Analítica de conversiones: deja de mirar el promedio y empieza a entender qué carajo pasa
"Nuestra tasa de conversión es 2%." Felicidades, acabas de decir un número que no sirve para nada. Aquí aprendes a partirlo en pedazos, a encontrar dónde se escapa la gente y a no engañarte con tus propios datos.
¿Cómo se puede identificar por qué los visitantes abandonan una página?
Tu analítica te dice qué pasa: cuánta gente entra, por dónde sale, cuánto tarda. Pero casi nunca te dice por qué. Para el porqué necesitas escuchar al cliente: estudios de usabilidad, pruebas remotas, encuestas. Y prepárate, porque si crees que ya sabes lo que quiere tu cliente porque tú también compras por internet, estás completa y absolutamente equivocado.[1]
Paso 1: encuentra las páginas que sangran
En tu herramienta de analítica, ordena las páginas por tasa de salida. Pero ojo: si solo ordenas, te van a salir páginas rarísimas con 3 visitas y 100% de salida. Filtra por un volumen mínimo de tráfico para quedarte con las páginas importantes que pierden gente.[2]
Y no toda salida es mala. Alguien entra a una ficha de producto, lee las reseñas, encuentra lo que buscaba y se va. La tasa de salida por sí sola no te dice si el contenido es bueno o malo.[3] Una salida desde "Gracias por tu pedido" es una celebración, no un problema.
Paso 2: pregunta y observa
- Encuestas de salida o en página. Tres preguntas bastan: ¿a qué viniste?, ¿lo lograste?, si no, ¿por qué no?[1]
- Pruebas de usabilidad con personas reales intentando hacer una tarea (reservar, comprar).
- Mapas de calor y grabaciones de sesiones (más abajo te explico cómo combinarlos).
- Habla con soporte y ventas. Las preguntas que reciben por teléfono son las respuestas que faltan en tu web.
Paso 3: busca el problema antes del síntoma
Muchas veces el problema aparece en una página pero nace en otra. El caso clásico: mucho abandono en el carrito porque la gente usa el carrito para descubrir el costo de envío, que debería estar en la ficha del producto. Tu analítica te señala el carrito, pero el arreglo está antes.[2]
⚠️ Ninguna herramienta sola te da la respuesta. Las pruebas de usabilidad tienen sesgos (la gente se comporta distinto cuando sabe que la observan), las encuestas dicen lo que la gente cree que hace, y los mapas de calor muestran clics pero no intenciones. Sirven para generar hipótesis que luego compruebas con un experimento.[2]
¿Cómo se pueden identificar los puntos de mayor abandono dentro de un embudo de conversión?
Primero dibujas el embudo: cada paso desde la entrada hasta la meta. Luego, en cada paso, miras tres comportamientos posibles: avanza al siguiente paso, se desvía a otra parte del sitio, o se va. El objetivo es ver dónde se escapa más gente, para tapar primero las fugas más grandes.[4]
La tasa de deserción paso a paso
La conversión de un embudo es el producto de las pérdidas en cada paso. En cada escalón solo puede quedar igual o menos gente, nunca más.[4]
Abandono del paso = 1 − (Personas en el paso siguiente ÷ Personas en este paso)
| Paso | Personas | Abandono en el paso |
|---|---|---|
| 1. Página de reservas | 4,000 | — |
| 2. Eligen fecha y hora | 2,400 | 40% |
| 3. Formulario de datos | 1,900 | 21% |
| 4. Reserva confirmada | 760 | 60% |
El 60% de abandono en el formulario grita. Al revisarlo descubrieron que pedía tarjeta de crédito "para garantizar la reserva" en todas las mesas, incluso un martes a las 6 p.m. con el restaurante vacío.
Herramientas para encontrar las fugas
- Informes de embudo de tu herramienta de analítica (en GA4, las exploraciones de embudo).
