Cambiando el paradigma de la medición: El Marketing ya no mide lo que pasó, ahora predice lo que viene.

Durante años, medir Marketing significó mirar por el retrovisor. Abrías el reporte el lunes, veías qué pasó la semana anterior y sacabas conclusiones sobre un dinero que ya estaba gastado. Nosotros lo hicimos así también. Todos lo hicimos. El problema es que esa forma de medir nació para un mundo que ya no existe, y seguir defendiéndola hoy es quedarse discutiendo el pasado mientras la competencia decide el futuro.

La verdad es que el giro ya ocurrió. La medición dejó de ser un ejercicio de memoria para convertirse en uno de anticipación. Y la mayoría de las empresas todavía no lo nota.

MEDIR EL PASADO ERA MEDIR LO QUE YA NO PODÍAS CAMBIAR

Pensemos en lo que hacía un reporte tradicional. Te decía cuánto vendiste, cuánto gastaste y qué canal rindió mejor. Información útil, sí, pero llegaba tarde. Para cuando la leías, la campaña había terminado y la decisión ya no existía.

Ese modelo tenía un vicio de origen: asumía que la información sirve para explicar, no para actuar. Y ahí está el desperdicio. Gartner encontró que las analíticas de Marketing influyen apenas en el 53% de las decisiones. La otra mitad se toma por instinto, por costumbre, o directamente ignorando los datos. De hecho, un 24% de los líderes reconoció que decide por corazonada aunque tenga la data enfrente (Gartner, 2022).

Duele leerlo, pero tiene lógica. Si el dato solo describe lo que ya no puedes tocar, ¿para qué usarlo? El punto no era que a la gente no le importaran los números. Era que los números no ayudaban a decidir nada que todavía estuviera vivo.

Piénsalo desde la sala de reuniones. El equipo presenta un informe con el detalle de la campaña que terminó. Todos asienten. Nadie cambia nada, porque no hay nada que cambiar. La campaña ya corrió, el presupuesto ya voló. En el mejor de los casos, alguien anota un aprendizaje para la próxima vez. Y esa próxima vez casi nunca se parece a la anterior, así que el aprendizaje envejece antes de aplicarse. Medir el pasado no era inútil, pero era lento. Y en Marketing, lento es caro.

Ese retraso también dejaba una factura silenciosa que casi nadie contabilizaba. Nielsen calculó que cerca de la mitad de los planes de medios están subinvertidos, con una mediana de subinversión del 50%, porque los equipos ajustan el presupuesto mirando lo que ya pasó en lugar de proyectar dónde rendiría el próximo peso (Nielsen, 2022). Dicho de otro modo, medir hacia atrás no solo llegaba tarde. Empujaba a repartir la plata según la foto vieja, y esa foto casi siempre engañaba.

LA PREGUNTA CAMBIÓ: YA NO ES QUÉ PASÓ, ES QUÉ VA A PASAR

El Marketing predictivo invierte la lógica completa. En vez de contar la historia, la adelanta. Hay modelos de propensión que estiman quién está a punto de comprar. Hay algoritmos de next best action que definen el siguiente movimiento antes de que el cliente lo pida. Hay sistemas que asignan presupuesto según lo que probablemente rinda, no según lo que rindió el trimestre anterior.

No es teoría de laboratorio. Google Analytics 4 ya trae métricas predictivas de fábrica: probabilidad de compra, probabilidad de abandono y ingreso previsto por usuario. Con esas señales cualquier equipo puede armar audiencias de gente con alta chance de comprar en los próximos siete días, o de gente que está a punto de irse, y actuar antes de que ocurra (Google, Analytics Help, 2024). La pregunta ya no es a quién le vendimos. Es a quién estamos a punto de perder, y qué hacemos esta semana para evitarlo.

McKinsey lo describe con claridad: las empresas líderes usan analítica predictiva y modelos de propensión para decidir qué contenido y qué mensaje mostrarle a cada cliente. Y el resultado no es cosmético. La personalización bien ejecutada genera entre un 5% y un 15% de lift en ingresos, y mejora la eficiencia del gasto de Marketing entre un 10% y un 30% (McKinsey, 2023).

Hay una segunda familia de modelos que trabaja en el otro extremo del embudo, el del valor de largo plazo. Los modelos de Customer Lifetime Value intentan estimar cuánto valdrá un cliente a lo largo de la relación, no cuánto dejó en la primera compra. Eso cambia a quién persigues. Un cliente que hoy gasta poco pero tiene alta propensión a quedarse vale más que uno que hizo una compra grande y no vuelve nunca. Medir hacia adelante te deja pagar por el segundo tipo de cliente con los ojos abiertos, en vez de celebrar la venta de hoy y perder la relación de mañana.

