Este artículo forma parte de Model Marketing Mix, el centro de recursos de Oniad sobre medición, atribución y modelos de marketing mix.
En nuestros dos artículos anteriores explicamos cómo se atribuyen las conversiones en programática —post-click y post-impresión— y qué identificadores utilizamos para reconocer a un usuario a lo largo de su recorrido. Con esas dos piezas sobre la mesa, queda la pregunta que de verdad le importa al anunciante: ¿en cuántas rutas de conversión ha estado presente Oniad, y en qué posición? ¿Actúa como canal de apertura, intermediario o cierre? Todas estas preguntas tienen especial relevancia cuando quieres entender la contribución de cada canal al negocio.
El último clic solo cuenta el final de la historia; para entender el papel real de cada canal hay que reconstruir el recorrido completo del usuario, contacto a contacto, desde el primer impacto hasta la conversión.
Ese es exactamente el trabajo que hay detrás de nuestros informes de rutas de conversión: un análisis que mostramos a nuestros clientes donde se ve, ruta a ruta, cómo interactúa Oniad con el resto de canales del mix —email, búsqueda orgánica, Google Ads, social, tráfico directo— en el camino hacia la conversión.
En este artículo explicamos cómo los construimos: cómo pasamos de un log de navegación en bruto a una lista de rutas de conversión reales.
Qué es un informe de rutas de conversión
Antes de entrar en la metodología, veamos el resultado final. Un informe de rutas de conversión tiene este aspecto:
Cada fila es un recorrido real: la secuencia ordenada de canales por los que pasaron los usuarios antes de convertir. Se lee de izquierda a derecha en orden cronológico: en la ruta Google Ads – Oniad, el usuario llegó primero al sitio web a través de una campaña de Google y, posteriormente, a través de una campaña de Oniad, tras lo cual convirtió.
Sobre la nomenclatura de los canales: Natural Search hace referencia al tráfico orgánico procedente de buscadores como Google o Bing, mientras que Direct Traffic es el tráfico directo, que identificamos a través del referrer de la visita. El resto de etiquetas (Email, Google Ads, Social Media…) responden a la clasificación habitual por origen de campaña.
La tabla condensa mucha información en poco espacio. De un vistazo puedes ver en cuántas rutas participa cada canal, con qué frecuencia aparece cada combinación y, lo más interesante, en qué posición interviene Oniad: abriendo el recorrido, asistiendo en medio o cerrando la conversión. Este análisis abre además otras vías de exploración, como identificar con qué canales presenta Oniad una mayor tasa de combinación o construir matrices de transición entre canales. Esto lo veremos en próximos artículos.
Ahora bien, llegar a esta tabla no es trivial. El dato en bruto no viene con las rutas montadas: viene como un log de navegación con cientos de miles de registros que hay que limpiar, reclasificar y ordenar. Ese proceso es el que explicamos a continuación, paso a paso.
El punto de partida: un Data Warehouse en el que centralizamos todo
Todo el proceso descansa sobre una capacidad que ya hemos mencionado en artículos anteriores: en Oniad recibimos en nuestro data warehouse todo el tráfico del sitio web del cliente a nivel de log-level data. Es decir, no trabajamos con métricas agregadas ni con muestras: trabajamos con cada hit individual de navegación.
De cada registro disponemos, entre otros campos, de:
- La marca de tiempo exacta del hit.
- La URL visitada, incluyendo todos sus parámetros.
- La cookie del usuario, que nos permite agrupar los hits de un mismo navegador.
- El referrer, la página desde la que llegó el usuario.
- Otras dimensiones como dispositivo, geolocalización, navegador, etc.
Un log de navegación no trae las rutas de conversión montadas, ni los canales bien clasificados, ni las visitas agrupadas. Trae hits sueltos, con etiquetas heredadas de la analítica del cliente que, como veremos en el siguiente paso, no siempre reflejan la realidad. La calidad del informe final depende por completo del rigor con el que se procese esta base.
Paso 1 — Reclasificar el canal de cada hit
Antes de construir ninguna ruta hay que responder a una pregunta básica: ¿por qué canal llegó cada visita? Para ello, reasignamos el canal de cada hit examinando los parámetros de su URL: si contiene identificadores de clic como fbclid, se asigna a Social Media; si contiene gclid o valores de utm_medium como pmax, a Google Ads; los utm_medium de tipo email, a Email, y así sucesivamente. El tráfico de Oniad, identificado en origen, no se toca.
Para el tráfico que llega sin UTMs, el criterio es el referrer: si la visita procede de un buscador como Google o Bing, se clasifica como Natural Search; si no existe referrer o es el propio dominio del sitio web, como Direct Traffic.