- Separa carrito y checkout: son problemas distintos con soluciones distintas.[1]
- Crea un segmento con los que abandonaron en un paso concreto y aplícalo a otros informes, por ejemplo al de dispositivos, para ver dónde abandonan más.[5]
- Cuenta igual en todos los pasos. Si cuentas páginas vistas en vez de visitantes, las recargas inflan los números y la tasa sale distinta. Usa siempre la misma unidad.[6]
¿Cómo se calcula la tasa de conversión por segmento de audiencia, canal de adquisición y dispositivo?
Regla número uno de la analítica: segmenta o muere. Si agrupas a todos tus clientes en un solo número, nunca vas a entender su comportamiento.[7] Los datos agregados esconden los problemas.[3] Cuando se le preguntó a un panel de expertos qué le faltaba a la analítica web, respondieron casi a coro: segmentación.[5]
La fórmula es la misma, el filtro cambia
Tasa del segmento = Conversiones del segmento ÷ Visitas (o usuarios) del segmento × 100
El truco es que numerador y denominador sean del mismo segmento. No dividas las conversiones de móvil entre el total de visitas del sitio.
- Por canal de adquisición: búsqueda orgánica, anuncios, email, redes, directo, referidos. Etiqueta tus campañas con parámetros UTM o tu analítica no sabrá de dónde viene la gente.[5]
- Por dispositivo: escritorio, móvil, tableta. Aplicar un segmento de tráfico móvil te deja ver si el tráfico móvil sube mientras su conversión se queda estancada.[5]
- Por audiencia: nuevos vs recurrentes, país, idioma, página de entrada.
| Segmento | Visitas | Reservas | Conversión |
|---|---|---|---|
| Escritorio, Denver | 3,000 | 150 | 5.0% |
| Móvil, Denver | 7,000 | 210 | 3.0% |
| Móvil, turistas extranjeros | 4,000 | 40 | 1.0% |
| Escritorio, turistas extranjeros | 1,000 | 20 | 2.0% |
| Total | 15,000 | 420 | 2.8% |
El 2.8% "promedio" ocultaba que los turistas en móvil convertían al 1%. ¿Por qué? El formulario de reserva exigía un teléfono de Estados Unidos con formato (XXX) XXX-XXXX. Un número de Alemania o de México daba error. Ningún promedio te dice eso.
Cuidado con segmentar hasta el infinito: mientras más pequeño el segmento, más grande el margen de error.[8]
¿Cuál es la diferencia entre una tasa de conversión basada en sesiones y una basada en usuarios?
Depende de qué pongas abajo en la división:
Por sesiones = Conversiones ÷ Sesiones (visitas) Por usuarios = Usuarios que convirtieron ÷ Usuarios únicos
Como una persona puede visitar tu sitio varias veces, siempre hay más sesiones que usuarios. Por eso la tasa por sesiones sale más baja. Si ves un 1% de conversión en una web de hipotecas, no significa que convierte el 1% de la gente; significa que el 1% de las sesiones incluyó una conversión.[5]
¿Cuál uso?
Sesiones
Asume que cada visita es una oportunidad de vender. Tiene sentido cuando la misma persona compra varias veces en poco tiempo (comida a domicilio, por ejemplo).[1] Es más fácil de medir con precisión.
Usuarios
Refleja que la gente investiga en varias visitas antes de decidir: "visito, lo pienso, lo consulto con mi pareja y vuelvo a comprar". Muchos analistas lo prefieren para compras pensadas.[1]
¿Por qué las herramientas usaban sesiones por defecto? Porque contar usuarios únicos es mucho más difícil: la gente usa varios dispositivos y borra cookies, así que la tasa por usuarios tiene más margen de error.[5] En GA4, las conversiones ahora se llaman eventos clave, y tienes las dos métricas: "tasa de eventos clave de la sesión" y "tasa de eventos clave del usuario".[13]
📈 Lo importante no es cuál eliges, sino ser consistente y decir siempre cuál estás usando. Comparar la tasa por usuarios de este mes con la tasa por sesiones del mes pasado es hacer trampa (aunque sea sin querer). Y una subida de 5% a 6% no es "un 1% más": es un 20% de mejora.[5]
¿Qué métricas deben analizarse junto con la tasa de conversión para evitar conclusiones engañosas?
