Las métricas no mienten, las leemos mal
Una analista de marketing lleva veinte minutos mirando un dashboard.
El bounce rate subió de 45% a 72% en el último mes. ¿Es un problema?
Depende. De qué tipo de página es. De dónde viene el tráfico. De cuánto tiempo se quedó el usuario. De si volvió al buscador o siguió navegando en otro lado. El número no dice nada de eso. El número solo dice que el 72% de los visitantes no pasó al siguiente paso. Por qué no lo hicieron es la pregunta que el número no puede responder, y que alguien tiene que responder antes de tomar cualquier decisión.
El problema con las métricas de marketing no es que sean imprecisas. Es que son exactamente lo que dicen ser: registros de comportamiento observable. Registran qué ocurrió. No registran por qué. Y esa segunda pregunta (la del mecanismo, la del estado cognitivo del visitante, la de qué proceso interno produjo ese clic o ese abandono) es la que determina si la decisión que se toma a partir del dato resuelve algo real o administra un síntoma.
Las métricas no mienten. Las leemos con preguntas que ellas no pueden responder.
Este artículo explica por qué ocurre eso, qué le falta a la lectura convencional de datos, y cómo el marketing analytics y la psicología del consumidor trabajan mejor juntos que cada uno por separado.
1. El dashboard muestra R. El comportamiento ocurrió en O.
La parte que la métrica no registra
En 1929, el psicólogo Robert Woodworth propuso una corrección al conductismo de Watson, que trataba la mente como irrelevante para entender el comportamiento. Su corrección fue simple y poderosa: entre el estímulo y la respuesta hay un organismo. Un estado interno que procesa, filtra, interpreta y reacciona. Ignorar ese estado interno es describir el resultado de un proceso sin entender el proceso.
Mehrabian y Russell (1974) aplicaron este modelo a la psicología ambiental, y Jacoby (2002) lo reconceptualizó para incluir el procesamiento automático. Pero la estructura es la misma:
S — O — R. Estímulo, Organismo, Respuesta.
Aplicado a un dashboard de analytics, el mapa es directo: el estímulo es la página o el contenido. La respuesta es la métrica observable (el bounce, el tiempo, el clic, el scroll). El organismo es el estado cognitivo y afectivo del visitante en ese momento. Ese organismo no está en el dashboard. Nunca estuvo.
Esto significa que toda métrica digital es siempre una R. El mecanismo que la produjo es siempre una O. Leer solo la R sin inferir la O es describir el resultado de un proceso cognitivo sin entender el proceso. Y un diagnóstico que no entiende el proceso no puede diseñar una intervención que lo modifique.
El mismo número de bounce rate puede significar satisfacción, confusión, rechazo o evaluación en curso.
Cuál de los cuatro es el real no está en el número. Está en las condiciones bajo las que ese número se produjo, y en el estado cognitivo del visitante que lo generó.
Por qué el promedio miente aunque sea correcto
Hay un problema adicional que el modelo S-O-R ilumina: las métricas agregan. Un bounce rate del 68% es el promedio de miles de sesiones individuales, cada una producida por un organismo en un estado distinto. Algunos rebotaron porque encontraron exactamente lo que buscaban y se fueron satisfechos. Otros porque la página no coincidía con lo que esperaban. Otros porque se distrajo el teléfono. El promedio es real matemáticamente. No es real conductualmente.
La investigación en analítica del comportamiento del consumidor distingue entre el análisis en nivel agregado (tendencias de mercado, rendimiento de campaña) y el análisis en nivel episódico: la sesión de ese visitante específico, en ese momento, con ese estado de intención. Los dos son útiles para cosas distintas. Usar el primero para diagnosticar lo que solo el segundo puede explicar es el error metodológico más frecuente en la lectura de métricas.
2. El nombre de la métrica ya trae una interpretación, y eso es un problema
Por qué bounce rate y engagement rate no son lo mismo aunque el número sí lo sea
En 2020, Google Analytics 4 reemplazó el bounce rate por el engagement rate. El cambio fue presentado como una mejora metodológica. Matemáticamente, los dos números son el complemento del otro: si el engagement rate es 32%, el bounce rate es 68%. Describen el mismo evento desde ángulos opuestos.
Pero lo que cambia no es el dato. Es el esquema mental que activa en quien lo lee.
