía que cambia cuando se escala. Para convertirlo en decisión hay que agregar contexto y criterio.
Qué muestra la evidencia
Una diferencia, tendencia, relación, patrón o estimación con sus límites.
Qué podría significar
Hipótesis explicativas separadas de los hechos observados.
Qué riesgo u oportunidad crea
Por qué el resultado importa para el objetivo o la estrategia.
Qué hacemos diferente
Asignar, probar, detener, profundizar, investigar o mantener una acción.
La salida de la analítica no debería ser “tenemos un insight”. Debería ser una decisión mejor informada, una hipótesis más precisa o una pregunta que ahora sabemos que necesitamos responder.
Diseñá una cadencia distinta para monitorear, diagnosticar y decidir.
No todo merece revisión diaria. Una métrica operativa puede necesitar monitoreo frecuente; una tendencia de marca, una cohorte de retención o una evaluación económica pueden requerir ventanas más largas. La frecuencia debe seguir la velocidad del fenómeno y la velocidad con la que una decisión puede cambiarlo.
¿Algo se salió de rango?
Alertas y KPIs operativos detectan cambios que justifican atención.
¿Qué explica suficientemente el cambio?
Segmentación, cohortes, comparaciones y análisis específicos reducen el espacio de hipótesis.
¿Qué cambiaremos y qué esperamos?
Documentar la acción y la expectativa permite aprender después si la lectura fue útil.
Los dashboards de marketing son útiles para monitoreo y orientación, pero no deberían intentar contener cada análisis posible. Una pregunta nueva puede necesitar una consulta, corte o modelo que nunca estuvo previsto en el panel.
09 — EjemploEjemplo: “el CAC aumentó” todavía no es un diagnóstico.
Un equipo detecta que el costo de adquisición aumentó 28% en seis semanas. Podría reaccionar recortando presupuesto. Antes, formula una pregunta más útil: ¿el deterioro proviene de pagar más por la misma calidad de cliente o de un cambio en el mix que trae clientes diferentes?
Primero valida definiciones: el CAC usa el mismo costo y la misma unidad de cliente durante todo el período. Luego segmenta por canal, campaña, región y cohorte. Descubre que el costo por lead cambió poco, pero la proporción de leads aceptados por ventas cayó en campañas de un segmento nuevo.
Al revisar CRM y mensajes, encuentra que ese segmento interpreta la propuesta de otra manera y genera consultas con menor encaje. El problema no es solamente “media más cara”. La hipótesis pasa a ser una combinación de targeting y mensaje.
La decisión es detener temporalmente la expansión de ese segmento, reformular el mensaje y ejecutar una prueba controlada. El análisis no produjo una explicación definitiva de toda la variación; produjo una intervención mejor dirigida y una forma de aprender si la hipótesis era correcta.
10 — Errores frecuentesErrores que convierten datos disponibles en decisiones débiles.
Empezar por la herramienta
“Miremos GA4” no define qué incertidumbre se intenta reducir ni qué decisión podría cambiar.
Buscar una explicación antes de validar el dato
Un cambio de tracking o definición puede parecer un cambio del negocio.
Tratar un promedio como si representara a todos
Segmentos y cohortes pueden comportarse de manera opuesta dentro del mismo total.
Confundir correlación con causalidad
Una asociación puede orientar una hipótesis, pero no demuestra automáticamente el efecto de una intervención.
Creer que más complejidad significa más rigor
Un modelo sofisticado no compensa una pregunta ambigua, datos deficientes o supuestos incorrectos.
Aplicar reglas universales sobre cantidad de datos
No existe un número fijo de meses, usuarios o observaciones que sirva para todas las preguntas y métodos.
Terminar en un insight sin decisión
Si nadie sabe qué cambia después del análisis, su valor operativo es limitado.
No registrar límites e incertidumbre
La misma cifra puede sostener decisiones distintas según la precisión, el sesgo y los supuestos que la acompañan.
Preguntas frecuentes sobre cómo hacer analítica de marketing.
¿Cómo se hace analítica de marketing?
Empezá por una decisión o pregunta concreta, definí qué evidencia permitiría responderla, revisá métricas y fuentes, validá calidad y comparabilidad, aplicá el análisis adecuado y traducí el resultado en una decisión, una hipótesis nueva o una necesidad de medición adicional.
¿Qué datos necesito para empezar?
No existe una cantidad ni un período universal. Depende de la pregunta, la frecuencia del fenómeno, la segmentación, la variabilidad y el método. Algunas preguntas admiten pocos datos bien definidos; otras requieren series largas, muestras mayores o diseños específicos.
¿Analítica y medición de marketing son lo mismo?
No. La medición define qué observar, cómo representarlo mediante métricas, con qué datos y bajo qué reglas. La analítica aplica métodos sobre esas observaciones y otras fuentes para describir, explicar, modelar, predecir o apoyar decisiones.
¿Descriptiva, diagnóstica, predictiva y prescriptiva son niveles de madurez?
No necesariamente. Son tipos de preguntas y métodos. Una decisión puede necesitar una descripción rigurosa y no beneficiarse de un modelo predictivo. La sofisticación útil depende del problema.
¿La analítica de marketing demuestra causalidad?
No por defecto. Puede encontrar patrones y asociaciones sin demostrar qué los causó. Para preguntas causales hacen falta diseños y métodos apropiados, como experimentos o inferencia causal con supuestos explícitos.
¿Cómo sé si un análisis fue útil?
Si reduce incertidumbre relevante y cambia una decisión, prioridad, hipótesis, intervención o necesidad de medición. Un análisis puede ser técnicamente correcto y aportar poco si no afecta ninguna decisión importante.
Referencias y bibliografía.
Wedel, M. & Kannan, P. K. (2016). “Marketing Analytics for Data-Rich Environments”. Journal of Marketing, 80(6), 97–121.
Farris, P. W., Bendle, N. T., Pfeifer, P. E. & Reibstein, D. J. Marketing Metrics: The Manager’s Guide to Measuring Marketing Performance. Pearson.
Davenport, T. H. & Harris, J. G. (2007). Competing on Analytics: The New Science of Winning. Harvard Business School Press.
Kohavi, R., Tang, D. & Xu, Y. (2020). Trustworthy Online Controlled Experiments. Cambridge University Press.
SAS. Marketing Analytics: What it is and why it matters.
Para seguir