La tasa de conversión sola es como juzgar un restaurante solo por cuánta gente entra. Necesitas contexto:[3]
| Métrica | Por qué importa |
|---|---|
| Valor medio del pedido (AOV) | Puedes subir la conversión y bajar los ingresos. En un caso real, los pedidos más grandes llegaban justo cuando la conversión era más baja.[1] |
| Ingresos (o beneficio) por visitante | Une conversión y valor en un solo número. Si vendes productos con precios muy distintos, suele ser más útil que la conversión.[9] |
| Volumen total de conversiones y de tráfico | Subir de 2% a 20% espantando al 99% de tus visitas no es un logro.[1] |
| Días y visitas hasta la compra | Te dice si el cliente decide rápido o necesita varias visitas, y cambia cómo debes venderle.[1] |
| Abandono de carrito y de checkout | Te dice en qué parte del proceso se pierde la venta.[1] |
| Tasa de cumplimiento de la tarea | Mucha gente no viene a comprar (viene a buscar soporte o información). Mide si logró lo que vino a hacer.[3] |
| Calidad: devoluciones, cancelaciones, leads cualificados | Una conversión que se cancela no es una conversión. Lo vemos más abajo. |
🤭 Trampas típicas: la tasa de rebote se puede "mejorar" sin vender más. Basta con partir una página en dos o esconder el precio en una segunda página: baja el rebote, no suben las ventas.[2] Si la métrica mejora y el dinero no, la métrica te está mintiendo.
¿Cómo se puede distinguir entre una correlación y una relación causal en los datos de conversión?
"Correlación no implica causalidad" es la frase favorita de los estadísticos, y con razón. Que dos cosas pasen juntas no significa que una cause la otra: puede haber una tercera variable escondida (una "variable de confusión") moviendo a las dos.[9]
Ejemplo real: una empresa veía que el valor medio del pedido subía justo cuando la conversión bajaba. ¿Relación causal? No. Al investigar, descubrieron que cada vez que gastaban en atraer tráfico lo hacían tan mal que entraba gente de baja calidad que compraba poco. Cuando el marketing dejó de estorbar, el AOV y los ingresos subieron.[1]
El error del "antes y después"
La forma más común de engañarse: cambias la web, comparas el mes siguiente con el anterior y celebras. El problema es que entre un mes y otro cambiaron mil cosas que no controlas: la competencia lanzó una oferta, cambió la temporada, alguien habló bien (o mal) de ti en redes, Google movió el algoritmo.[2] Lo único peor que no medir es medir mal y creértelo.[2]
Cómo llegar a la causalidad
- Experimento controlado (prueba A/B): repartes visitantes al azar entre versiones, al mismo tiempo. Lo externo afecta a todos por igual, así que la diferencia la causa el cambio. Es el estándar de oro.[2]
- Cambia una cosa a la vez (o usa un diseño multivariante). Si un botón verde ganó, ¿fue el color, el contraste, el tamaño o el texto? Racionalizar después de la prueba es fabricar mitos.[9]
- Segmenta para aislar. Reducir el foco (una campaña, una frase clave, una página) aumenta la probabilidad de aislar la causa.[3]
- Busca el mecanismo: si no puedes explicar por qué A causaría B, sospecha.
Todo sobre cómo hacer experimentos bien: pruebas A/B sin hacer el ridículo.
¿Cómo influye la atribución de marketing en la interpretación de las conversiones?