Paso 2 — Sesionalizar: el canal es de la sesión, no del hit
Con los canales asignados, el siguiente paso es agrupar los hits en sesiones. ¿Por qué es necesario? Pensemos en un comportamiento típico: un usuario entra al sitio web desde un email y, a continuación, navega por seis páginas más. Esas seis páginas internas no llevan UTMs ni referrer externo, por lo que se registrarían como tráfico directo. Si construyéramos la ruta hit a hit, obtendríamos algo como Email – Direct – Direct – Direct – Direct…, atribuyendo al canal directo una navegación que en realidad provocó el email.
Para corregirlo, aplicamos dos reglas:
- Agrupamos los hits en sesiones con un corte de inactividad de 30 minutos. Todos los hits consecutivos de una misma cookie forman parte de la misma sesión mientras no pasen más de 30 minutos entre uno y el siguiente. Superado ese umbral, el siguiente hit abre una nueva sesión.
- Propagamos el canal del primer hit a toda la sesión. El canal por el que el usuario entra define la sesión completa. Las páginas internas dejan de contar como «directo» y quedan correctamente asociadas al canal que originó la visita.
El efecto de este paso es exactamente el esperado: buena parte del tráfico que aparecía como directo se asigna al canal que realmente abrió la sesión. En la práctica, esto nos permite deducir con mucha más precisión el peso real del tráfico directo y orgánico que llega sin etiquetar.
A partir de aquí, ya no trabajamos con hits sueltos sino con sesiones, cada una con su canal de entrada. Es la unidad sobre la que se construyen las rutas.
Paso 3 — Trazar las rutas de conversión
Con las sesiones construidas y cada una asociada a su canal de entrada, ya podemos reconstruir el recorrido de cada usuario. Este trazado incorpora tres decisiones metodológicas que conviene explicar, porque cada una de ellas afecta directamente al resultado final.
Colapsamos las repeticiones consecutivas del mismo canal. Si un usuario realiza tres sesiones seguidas entrando por búsqueda orgánica, eso representa un contacto con el canal orgánico, no tres. Por eso, una secuencia como Email – Email – Direct Traffic – Direct Traffic – Oniad se convierte en Email – Direct Traffic – Oniad.
Importante: solo se colapsan las repeticiones consecutivas. Una ruta como Email – Oniad – Email se mantiene íntegra, porque ahí sí existe una alternancia real entre canales. Sin este paso, los canales que generan mucha navegación recurrente, como orgánico y directo, inflarían artificialmente su presencia en las rutas.
Aplicamos una ventana de lookback con periodo de burn-in. Este es el paso que más análisis se saltan, y el que más sesga los resultados cuando falta. El problema es el siguiente: si tu dataset empieza el 1 de mayo y un usuario convierte el 3 de mayo, verás una ruta de dos días; pero ese usuario probablemente llevaba semanas en su proceso de compra y simplemente no tienes ese historial. Contar esa ruta como completa es introducir ruido.
Para evitarlo, definimos una ventana de lookback, por ejemplo, 21 días, y solo consideramos válidas las conversiones que se producen una vez transcurrido ese periodo desde el inicio del dataset. Así garantizamos que todas las rutas analizadas tienen la misma profundidad de historia observable. Se sacrifican las conversiones de las primeras semanas, pero merece la pena pagarlo, porque sin este filtro las conversiones tempranas aparecen sistemáticamente con rutas más cortas y más «directas» de lo que realmente fueron.
Cortamos en la primera conversión. Una ruta representa un proceso de compra, no la biografía completa de una cookie. Para cada usuario válido, tomamos su primera conversión y reconstruimos hacia atrás los canales que intervinieron dentro de su ventana de lookback. La ventana es relativa a cada conversión: cada usuario tiene sus propios 21 días de historia contados desde el momento en que convirtió.
El resultado de todo el proceso es la tabla que veíamos al principio del artículo: una lista de rutas reales, con el número de conversiones de cada una y su peso sobre el total.
Cómo leer el informe: la posición de Oniad importa
Con las rutas construidas, llega el momento de extraer valor del informe. Y la clave de lectura no es solo en cuántas rutas aparece Oniad, sino dónde aparece dentro de cada una. La posición del canal en el recorrido cuenta historias muy distintas:
- Oniad como canal de apertura. Rutas como Oniad – Direct Traffic u Oniad – Natural Search indican que la campaña programática fue el primer contacto identificado del usuario con la marca: descubrió el sitio a través de un anuncio y regresó después por otros medios para convertir. Es el papel de generación de demanda.
- Oniad como canal asistente. En rutas como Email – Oniad – Email o Natural Search – Oniad – Direct Traffic, la programática actúa en medio del recorrido, reforzando el interés de un usuario que ya conocía la marca y manteniéndola presente durante su proceso de decisión. Es el papel que conecta con lo que explicamos sobre las conversiones post-impresión y el retargeting.
