En esta guía
- Por qué analytics es la disciplina más subestimada
- El stack de analytics 2026
- Google Analytics 4: lo que cambió y cómo usarlo bien
- Atribución: el problema que ningún canal resuelve solo
- Los KPIs que sí importan (por tipo de negocio)
- El nuevo mundo post-cookies y privacy-first
- Dashboards: qué medir vs qué reportar
- Errores comunes en marketing analytics
- Preguntas frecuentes
Marketing analytics es la disciplina que separa decisiones data-driven de decisiones basadas en intuición. En 2026, con la muerte de las cookies de terceros, restricciones de privacidad cada vez más estrictas, y plataformas que ofrecen atribución conflictiva, hacer marketing analytics bien es más difícil que nunca — pero también más diferenciador. Esta es la guía honesta de qué medir, cómo medirlo, qué herramientas usar, y cómo no engañarte con métricas vanidosas.
Por qué analytics es la disciplina más subestimada
Tres razones por las que analytics es desproporcionadamente importante en 2026:
- Sin analytics, no podés optimizar. Cada decisión sin datos es adivinar. En un entorno competitivo, las empresas que toman decisiones data-driven aplastan a las que adivinan.
- Sin analytics, no podés escalar lo que funciona. Si no sabés qué canal trae los clientes más valiosos, no podés invertir más en ese canal con confianza. El crecimiento se vuelve random.
- Sin analytics, no podés justificar presupuesto. CFO/CEO/investors piden números. Sin tracking, dependés de "vibes" y eso pierde batallas presupuestarias.
El paradoxa: la mayoría de las empresas saben que analytics importa pero invierten desproporcionadamente poco en él. El resultado: stacks de analytics rotos, dashboards que nadie mira, KPIs que no se entienden. El differential entre empresas con analytics serio vs mediocre es enorme.
El stack de analytics 2026
Nivel 1 — Web analytics
Tracking de tráfico al sitio. Las opciones:
- Google Analytics 4 — gratis, dominante, pero complejo y con limitaciones de privacy
- Plausible Analytics — privacy-first, simple, $9–$59 USD por mes
- Fathom Analytics — privacy-first, $14–$140 USD por mes
- Adobe Analytics — enterprise, $50K+ USD por año
- Matomo — open source, self-hosted o cloud
Nivel 2 — Product analytics
Para SaaS, apps, productos digitales que requieren tracking de comportamiento del usuario:
- Mixpanel — gratis hasta 100K eventos/mes, después pricing variable
- Amplitude — gratis hasta cierto volumen, después enterprise pricing
- Heap — tracking automático sin configuración manual
- PostHog — open source, alternativa a Mixpanel
Nivel 3 — Customer data platform (CDP)
Consolidar data de múltiples sources. Para empresas medianas a grandes:
- Segment — el más popular, $120+ USD por mes
- RudderStack — alternativa open source
- mParticle — enterprise CDP
Nivel 4 — BI y visualización
Para reportes complejos y dashboards executive:
- Looker Studio (ex Data Studio) — gratis, conecta con GA4
- Tableau — enterprise, $70–$840 USD por usuario por año
- Power BI — Microsoft, integración con stack MS
- Metabase — open source, alternativa gratis
Nivel 5 — Attribution
Para multi-touch attribution serio:
- Triple Whale — ecommerce attribution
- Northbeam — marketing attribution
- Rockerbox — multi-touch attribution
- Modelos custom en data warehouse (BigQuery, Snowflake) para empresas con equipo de data
Google Analytics 4: lo que cambió y cómo usarlo bien
GA4 reemplazó a Universal Analytics en julio 2023. Es fundamentalmente diferente. Lo que cambió:
- Event-based en lugar de session-based. Cada acción es un evento, no parte de una sesión predefinida. Más flexible pero menos intuitivo.
- Cross-platform por default. Web + app + multi-domain unificados.
- Más limitaciones por privacy. Datos agregados, sin user-level individual tracking en muchos casos.
- Integración nativa con BigQuery. Acceso a raw data para análisis avanzado.
- Reportes pre-built menos útiles. Requiere más configuración custom para reportes que en UA eran out-of-the-box.
Lo que necesitás configurar bien en GA4
- Enhanced measurement activado (scroll, outbound clicks, file downloads, etc).
- Custom events para las acciones específicas de tu negocio (clicks en CTAs, formularios completados, video plays).
- Conversions marcados explícitamente.
- Audiences para remarketing y segmentación.