Casi nadie compra en la primera visita. Antes de convertir, la persona vio un anuncio, leyó un email, buscó en Google, entró por Instagram... Cada contacto es un "punto de contacto". La atribución es decidir cuánto mérito se lleva cada uno (o cuánta culpa).[1]
Los modelos más comunes
| Modelo | Cómo reparte el mérito | Problema |
|---|---|---|
| Último clic | Todo para el último canal antes de convertir | Ignora lo que trajo al cliente. Durante años fue el estándar de la mayoría de herramientas.[1][10] |
| Primer clic | Todo para el primer contacto | Ignora lo que cerró la venta.[1] |
| Lineal / repartido | Partes iguales, o la mitad para el último y el resto repartido | Más justo, pero arbitrario.[1] |
| Personalizado / con decaimiento | Más peso a los contactos recientes | Requiere conocer muy bien tu negocio.[1] |
| Basado en datos | Un algoritmo reparte según el comportamiento real | Necesita mucho volumen y es una caja negra. |
Dato práctico: desde noviembre de 2023, GA4 ya no ofrece los modelos de primer clic, lineal, decaimiento temporal ni basado en posición. Te quedan el basado en datos y los de último clic.[14] Los demás siguen siendo útiles como forma de pensar, o en otras herramientas.
Cómo cambia tu interpretación
Con último clic, la búsqueda de marca y el tráfico directo parecen héroes, y el blog o las redes parecen inútiles, aunque fueran los que trajeron al cliente la primera vez. Si recortas presupuesto con esa vista, puedes matar el canal que alimentaba todo.
Antes de complicarte la vida, comprueba si tienes un problema de atribución: mira cuántas visitas y cuántos días tarda la gente en comprar. Si casi todos convierten en una o dos visitas, el problema es pequeño y tus prioridades están en otra parte (el rebote de la portada, el abandono del carrito).[1] Si tardan 15 visitas, sí te toca.
Con último clic, las reservas venían de "Directo" y "Google Maps". Parecía que el blog de recetas no servía. Al mirar las rutas de conversión vieron que muchos turistas descubrían el restaurante leyendo "Dónde comer pasta fresca en Denver" días antes de su viaje, y ya en Denver lo buscaban por nombre. El blog no cerraba ventas: las sembraba.
¿Cómo se detectan anomalías en los datos de conversión?
Una anomalía es un dato que se sale de lo normal: un pico de conversiones a las 3 a.m., una caída del 80% un martes, una tasa de 0% en Safari. A veces es buena noticia (un influencer te mencionó). Muchas veces es un problema: el código de seguimiento se rompió, llegó tráfico de bots o se cayó el formulario.
Alertas automáticas y personalizadas
Las herramientas de analítica detectan cambios fuera de lo normal según tu historial. Revisa esas alertas al menos una vez al mes y, sobre todo, crea alertas personalizadas.[5] Un buen kit básico:[5]
- Subida o bajada del 10% semanal en sesiones.
- Subida o bajada en la tasa de conversión o en el valor de las metas.
- Conversión igual a cero en un día para tus metas principales.
- Picos de páginas "No encontrado" (404).
Usa porcentajes en vez de valores absolutos: si tu negocio crece, una alerta de "ingresos menores a 10,000" deja de servir.[5]
La auditoría de calidad de datos
Si tu equipo no confía en los datos, nadie va a tomar decisiones con ellos. Hace falta una revisión periódica de la calidad de los datos.[8] Revisa:
- Que el código de seguimiento esté en todas las páginas, incluida la de "gracias".
- Que no se cuenten conversiones duplicadas (recargas de la página de gracias).
- Tráfico de spam y bots que infla las visitas y hunde la tasa.[11]
- Que tus pruebas A/B repartan el tráfico como dijiste. Si configuraste 50/50 y te sale 60/40, algo está roto: vigila las métricas en busca de anomalías y de reparto de tráfico sesgado.[12]
Además, compara siempre contra el mismo periodo del año anterior y anota en la analítica los eventos que explican cambios: campañas, caídas del servidor, cambios de diseño, días festivos.