- Oniad como canal de cierre. Rutas como Natural Search – Oniad o Email – Oniad muestran a la programática como último contacto antes de la conversión: el empujón final a un usuario que ya estaba en el mercado.
Hay un matiz que diferencia estos informes de los que ofrecen herramientas como GA4, que también incorporan informes de rutas de conversión. Esas herramientas construyen las rutas únicamente con los touchpoints de tráfico al sitio web, es decir, sesiones que efectivamente llegaron a la página. En nuestros informes contemplamos además las impresiones de Oniad dentro de la ruta a la conversión, es decir, los impactos publicitarios que el usuario recibió aunque no hiciera clic. Como vimos al hablar de las conversiones post-impresión, buena parte del efecto de la programática se produce precisamente ahí, en exposiciones que ninguna herramienta de analítica web llega a registrar.
Esta lectura posicional desmonta la principal limitación del modelo last-click. Tomemos una ruta real de uno de nuestros informes: Oniad – Direct Traffic – Email. Un modelo de último clic asigna el 100% del crédito al email y el 0% a la campaña programática que abrió el recorrido. ¿Significa eso que Oniad no aportó nada? Sin ese primer impacto, quizá el resto de la ruta nunca habría existido.
Aspectos a aclarar de este informe
Un informe de rutas de conversión es una herramienta potente, pero su valor depende de usarlo sabiendo lo que es y lo que no es.
1. Tener la ruta no es tener la atribución. Este tipo de informes no son un modelo de atribución en sí. Nos sirven para ver la foto completa del mix de canales y son el punto de partida sobre el que comenzar a hacer atribución. Saber que Oniad aparece en un recorrido no dice todavía cuánto crédito merece. Repartir ese crédito entre canales requiere un modelo de atribución construido encima (Markov, Shapley, MMM…) y eso —como adelantamos al principio— dará para otro artículo.
2. El mix del cliente domina el resultado. Si un anunciante tiene una base de datos enorme y una alta presión de emailing, el email aparecerá en la mayoría de las rutas. Eso es un rasgo de ese cliente, no una ley del marketing digital. Cada informe debe leerse en el contexto del mix de medios del anunciante, y las comparaciones entre clientes o sectores deben hacerse con mucha cautela.
3. Cookie no es lo mismo que persona. Como explicamos en nuestro artículo sobre identificadores, un usuario que investiga en el móvil y compra en el portátil genera dos cookies y, por tanto, dos rutas incompletas. El cross-device mitiga parte de esta fragmentación, pero no la elimina. Con las restricciones actuales de navegadores y consentimiento, es una limitación estructural que hay que asumir.
4. Lo que no se registra, no existe en la ruta. Las rutas se construyen con los puntos de contacto observables: las visitas al sitio web y las impresiones de Oniad. Todo lo que ocurre fuera de ese perímetro —una impresión de otra plataforma, una búsqueda que no acabó en clic, una recomendación de un amigo— es invisible por construcción. Las rutas reales de los usuarios son siempre más largas y más ricas que las que ningún sistema puede registrar.
Nada de esto invalida el informe; al contrario, delimitarlo bien es lo que permite sacarle valor.
Conclusión: reconstruir bien para atribuir mejor
Reconstruir rutas de conversión no es cruzar dos tablas: es una secuencia de decisiones metodológicas, y ninguna es trivial. Recapitulando el proceso:
- Centralizar todo el tráfico del cliente a nivel de log-level data en nuestro data warehouse.
- Reclasificar el canal de cada hit a partir de las UTMs y el referrer.
- Sesionalizar con un corte de inactividad de 30 minutos, propagando el canal de entrada a toda la sesión.
- Trazar las rutas colapsando repeticiones consecutivas, aplicando una ventana de lookback que garantice la misma profundidad de historia para todas las conversiones, y cortando en la primera conversión de cada usuario.
- Leer el informe atendiendo a la posición de Oniad en cada ruta: apertura, asistencia o cierre. Incorporando, además, las impresiones, no solo los clics, en el recorrido.
Cada una de estas decisiones mueve los números. Por eso las documentamos y las mantenemos estables entre periodos: comparar dos meses procesados con criterios distintos no es medir, es contar una historia.
Con este artículo cerramos la base de nuestro enfoque de medición: ya hemos visto cómo se atribuyen las conversiones, cómo se identifica a los usuarios y cómo se reconstruyen sus recorridos. La siguiente pregunta cae por su propio peso: con las rutas delante, ¿cuánto crédito merece cada canal? Modelos de atribución, matrices de transición entre canales, tasas de combinación… Eso lo abordaremos en próximos artículos.
