Medir una campaña publicitaria no consiste en abrir un panel y buscar la cifra más alta. Consiste en reunir suficiente evidencia para responder una pregunta empresarial: ¿qué cambió gracias a la publicidad y qué decisión deberíamos tomar después?
Ese matiz es importante porque hoy podemos medir casi todo lo que ocurre dentro de una plataforma y, al mismo tiempo, seguir entendiendo mal el efecto de la campaña. Un clic puede quedar perfectamente registrado y no haber causado la venta. Una cuña de radio puede influir en una búsqueda que se produce días después y no aparecer en ninguna atribución. Una promoción puede elevar facturación y reducir beneficio. Una campaña puede aumentar notoriedad sin producir una reacción inmediata y empezar a devolver valor semanas más tarde.
La dificultad no afecta solo a las pequeñas empresas. En 2026, la World Federation of Advertisers y Ebiquity publicaron su Paid Media Effectiveness Handbook después de investigar a responsables de grandes anunciantes que representan más de 40.000 millones de dólares anuales de inversión. Ocho de cada diez ya utilizan marketing mix modelling y estudios de brand lift, pero solo el 13 % considera que su organización es fuerte convirtiendo rápidamente datos en información útil y menos del 3 % confía plenamente en separar impacto de corto y largo plazo. El problema, por tanto, ya no es disponer de datos: es saber qué significan y qué hacer con ellos.
Una pyme no necesita reproducir la infraestructura analítica de una multinacional. Necesita algo más sencillo y, muchas veces, más disciplinado: fijar el objetivo antes de lanzar, registrar una situación de partida, combinar datos del negocio con señales de medios y marca, buscar alguna comparación que ayude a aislar el efecto y cerrar la campaña con una decisión. Ese es el sistema que desarrollo aquí.
Antes de lanzar, decide qué cambio vas a medir y contra qué lo compararás
La medición empieza cuando todavía podemos modificar la campaña. Si esperamos al final, seguramente descubriremos que nos falta la referencia anterior, que el equipo comercial no registró las llamadas, que no sabemos qué productos estuvieron expuestos a la promoción o que cada proveedor ha enviado cifras imposibles de comparar.
El primer paso es definir un resultado principal. Puede ser ventas, margen, nuevos clientes, solicitudes de presupuesto, reservas, visitas, consideración, conocimiento o búsquedas de marca. Una campaña puede mover varias cosas a la vez, pero si todo es importante terminaremos eligiendo después la cifra que mejor nos convenga.
No confundiría el resultado con una métrica de entrega. Impresiones, alcance, frecuencia, reproducciones, clics o GRP pueden ayudarnos a saber qué publicidad se sirvió y a cuántas personas pudo llegar. Son necesarios para interpretar la ejecución, pero no demuestran por sí solos que el negocio haya mejorado.
Después elegiría dos o tres señales secundarias que ayuden a explicar el resultado. Si queremos generar ventas en una tienda, podríamos seguir visitas, consultas y búsquedas de marca. Si queremos aumentar notoriedad, podríamos observar cobertura, recuerdo, tráfico directo y búsquedas. Si buscamos leads B2B, interesa registrar oportunidades cualificadas, presupuestos presentados, tasa de cierre y valor de las operaciones, no únicamente formularios.
El siguiente elemento es la línea de base. ¿Qué ocurría antes? Necesitamos varias semanas o periodos comparables cuando sea posible: ventas, llamadas, tráfico, reservas, búsquedas, visitas o cualquier indicador ligado al objetivo. Un único día anterior suele ser demasiado sensible a ruido. También anotaría factores que puedan cambiar la demanda: precios, promociones, stock, horarios, vacaciones, clima, competencia o actividad comercial.
Una buena comparación no siempre exige un experimento sofisticado. Una pyme puede utilizar:
- Antes y después: comparar periodos similares, corrigiendo en lo posible estacionalidad y cambios relevantes.
- Zonas: aplicar distinta presión publicitaria en localidades comparables o dejar una zona sin campaña cuando sea viable.
- Establecimientos: comparar tiendas, delegaciones o equipos similares con diferente exposición.
- Productos o públicos: observar grupos con diferente tratamiento cuando la campaña permita separarlos.
- Series históricas: comprobar si el cambio supera la variación habitual del negocio y no solo el dato de la semana anterior.
La lógica es la misma que utilizan los estudios de incrementalidad a mayor escala: preguntarnos qué habría ocurrido si la publicidad no hubiera estado allí. Google diferencia precisamente atribución e incrementalidad en sus soluciones de medición. En sus trabajos recientes sobre medición integrada propone combinar marketing mix modelling, experimentos de incrementalidad y atribución porque cada método responde mejor a preguntas distintas.
No pretendo que una tienda local construya un MMM. Pretendo que adopte la lógica: no convertir el último clic en la explicación completa y buscar alguna referencia contra la que juzgar el cambio.