¿Cómo se mide la calidad de las conversiones y no solamente su cantidad?
No todos los leads nacen iguales. Muchos formularios son consultas generales sin intención real: gente buscando otra cosa, sin presupuesto, vendedores que quieren venderte algo a ti, o spam.[5] Y si obligas a la gente a dejar sus datos para cualquier cosa, te vas a llenar de "Mickey Mouse, código postal 90210".[2]
Cómo medir calidad
- Une la analítica con tu CRM o tu sistema de ventas. La campaña está en la analítica, pero saber si el lead era bueno está en el CRM. Uniéndolos puedes calcular el costo por lead cualificado, que es el que importa.[5] (Cuidado: no envíes datos personales como emails o nombres a tu herramienta de analítica.)
- Mide qué pasa después de la conversión: ¿el lead se convirtió en venta?, ¿el pedido se devolvió?, ¿la reserva se presentó o fue un "no show"?
- Asigna valor real a cada meta: para una cotización, divide las ventas que vinieron de cotizaciones entre el número de cotizaciones.[2] Para ventas, mejor el margen que el ingreso bruto.[9]
- Optimiza lo más cerca posible del dinero: ventas directas, valor del pedido y leads cualificados, no clics ni descargas.[2]
El formulario de catering pasó de 12 a 30 solicitudes al mes después de simplificarlo. ¡Fiesta! Hasta que vieron que las ventas cerradas seguían en 3. Muchas solicitudes eran "¿hacen pizza para 4 personas?". Añadieron un único campo de selección: "Número de invitados: menos de 20 / 20–50 / más de 50" y enrutan las pequeñas al pedido online. Menos formularios, más bodas cerradas.
¿Cómo se combinan mapas de calor, grabaciones de sesiones y analítica de eventos para identificar problemas de conversión?
Cada herramienta ve una parte del elefante. Juntas te dan el animal completo.
🔥 Mapas de calor
Muestran dónde se concentran los clics (y, en los de scroll, hasta dónde baja la gente). Te dan ideas sobre qué zonas la gente espera que sean clicables.[2][15]
🎥 Grabaciones de sesión
Te dejan ver la sesión de un visitante como si miraras por encima de su hombro: dudas, clics de rabia, formularios que se atascan.[16]
📊 Analítica de eventos
Cuenta interacciones que no son páginas vistas: clics en botones, campos de formulario completados, envíos de reseñas, pasos de un proceso que no cambia de URL.[5] Te da números a escala.
🗣️ Encuestas
Te dan la voz del cliente: lo que ningún clic te va a contar.[1]
El flujo de trabajo que funciona
- Los números señalan el dónde. Los eventos y embudos te dicen que el 60% abandona en el paso del formulario.
- El mapa de calor muestra el patrón. Ves que mucha gente hace clic en un texto que no es enlace, o que nadie llega al botón porque está muy abajo.
- Las grabaciones explican el cómo. Ves a usuarios reales escribir su teléfono tres veces y rendirse.
- La encuesta confirma el porqué. "No acepta mi número de teléfono."
- La prueba A/B demuestra la solución. Ninguna de las cuatro anteriores es optimización por sí sola; son la fábrica de hipótesis. La prueba controlada es la que confirma.[2]
🔐 Privacidad: configura las grabaciones para que oculten lo que la gente escribe en campos de pago y datos personales, y menciónalo en tu política de privacidad.
Bibliografía
Los números de página corresponden a la numeración del archivo PDF. En el libro de Rob Hope se cita el número de consejo.