Tversky y Kahneman (1981) documentaron el efecto de framing: descripciones lógicamente equivalentes del mismo fenómeno activan esquemas de evaluación distintos y producen decisiones distintas. Es uno de los efectos más replicados en psicología cognitiva. Y opera con plena eficacia en los nombres de las métricas de marketing.
“Bounce rate” porta la metáfora del rechazo físico, un rebote, algo que chocó y volvió. Activa automáticamente un esquema de diagnóstico interno: ¿qué está mal en la página? ¿qué falló? ¿qué hay que cambiar? “Engagement rate” porta la metáfora de la participación activa, alguien eligió involucrarse. Activa un esquema de diagnóstico de segmentación: ¿quiénes son los que sí se involucran? ¿qué tienen en común? ¿cómo traer más de ellos?
El mismo dato. Dos preguntas distintas. Dos espacios de solución completamente diferentes.
El equipo que lee “bounce rate alto” empieza a rediseñar la página.
El equipo que lee “engagement rate bajo” empieza a analizar quién sí convierte. Los dos pueden tener razón. Los dos pueden estar equivocados. Pero el nombre de la métrica ya tomó la primera decisión por ellos, antes de que comenzara el análisis.
El mecanismo lingüístico en el resto de las métricas
Este mismo patrón opera en todas las métricas convencionales. “Tasa de abandono de carrito” activa un esquema de pérdida, algo que casi ocurrió y no ocurrió. “Tasa de visitantes que llegaron al checkout” activa un esquema de progreso parcial, algo que avanzó hasta cierto punto. Son el mismo dato con encuadres distintos.
“Tasa de retención” implica que el negocio retiene activamente. “Tasa de churn” implica que el consumidor se va activamente. El mismo número, dos hipótesis de agencia distintas, dos espacios de intervención distintos.
Esto no significa que haya que cambiar el nombre de todas las métricas. Significa que hay que ser consciente de que el nombre ya está haciendo trabajo interpretativo, y que ese trabajo puede estar orientando el análisis en la dirección equivocada antes de que empiece.
3. Tres métricas y lo que realmente dicen cuando se leen con condiciones
La objetivización de la lectura de métricas no es un diccionario universal, no existe una tabla que diga “bounce rate = X” sin contexto. Lo que sí existe es un protocolo condicional: lo que cada métrica dice depende de qué condiciones se establecen primero. Sin esas condiciones, cualquier interpretación es arbitraria.
Ninguna métrica se interpreta sola.
La combinación mínima que permite reducir la ambigüedad interpretativa es: tipo de página y objetivo conductual definido + fuente de tráfico e intención probable + al menos dos señales en triangulación (dwell time + comportamiento de scroll + acción posterior). Cada señal adicional reduce el espacio de mecanismos posibles. Una señal sola deja ese espacio demasiado abierto para decidir algo con precision.
4. Lo que la psicología del consumidor ve que el dashboard no registra
El estado del visitante antes de llegar a la página
Existe un problema de temporalidad que los dashboards de analytics estructuralmente no pueden resolver: la decisión de compra se construye antes de que analytics empiece a medir. Llega con historia.
El 6sense Buyer Experience Report de 2024, basado en una encuesta a 2.509 compradores B2B, documentó que aproximadamente el 70% del recorrido de compra está completo antes de que el comprador inicie el primer contacto con cualquier proveedor. Eso significa que cuando un visitante llega por primera vez al sitio web de una empresa, ya ha construido un conjunto de expectativas, marcos de referencia y criterios de evaluación que ninguna métrica de esa sesión puede capturar porque se formaron en otro lugar.
Un visitante que llega después de haber completado el 70% de su proceso de evaluación genera métricas radicalmente distintas a uno que llega en etapa de exploración inicial, aunque los dos produzcan la misma sesión en el dashboard. El primero lee con criterios específicos ya formados. El segundo explora sin ancla definida. La página que convierte bien al primero puede ser exactamente la página equivocada para el segundo.
La diferencia entre explorar y decidir, y por qué produce las mismas métricas
La investigación sobre estados cognitivos en el proceso de compra distingue al menos tres fases con dinámicas distintas: exploración, donde el consumidor está formando el problema y el espacio de soluciones; evaluación activa, donde tiene criterios definidos y está comparando opciones; y decisión, donde el proceso está en el último tramo y la barrera es situacional o afectiva, no informacional.