Esta fase debería cerrarse antes de invertir. De hecho, forma parte del proceso que recomiendo para crear una campaña publicitaria paso a paso. Si todavía no sabemos qué cambio queremos provocar, conviene volver antes a la estrategia publicitaria. Y si la campaña parte de una elección dudosa del soporte, revisar cómo elegir dónde anunciarse ayuda a separar un problema de medición de un problema previo de planificación.
Combina cuatro tipos de evidencia: negocio, marca, medios e incrementalidad
No todos los datos contestan la misma pregunta. Uno de los errores habituales es colocarlos juntos en un dashboard y tratarlos como si fueran equivalentes. Para mí resulta más útil separarlos en cuatro capas.
1. Resultado de negocio. Es la capa que finalmente importa: ventas incrementales, margen, nuevos clientes, reservas, oportunidades, contratos, recurrencia o cualquier resultado económico relacionado con el objetivo. Incluso aquí hay que evitar lecturas simples. Una campaña puede aumentar facturación gracias a un descuento que destruye margen; otra puede atraer menos clientes pero de mayor valor.
En servicios con ciclo largo no esperaría necesariamente la venta dentro del periodo de medios. Seguiría el embudo comercial: contactos, oportunidades cualificadas, presupuestos, cierres y valor previsto. Si un anuncio genera cien formularios y solo dos contienen una oportunidad real, el volumen inicial no describe bien su eficacia.
2. Efecto de marca y demanda. Algunas campañas trabajan antes de que exista una compra. Podemos observar recuerdo espontáneo y sugerido, consideración, búsquedas de marca, tráfico directo, consultas sobre productos, menciones o familiaridad. No todas esas señales demuestran causalidad, pero ayudan a ver si la campaña está creando demanda en lugar de limitarse a recoger la que ya existía.
Las búsquedas de marca son especialmente interesantes cuando se interpretan con prudencia. Una persona puede escuchar una emisora, ver publicidad exterior, encontrarse un vídeo o recibir una recomendación y buscar la empresa más tarde. Search registra el final de ese recorrido, pero no necesariamente su comienzo. El aumento coincidente con campaña, territorio y otras señales puede reforzar la hipótesis, no demostrarla por sí solo.
3. Entrega y respuesta de medios. Aquí entran alcance, cobertura, frecuencia, impresiones, visualizaciones, clics, llamadas a números específicos, códigos, audiencia estimada o cualquier dato que nos diga qué exposición conseguimos. Cada medio deja señales distintas y no tiene sentido exigir la misma trazabilidad a todos.
En radio observaría audiencia, cobertura y frecuencia junto con llamadas, búsquedas, tráfico directo, visitas y ventas. En exterior, ubicación, estimaciones de exposición, búsquedas y respuesta en el territorio. En Search, impresiones elegibles, clics, consultas, conversiones y calidad de esas conversiones. En redes y vídeo, cobertura real, frecuencia, consumo de la pieza y acciones posteriores, evitando confundir interacción con negocio.
La precisión técnica no garantiza relevancia. Nielsen, en su Marketing ROI Blueprint de 2025, plantea precisamente la necesidad de priorizar resultados de negocio sobre métricas básicas de entrega y de integrar datos cross-media y creatividad para entender el impacto. Esa visión es particularmente útil para empresas que reciben un informe diferente de cada proveedor y necesitan una lectura común.
4. Evidencia de incrementalidad. Esta es la capa que intenta responder qué parte del resultado no habría ocurrido sin publicidad. A veces podremos aproximarla con un test geográfico o un grupo de control; otras, con series temporales y comparaciones; en campañas mayores, con experimentos, MMM u otros modelos.
Google y BCG publicaron en 2025 un estudio global con 3.140 organizaciones en el que solo el 40 % afirmaba confiar completamente en el rendimiento de sus soluciones actuales de medición. Su recomendación es utilizar conjuntamente MMM, pruebas de incrementalidad y atribución, precisamente porque ninguna herramienta resuelve por sí sola causalidad, velocidad, granularidad y cobertura.
La WFA y Ebiquity llegan en 2026 a una conclusión compatible: no existe una metodología única capaz de responder todas las preguntas, y el valor está en conectar fuentes de evidencia con reglas claras de decisión. Esto me parece especialmente importante para una pyme: si dos datos se contradicen, no elijas el que más te guste; pregunta qué estaba midiendo cada uno.
Por ejemplo, una plataforma puede mostrar un ROAS excelente mientras las ventas totales apenas cambian. Quizá esté atribuyéndose compras que ya se habrían producido. También puede ocurrir lo contrario: un medio con poca conversión directamente atribuida coincide con aumentos de búsquedas de marca, tráfico directo y ventas. No significa automáticamente que ese medio sea la causa, pero sí que eliminarlo solo porque no «cierra» la última conversión puede ser precipitado.
El tiempo también importa. Profit Ability 2, construido con estudios econométricos de 141 marcas y 1.800 millones de libras de inversión, encontró que el 58 % del beneficio publicitario total de su muestra apareció después de las primeras trece semanas. No trasladaría ese porcentaje a una empresa concreta, pero sí la advertencia: medir únicamente mientras la campaña está activa puede ocultar una parte sustancial del efecto.