- Web Analytics 2.0: The Art of Online Accountability & Science of Customer Centricity (Avinash Kaushik. Sybex, 2010; archivo
Web analytics 2.0 the art of online accountability science of customer centricity (Avinash Kaushik).pdf). pp. 34, 85, 86, 182–184, 199, 200, 388–394 (numeración del PDF). - You Should Test That! Conversion Optimization for More Leads, Sales and Profit (Chris Goward. Sybex, 2013; archivo
You Should Test That Conversion Optimization for More Leads, Sales and Profit or The Art and Science of Optimized Marketing (Chris Goward).pdf). pp. 54, 59–68, 75, 78, 79, 97–99, 157 (numeración del PDF). - Web Analytics: An Hour a Day (Avinash Kaushik. Sybex, 2007; archivo
Web Analytics (Avinash Kaushik).pdf). pp. 48, 106, 150, 211, 375, 377 (numeración del PDF). - Convert! Designing Web Sites to Increase Traffic and Conversion (Ben Hunt. Wiley, 2011; archivo
Convert Designing Web Sites to Increase Traffic and Conversion (Ben Hunt).pdf). pp. 129–131 (numeración del PDF). - Google Analytics Breakthrough: From Zero to Business Impact (Feras Alhlou, Shiraz Asif y Eric Fettman. Wiley, 2016; archivo
Google analytics breakthrough _ from zero to business impact.pdf). pp. 152, 254, 255, 258, 293, 337, 338, 372–374, 478–481 (numeración del PDF). - Web Analytics Demystified (Eric T. Peterson. Celilo Group Media, 2004; archivo
Web analytics demystified a marketers guide to understanding how your web site affects your business (Peterson, Eric T).pdf). pp. 70, 184 (numeración del PDF). - Google Analytics Integrations (Daniel Waisberg. Wiley, 2015; archivo
Google Analytics Integrations.pdf). p. 30 (numeración del PDF). - Successful Analytics: Gain Business Insights by Managing Google Analytics (Brian Clifton, 2015; archivo
Successful Analytics_ Gain Business Insights by Managing Google Analytics.pdf). pp. 93, 94 (numeración del PDF). - Landing Page Optimization: The Definitive Guide to Testing and Tuning for Conversions (Tim Ash. Wiley/Sybex, 2008; archivo
Landing Page Optimization The Definitive Guide to Testing and Tuning for Conversions (Tim Ash).pdf). pp. 58, 59, 200, 201 (numeración del PDF). - Practical Google Analytics and Google Tag Manager for Developers (Jonathan Weber (LunaMetrics). Apress, 2015; archivo
Practical Google Analytics and Google Tag Manager for Developers.pdf). p. 187 (numeración del PDF). - Introduction to Google Analytics: A Guide for Absolute Beginners (Todd Kelsey. Apress, 2017; archivo
Introduction to Google Analytics_ A Guide for Absolute Beginners.pdf). p. 54 (numeración del PDF). - Next-Level A/B Testing (Leemay Nassery. The Pragmatic Programmers, 2025; archivo
Next-Level AB Testing (Leemay Nassery).pdf). pp. 39, 194, 195 (numeración del PDF). - MeasureU — Understanding GA4 Key Event Rates (FKA Conversion Rates). measureu.com/ga4-key-event-rates.
- Google — Ayuda de Analytics: Select attribution settings. support.google.com/analytics/answer/10597962 (consultado en octubre de 2026).
- Web Analytics (Tutorials Point, 2015; archivo
Web Analytics (Tutorials Point).pdf). p. 14 (numeración del PDF). - A/B Testing (Tutorials Point, 2016; archivo
AB Testing (Tutorials Point).pdf). p. 12 (numeración del PDF).
La guía de conversión, capítulo a capítulo
Los 7 artículos de esta sección, de los conceptos básicos a lo más técnico. Puedes leerlos en orden o saltar al que te haga falta.
- Guía de la tasa de conversión
- Por qué tu web no convierte
- Confianza y psicología de la conversión
- Analítica de conversiones (estás aquí)
- Pruebas A/B
- Fricción, UX y checkout
- El dinero del CRO: ROI, CAC, AOV y LTV
Comentarios