La industria del Marketing Technology acumula siglas sin parar: CDP, MTA, MMM, RMN, CAC, LTV, pLTV… lo que le da la apariencia de disciplina cada vez más sofisticada. Pero si se aplica pensamiento de primeros principios, la arquitectura de fondo es mucho más simple y se sigue sustentando en las mismas raíces. Todas las métricas digitales son funciones de agregación o agrupación o ratios o representaciones temporales sobre una misma base atómica.
Una etiqueta en el navegador y un almacén de datos corporativo en Snowflake o BigQuery procesan, en esencia, la misma materia prima (aquel viejo triplete de usuario, visualización, acción, pero depurado). Sin la jerga comercial, buena parte del software de marketing es un sistema de telemetría que captura, limpia y agrega registros de actividad.
Las cinco primitivas
Un registro de actividad se describe con cinco elementos que voy a denominar: usuario, exposición, acción, tiempo y valor.
(Este modelo no es una ley natural, sino una decisión de modelado. La idea es antigua: el modelado dimensional clásico ya describía cada hecho con quién, qué, cuándo y cuánto [1]. Su utilidad está en que permite construir casi cualquier indicador. El CTR relaciona acciones con exposiciones. El ROAS relaciona ingreso con gasto. El LTV suma el valor de un mismo usuario a lo largo del tiempo. Y así, lo que la creatividad del analista quiera.)
Usuario
El identificador que ejecuta la acción. Un user_id, un anonymous_id, una cookie, un ID de dispositivo. Aquí va solo lo que permanece entre eventos. Es un criterio práctico para repartir los atributos. Si algo puede cambiar entre dos eventos de la misma persona (dónde está, con qué dispositivo), no pertenece al usuario.
Por cierto, si bien las antiguas plataformas analíticas consideraban sesión como una variable vinculada al usuario, lo cierto es que no es una medición primitiva. Es una forma de mirar un grupo de eventos vinculados por una razón, normalmente la navegación continuada. Su límite (por ejemplo, 30 minutos de inactividad) lo fija quien configura la herramienta. Por eso, es de uso habitual en analítica básica hablar de sesión como si habláramos de usuario. Aceptando el margen de error que eso introduce de forma consciente, es válido para acercarnos a la «verdad».
Exposición
Lo que el sistema presenta al usuario para que lo vea o lo oiga. Incluye el qué (el contenido, la creatividad o la oferta renderizada), el dónde-app (aplicación, navegador, dispositivo), el dónde-geo (ubicación geográfica o red de conexión) y el formato (texto, audio, vídeo). Quedan fuera las interacciones entre máquinas, dado que hablo en este artículo sobre cómo el MarTech intenta conocer la «verdad» de los clientes.
Acción
Cualquier forma de interactuar con lo percibido: clic, toque, doble toque, scroll, envío de formulario, compra… También incluye la no-acción (un carrito abandonado) y las automatizaciones que el usuario ha consentido, como una renovación mensual. Estas dos entran con una condición. La no-acción no se registra, se deriva, es la ausencia de un evento dentro de una ventana que decide el analista; solo tiene sentido si hubo exposición (visualización, escucha) previa. Una renovación automática solo cuenta si conserva su vínculo con la decisión humana original.
Tiempo
El eje que ordena los eventos. Incluye el instante, la duración y la secuencia; de él salen los embudos, las cohortes y el LTV.
Valor
Lo que ocurre cuando lo que pasa se convierte en moneda. Incluye el ingreso y también el gasto, porque sin ambos no se puede saber si se gana o se pierde. Con una cautela. El gasto casi nunca llega como evento individual. Suele venir agregado por campaña y por día, por lo tanto, hay que repartirlo.
Brechas en la interpretación de datos
El marco descansa sobre cinco brechas que funcionan como axiomas inquebrantables, que conviene no mazclar, porque son problemas de naturaleza distinta.
Brecha de identificación
El usuario no es ni identifica a una persona.
El identificador existe, pero no sabemos a quién apunta. Una persona puede generar varios identificadores (cambia de móvil, limpia el navegador, usa el modo privado) y varias personas pueden compartir uno (la televisión familiar, el ordenador de la oficina). Se dan las tres relaciones: uno a uno, uno a muchos y muchos a uno. Incluso una cuenta con sesión iniciada sigue siendo una cuenta, y las cuentas se comparten.
Brecha de atención
La exposición (ver, oír…) no es atención (asimilar el mensaje).
Que algo se renderice no implica que se viera y que se viera no implica que se atendiera. Servido, visible y atendido son tres cosas distintas y el sistema suele medir la primera o, con suerte, la segunda.
Brecha de intención
La acción (clic, scroll, tap…) no es intención (comprar, usar, consumir).
Que un usuario realice una acción no implica necesariamente que tenga la intención que el contexto pretende (por ejemplo, que añada un producto a un carrito de la compra no implica, en el 100% de los casos, que pretenda comprar, ergo, los carritos abandonados no son siempre, realmente, carritos abandonados, sino, por ejemplo, un uso sustitutivo de la función favoritos).
Brecha de ruido
Usuario, exposición, acción y tiempo contienen un porcentaje de error, inevitablemente.