- Cross-domain tracking si tu funnel cruza dominios.
- Filtros de bot traffic e internal traffic.
- BigQuery export activado desde el día 1 (datos históricos no se pueden recuperar después).
Atribución: el problema que ningún canal resuelve solo
El problema de atribución: ¿qué canal "se lleva el crédito" por una conversión cuando el usuario interactuó con varios? Diferentes modelos de atribución dan respuestas diferentes:
Last-click attribution
El último canal antes de la conversión se lleva el 100% del crédito. Default histórico de GA4. Simple pero produce decisiones malas — infravalora canales que alimentan el funnel temprano.
First-click attribution
El primer canal se lleva el 100% del crédito. Opuesto extremo. Sobrevalúa awareness e infravalua conversion.
Linear attribution
Cada canal en el path se lleva una parte igual del crédito. Más justo que last/first click pero asume que cada touchpoint vale lo mismo (no es cierto).
Time-decay attribution
Canales más cercanos a la conversión se llevan más crédito. Razonable para ciclos de venta cortos. Menos preciso para ventas B2B largas.
Data-driven attribution (DDA)
Algoritmo de machine learning de Google asigna crédito basándose en patterns de conversión específicos a tu negocio. Default nuevo de GA4. Mejor que los modelos rule-based pero opaco.
El reality check
Ningún modelo de atribución es "correcto". Todos son aproximaciones imperfectas a una pregunta filosóficamente imposible (¿qué hubiera pasado si...?). El framework operativo: usar múltiples modelos en paralelo, identificar cuándo dan respuestas similares (alta confianza) vs cuándo dan respuestas distintas (necesita más análisis).
Incrementality testing
El único approach que de verdad mide impacto causal: experimentos de incrementalidad (geo testing, holdout groups). Más costoso de ejecutar pero produce conclusiones genuinas en lugar de aproximaciones.
Los KPIs que sí importan (por tipo de negocio)
Ecommerce
- Conversion rate
- Average Order Value (AOV)
- Customer Acquisition Cost (CAC) por canal
- Return on Ad Spend (ROAS)
- Customer Lifetime Value (CLV)
- Repeat purchase rate
- Cart abandonment rate
SaaS
- MRR / ARR (Monthly/Annual Recurring Revenue)
- Churn rate (logo y revenue)
- CAC y CAC payback period
- LTV/CAC ratio
- Net Revenue Retention (NRR)
- Activation rate (% de signups que activan)
- Expansion revenue
Content sites / publishers
- Páginas por sesión
- Tiempo en sitio
- RPM (revenue per mille de ads)
- Email subscribers
- Bounce rate (con calibración — no siempre malo)
- Returning visitor rate
Lead generation / servicios
- Leads cualificados por mes
- Cost per qualified lead
- Lead-to-customer conversion rate
- Sales cycle length
- Average contract value
El nuevo mundo post-cookies y privacy-first
Chrome deprecó third-party cookies en 2024. Apple ITP, Safari, Firefox ya las bloqueaban antes. La era de tracking cross-site detallado terminó. Lo que reemplazó:
- First-party data: data que vos recolectás directamente del usuario (con consentimiento). Más valiosa que nunca.
- Server-side tracking: tracking que se hace del lado del servidor, no del navegador. Más robusto frente a ad blockers.
- Privacy-first analytics tools: Plausible, Fathom, Simple Analytics — no necesitan cookies para básico tracking.
- Conversions APIs: Facebook CAPI, Google Enhanced Conversions. Tracking que va directo de tu server a la plataforma de ads.
- Cohort-based targeting: en lugar de tracking individual, agrupar usuarios en cohorts. Google's Topics API es el ejemplo principal.
El cumplimiento regulatorio
GDPR (UE), CCPA/CPRA (California), LGPD (Brasil), México y otros. Las prácticas obligatorias en 2026:
- Cookie banner con consentimiento explícito (opt-in, no opt-out)
- Política de privacidad detallada y accesible
- Mecanismo de Data Subject Access Request (DSAR)
- Retention policy definida y aplicada
- DPO (Data Protection Officer) para empresas con scale considerable
Dashboards: qué medir vs qué reportar
El error común
Confundir métricas operativas con métricas executive. Un dashboard con 50 métricas es ruido. Un dashboard con 5 métricas bien elegidas dirige decisiones.
Tres niveles de dashboards
- Operational dashboards (para el equipo que ejecuta): granulares, en tiempo real, muchas métricas, identifican problemas rápido.