Los tres estados pueden producir sesiones con métricas similares: tiempo en página comparable, scroll parecido, bounce en el mismo rango. Pero requieren intervenciones completamente distintas. Para el explorador, el objetivo es proveer orientación y activar el reconocimiento del problema. Para el evaluador activo, el objetivo es reducir el riesgo percibido y proveer los criterios de comparación que ya está usando. Para el que está en fase de decisión, el objetivo es remover la barrera situacional específica que está impidiendo el último paso.
Tratar los tres con la misma intervención (optimizar el copy del CTA, mejorar el diseño de la página) es optimizar para un estado cognitivo y aplicarlo a otros dos donde no aplica.
El marketing analytics sabe qué hizo el visitante.
La psicología del consumidor infiere en qué estado cognitivo estaba cuando lo hizo. La primera información sin la segunda produce decisiones de optimización que a veces funcionan y a veces no, y no hay forma de saber cuándo va a pasar qué.
5. El trabajo en equipo: qué aporta cada disciplina y dónde se unen
La conclusión no es que las métricas son insuficientes y hay que reemplazarlas con investigación cualitativa. Es que las métricas y la psicología del consumidor responden preguntas distintas, y ambas preguntas son necesarias para tomar decisiones de estrategia con precisión real.
|
Marketing analytics: |
Psicología del consumidor: |
|
registra qué ocurrió, con qué frecuencia, en qué secuencia, en qué canal. Es el testigo más preciso del comportamiento observable. |
infiere por qué ocurrió, qué mecanismo cognitivo y afectivo lo produjo, qué condiciones lo sostienen o lo interrumpen, qué tipo de intervención puede modificarlo. |
Juntas: una provee el dato, la otra provee el mecanismo. Una describe el patrón, la otra explica la causa. Una identifica el síntoma, la otra diagnostica la condición.
El protocolo que lo hace posible tiene tres condiciones que deben establecerse antes de interpretar cualquier número. La primera: definir el objetivo conductual de esa página específica. ¿Qué se espera que haga el visitante? Sin esa definición, ninguna métrica tiene un valor de referencia contra el que ser comparada. La segunda: identificar la fuente de tráfico y el estado de intención probable. Tráfico orgánico desde búsqueda transaccional, tráfico desde redes sociales en modo exploración y tráfico de retargeting son tres estados cognitivos de entrada distintos que producen patrones métricos distintos para el mismo contenido. La tercera: triangular al menos dos señales antes de interpretar. Ninguna métrica sola discrimina entre mecanismos conductuales con suficiente precisión. La combinación de señales es lo que reduce la ambigüedad hasta un nivel donde la decisión puede tomarse con fundamento.
Esto no requiere que cada equipo de marketing se convierta en un laboratorio de neurociencia. Requiere que quien lee los datos sepa qué preguntas hacerle, y que sepa cuándo el número no puede responderlas solo, y a quién preguntarle el resto.
Los datos son honestos. Las preguntas que les hacemos, no siempre.
Los datos de analytics son lo más honesto que hay en una sala de estrategia. Registran exactamente lo que ocurrió. No especulan, no exageran, no tienen agenda. Si el bounce rate fue 72%, fue 72%.
El problema no está en los datos. Está en que seguimos haciéndoles preguntas que no pueden responder. ¿Por qué se fueron? ¿Qué estaban buscando realmente? ¿En qué momento de su proceso de decisión estaban cuando llegaron? ¿Qué habrían necesitado para quedarse? Esas son preguntas sobre estados internos (sobre la O del modelo S-O-R) y los datos solo muestran la R.
Esa brecha no es un defecto del marketing analytics. Es una limitación estructural de lo que cualquier registro de comportamiento observable puede capturar. Y la respuesta a esa limitación no es reemplazar los datos con intuición, ni reemplazar la intuición con más datos. Es añadir la disciplina que puede inferir lo que los datos no muestran directamente.
La psicología del consumidor no compite con el marketing analytics. Le hace las preguntas que el marketing analytics no puede hacerse a sí mismo. Y el marketing analytics le provee la escala y la precisión que la psicología del consumidor aplicada de forma cualitativa no puede tener sola.
Juntos, pueden responder no solo qué ocurrió, sino por qué, y diseñar intervenciones que resuelvan el mecanismo real, no el número más visible del dashboard.
Un dato que no puede ser preguntado correctamente no puede ser respondido útilmente. El trabajo no es tener más datos, es saber qué preguntarles.
Referencias bibliográficas
Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
Mehrabian, A., & Russell, J. A. (1974). An approach to environmental psychology. MIT Press.
Woodworth, R. S. (1929). Psychology: A study of mental life. Henry Holt and Company.