El dato siempre existe, pero con fallos en mayor o menor grado. A menor grado, mayor precisión en las conclusiones. A mayor grado, mayor inutilidad en los datos. Pero la presencia de eventos perdidos, duplicados, clics accidentales, bots, relojes del cliente desajustados con los del servidor, tiempos en página con la pestaña abierta y nadie delante… introducen ruido, siempre. Y no pocas veces, en un rango desconocido o casi-desconocido. Es decir, la propia estimación del error… contiene un margen de error.
Brecha de asignación
El valor asignado no implica necesariamente el valor de coste o beneficio real.
Los ingresos y gastos se reparten entre eventos, se reembolsan y se predicen. El pLTV predictivo es una estimación, no una observación. Los ratios (ROAS, ROI, CAC) heredan las reglas de reparto con las que se asignó el ingreso y el gasto.
Qué intentan hacer los algoritmos modernos
Con este marco se entiende mejor lo que hacen los algoritmos de MarTech. Intentan responder qué evento causó el valor, para provocar nuevos eventos (fidelización, retención) o el primero (una nueva venta, un nuevo uso). El destinatario de ese esfuerzo es una persona que no es reconocible: es una sombra probable de alguien plausible.
Cada familia de técnicas intenta cerrar una de las brechas anteriores:
- La resolución de identidad (grafos de identidad, emparejamiento probabilístico) trabaja la brecha de correspondencia. La base teórica del emparejamiento probabilístico de registros es anterior al MarTech actual [2].
- Las métricas de visibilidad y atención trabajan reducir el margen de las brechas tecnológicas (identificación, atención e intención).
- La atribución, el modelado de mix de medios (MMM) y los experimentos de incrementalidad trabajan la causalidad entre acción y valor. El MMM ni siquiera usa personas. Opera con series agregadas. Y los experimentos de incrementalidad exigen un diseño experimental, que es información añadida a las variables primitivas.
Por qué el ecosistema es tan complejo
Si las unidades básicas llevan décadas siendo las mismas, ¿por qué crece tanto la complejidad? Una causa importante es la degradación de la señal con la que se capturan:
- La regulación (RGPD, Directiva ePrivacy) exige consentimiento para muchas tecnologías de seguimiento [3][4].
- Safari limita desde hace años el seguimiento entre sitios con ITP [5], Firefox y Brave bloquean las cookies de terceros por defecto. Chrome, en cambio, las mantiene (Google renunció en 2025 a retirarlas y después cerró buena parte de Privacy Sandbox [6][7]).
- Con App Tracking Transparency, de Apple, las apps deben pedir permiso para acceder al identificador publicitario. Las primeras mediciones tras su lanzamiento situaron la aceptación en torno al 4 % en EE. UU. y entre el 11 % y el 15 % a escala global [8].
Ante esa pérdida de observación directa, la industria recurre a la modelización: etiquetado en servidor, atribución probabilística, modelos de incrementalidad. Todo ello intenta reconstruir las variables primitivas cuando los canales de captura fallan.
Un ejemplo ilustra el conjunto. Un recorrido típico va del anuncio a la página de destino, de ahí a un formulario, luego a una secuencia de correos y finalmente al pago. Hasta el formulario, el recorrido se fragmenta entre dispositivos y navegadores. En el formulario el usuario aporta un identificador estable, su correo y une lo anterior con lo posterior. Es el punto donde la brecha de correspondencia se estrecha.
Implicaciones para la gestión
- Evita la redundancia de stack:
Muchas herramientas reempaquetan y rebautizan combinaciones de las mismas variables primitivas. Evalúa una tecnología por su capacidad real de captar y procesar usuario, exposición, acción, tiempo y valor con calidad, no por su terminología comercial. - Asume el margen de error:
Cualquier informe que diga medir «personas reales» exagera. La analítica digital opera sobre identificadores y modelos de probabilidad. Un buen informe declara su método de resolución de identidad y su margen de error. - Invierte en la calidad de la señal primaria:
El aprendizaje automático aplicado al marketing se alimenta de estos registros, así que la ventaja competitiva está más en la calidad de la captura que en el algoritmo que viene después.
Fuentes
[1] Kimball, R. y Ross, M. The Data Warehouse Toolkit, 3.ª ed., Wiley, 2013.
[2] Fellegi, I. P. y Sunter, A. B. «A Theory for Record Linkage», Journal of the American Statistical Association, 64(328), 1969.
[3] Reglamento (UE) 2016/679 (RGPD), eur-lex.europa.eu.
[4] Directiva 2002/58/CE (ePrivacy), art. 5.3, eur-lex.europa.eu.
[5] WebKit, «Full Third-Party Cookie Blocking and More» (marzo de 2020), webkit.org/blog/10218.
[6] Stape, «Google Chrome: Cookie deprecation explained» (actualizado en septiembre de 2026), stape.io/news/google-chrome-cookie-deprecation.
[7] Engadget, «Google has killed Privacy Sandbox», engadget.com.
[8] Flurry Analytics, «App Tracking Transparency Opt-In Rate – Monthly Updates», flurry.com/blog/att-opt-in-rate-monthly-updates.