- Managerial dashboards (para managers): agregados semanales/mensuales, mid-level metrics, trade-offs visibles entre canales.
- Executive dashboards (para C-suite/board): 3–8 métricas top, tendencia clara, sin necesidad de explicación.
Principios de buen dashboard
- Una métrica primaria visible inmediatamente
- Comparación con periodo anterior (semana vs semana, mes vs mes)
- Comparación con target (estoy arriba o abajo del objetivo)
- Segmentación por dimensión clave (canal, producto, etc)
- Drilldown disponible pero no obligatorio
- Actualización automatizada — sin trabajo manual recurrente
Errores comunes en marketing analytics
- Trackear todo sin priorizar. 200 eventos custom configurados, nadie los mira, decisiones se toman sin data. Mejor 20 eventos bien definidos que se usen.
- Confundir correlación con causación. "Los usuarios que ven más videos compran más" no significa que ver videos cause más compras — puede ser que los usuarios con mayor intent vean más videos.
- Modelo de atribución único. Confiar en last-click solo o cualquier otro modelo único sin triangular con otros approaches genera decisiones sesgadas.
- Ignorar el contexto del periodo. Estacionalidad, lanzamientos, eventos externos. Comparaciones year-over-year deben ajustarse por contexto.
- Vanity metrics tomadas como serias. Page views, likes, impressions — útiles como indicadores pero no como objetivos. Foco en métricas downstream que conectan con revenue.
- No documentar las definiciones de métricas. "Active user" significa cosas distintas para diferentes equipos. Sin documentación, los dashboards reportan métricas que nadie entiende igual.
- Setup inicial completo y después abandonarlo. Tracking que se configuró hace 2 años, los eventos no se actualizaron, los reportes están rotos. Mantenimiento continuo es parte del costo de analytics serio.
- Confiar exclusivamente en lo que la plataforma reporta. Facebook Ads dice que generó 50 conversiones; Google Analytics dice 30; tu backend dice 25. Cada plataforma sobrereporta por incentivos. La verdad típicamente está más cerca del backend.
Preguntas frecuentes
¿Qué herramienta de analytics debo usar?
Mínimo: Google Analytics 4 (gratis). Si privacy es priority: Plausible o Fathom como alternativa. Para SaaS/apps: agregar Mixpanel, Amplitude o PostHog. Para empresas medianas+: considerar Segment como CDP. Para reporting executive: Looker Studio o Tableau.
¿Cómo configurar GA4 bien desde el inicio?
Activar enhanced measurement, definir custom events para acciones clave de tu negocio, marcar conversions explícitamente, configurar audiences para remarketing, activar BigQuery export desde el día 1 (datos históricos no se pueden recuperar), filtrar bot traffic e internal traffic, configurar attribution model que matchee tu ciclo de venta.
¿Cuál es el mejor modelo de atribución?
Ninguno es "correcto" — todos son aproximaciones. Para ciclos cortos: time-decay funciona bien. Para complejos B2B: data-driven attribution o multi-touch. Lo mejor: usar múltiples modelos en paralelo. Para impacto causal real: incrementality testing (geo holdouts, etc), más costoso pero produce conclusiones genuinas.
¿Cómo afecta el end de third-party cookies a mi tracking?
Significativamente. Tracking cross-site detallado ya no es posible. Solución: priorizar first-party data, implementar server-side tracking (Conversions API), usar privacy-first analytics tools, y considerar tracking basado en cohorts en lugar de individual. El re-architecture es trabajo de 2–6 meses para programas serios.
¿Cuáles son los KPIs más importantes para medir?
Depende del modelo de negocio. Pero universalmente: Customer Acquisition Cost (CAC) y Customer Lifetime Value (CLV) son las dos métricas que importan. La ratio CLV/CAC define si el negocio es sustentable a largo plazo. Todo lo demás son métricas intermedias.
¿Cuánto cuesta tener un stack de analytics serio?
Mínimo viable: $0–$200 USD por mes (GA4 + alternative privacy tools + Looker Studio gratis). Stack profesional: $300–$2,000 USD por mes (Mixpanel + Segment Starter + paid privacy analytics). Stack enterprise: $5,000–$50,000+ USD por mes (Adobe, custom data warehouse, attribution tools, BI suite).
Para el contexto donde analytics se aplica: funnel de ventas digital para entender qué medir en cada etapa, CRO para la disciplina de optimización basada en datos, Google Ads vs Meta Ads para el contexto de attribution en paid channels.