Un sistema de medición sencillo para una pyme: una página, pocas métricas y una decisión
No recomiendo construir un dashboard si nadie sabe qué decisión tomará con él. Para la mayoría de campañas de una pequeña empresa empezaría con una ficha de una sola página. Debería poder leerse en cinco minutos y conservarse para comparar campañas futuras.
Antes de lanzar, anotaría:
- el problema de negocio y el objetivo principal;
- el periodo y territorio de campaña;
- la inversión total y por medio;
- la situación de partida del indicador principal;
- dos o tres señales secundarias;
- qué comparación utilizaremos;
- qué tendría que ocurrir para mantener, ampliar, modificar o detener la inversión.
Durante la campaña, separaría incidencias de resultados. Una URL rota, una campaña mal geolocalizada o una emisión que no se ha servido son problemas que deben corregirse inmediatamente. Una oscilación normal de ventas o CTR no justifica cambiar toda la estrategia cada día.
Registraría semanalmente el indicador principal, las señales secundarias y cualquier acontecimiento que pueda alterar la lectura. También pediría a quienes atienden teléfono, mostrador o comerciales que anoten de forma sencilla cómo llegan las oportunidades y qué calidad tienen. Esa información cualitativa suele descubrir cosas que ningún panel recoge.
Al terminar, no preguntaría «¿ha funcionado sí o no?» hasta haber respondido cuatro cuestiones:
- Entrega: ¿la campaña se ejecutó aproximadamente como estaba planificada?
- Efecto: ¿cambió el indicador principal y lo hicieron también señales compatibles con ese cambio?
- Causalidad razonable: ¿qué otras explicaciones existen y tenemos alguna comparación que ayude a separarlas?
- Economía: ¿el valor incremental probable compensa la inversión y qué ocurrió con margen, calidad del cliente y capacidad?
Después tomaría una decisión concreta. Mantener no es una decisión suficiente; debería significar mantener qué. Podemos conservar el medio y cambiar la creatividad, mantener el mensaje y ampliar cobertura, reducir una zona, aumentar frecuencia, mover presupuesto, mejorar la landing, cambiar la oferta o detener una acción. La medición es útil cuando modifica la siguiente campaña.
Si la campaña pretende captar clientes, enlazaría este análisis con la lógica de cuánto invertir en publicidad: margen de contribución, coste máximo de adquisición, tasa de cierre y retorno marginal. Una campaña que genera ventas puede seguir siendo mala si compra esas ventas por encima del valor que dejan.
También distinguiría retorno medio de retorno de la siguiente unidad de inversión. Que los primeros 2.000 euros hayan funcionado no significa que los siguientes 2.000 producirán exactamente lo mismo. Al aumentar presupuesto podemos agotar demanda, repetir demasiado sobre el mismo público o comprar inventario menos productivo. Escalar exige volver a medir.
Cuando la campaña combina varios medios, utilizaría una única ficha de negocio y anexaría los informes de cada proveedor. No dejaría que cada canal definiera su propio éxito con métricas incompatibles. La empresa necesita una pregunta común y después suficientes pistas para entender qué papel ha jugado cada pieza.
Un ejemplo sencillo: una empresa local busca aumentar solicitudes de presupuesto. Antes recibe 40 al mes y cierra el 25 %. Durante una campaña recibe 58, pero cambia además su política comercial. No adjudicaría automáticamente las 18 adicionales a la publicidad. Compararía calidad, zonas, búsquedas, llamadas, evolución histórica y cualquier mercado o grupo menos expuesto. Quizá concluyamos que la campaña explica una parte, no toda. Esa conclusión imperfecta pero razonada es mejor que afirmar un ROAS exacto basado únicamente en el último clic.
Finalmente guardaría la ficha. Dentro de seis meses podremos comprobar cuánto costó alcanzar determinada zona, qué mensaje produjo más consultas, qué medio aportó cobertura, qué periodo convirtió mejor y qué hipótesis quedaron pendientes. La medición empieza a generar ventaja cuando deja de ser un informe aislado y se convierte en memoria empresarial.
En publicidad eficaz explico las condiciones que aumentan las probabilidades de que una campaña funcione. Y los errores publicitarios que hacen perder dinero ayudan a detectar cuándo el problema está antes de la medición. Aquí la conclusión es complementaria: medir bien no significa saber con certeza absoluta qué hizo cada contacto; significa disponer de evidencia suficiente para tomar una decisión mejor que la anterior.
Si una pyme puede responder qué quería cambiar, qué ocurrió, qué parte parece incremental, cuánto valor generó y qué hará distinto la próxima vez, ya está midiendo mejor que muchas organizaciones llenas de dashboards.
Fuentes y referencias consultadas:
- World Federation of Advertisers y Ebiquity, The Paid Media Effectiveness Handbook (2026).
- WFA, Two-thirds of brand owners are behind on paid media measurement (2026).
- Google y BCG, Rethink ROI: When accuracy matters (2025).
- Nielsen, The Marketing ROI Blueprint (2025).
- Ebiquity, EssenceMediacom, Gain Theory, Mindshare y Wavemaker UK, Profit Ability 2.