Vale la pena bajarlo a un caso concreto, porque en abstracto suena a folleto. Imagina un ecommerce que vende suscripciones. En el mundo retrospectivo, el equipo revisa el lunes cuántas altas hubo, festeja si subieron y sube la inversión en el canal que trajo más altas ese fin de semana. En el mundo predictivo, el modelo marca el jueves anterior a qué suscriptores les cayó la probabilidad de renovar por debajo de cierto umbral, y el equipo les manda una oferta de retención antes de que se vayan. La primera versión reacciona a una baja que ya ocurrió. La segunda actúa sobre una baja que todavía no ocurrió, y que quizás no ocurra justamente porque alguien la vio venir. Cuando comparas las dos formas de operar durante un trimestre completo, la diferencia en retención no es marginal. Es la diferencia entre pagar para recuperar clientes perdidos y pagar para no perderlos.

Esa diferencia no viene de tener más data. Viene de usarla para mirar hacia adelante en lugar de hacia atrás. Es un cambio de pregunta, no de herramienta. Para ver el contraste con crudeza, conviene poner las dos lógicas lado a lado.

Y cambiar la pregunta cambia todo lo demás. Cuando dejas de preguntar qué pasó y empiezas a preguntar qué va a pasar, el reporte deja de ser un archivo muerto y se vuelve un mapa. La conversación con el equipo también cambia. Ya no se discute a quién felicitar por el trimestre. Se discute dónde poner la próxima ficha. El foco se corre del mérito al movimiento, y ese pequeño corrimiento vale más que cualquier dashboard nuevo.

Acá aparece algo incómodo. Muchas empresas ya tienen la tecnología. Lo que no tienen es el criterio para leerla. Sobre eso escribimos antes, cuando planteamos que tu reporte puede tener 40 métricas y ninguna decisión. El predictivo no arregla ese problema solo. Lo amplifica si nadie lo gobierna.

DE LA PREDICCIÓN A LA DECISIÓN DE PRESUPUESTO

Predecir quién va a comprar es una cosa. Decidir cuánto invertir en cada canal para el próximo trimestre es otra, y ahí es donde el Marketing predictivo se pone serio. El Marketing Mix Modeling, que durante décadas fue un ejercicio forense para explicar el pasado, hoy se usa para proyectar escenarios futuros. La diferencia está en cómo se calibra el modelo.

Google liberó Meridian, su framework de MMM de código abierto, con una idea que ordena bastante el campo: el modelo se calibra con experimentos de incrementalidad reales, no solo con correlaciones históricas. Eso permite pedirle al modelo que simule asignaciones de presupuesto que todavía no ocurrieron y estime el ingreso incremental y el retorno de cada escenario antes de gastar un peso (Google, Meridian, 2025). El MMM deja de contestar cuánto rindió el año pasado y empieza a contestar cuánto rendiría el año que viene si movemos la plata de esta manera.

La pieza que hace honesto todo esto es el experimento. Un modelo puede afirmar que un canal genera ventas, pero solo un test geográfico o un grupo de control confirma si esas ventas existirían igual sin el canal. Cuando el MMM se apoya en experimentos de incrementalidad, la proyección deja de ser una opinión estadística y se vuelve una apuesta con respaldo causal. Es el mismo principio que trabajamos cuando comparamos los modelos de medición MMM, MTA e incrementalidad: cada uno responde una pregunta distinta, y usarlos para lo que no fueron hechos es la fuente más común de decisiones caras.

LA ADOPCIÓN CORRE MÁS RÁPIDO QUE LA COMPRENSIÓN

Los números de adopción son contundentes. Según el Tech Marketing Benchmarks Survey de Gartner, la proporción de equipos con IA en producción se duplicó, pasó del 10% en 2023 al 20% en 2024 (Gartner, 2024). Forrester agrega que un 67% de los tomadores de decisión en IA planea aumentar su inversión en IA generativa dentro del año (Forrester, 2024).

Todos corriendo hacia lo mismo. Pero corriendo, ojo, no siempre entendiendo hacia dónde.

Porque hay una brecha que casi nadie nombra. The CMO Survey, dirigido por Christine Moorman, muestra que un 56,5% de las empresas ya usa IA para generar insights de clientes con analítica predictiva. Y sin embargo, esas mismas empresas usan la analítica en la toma de decisiones solo el 39,3% del tiempo (The CMO Survey, Fall 2024).

Leamos eso dos veces. Más de la mitad ya tiene modelos predictivos funcionando. Menos de cuatro de cada diez decisiones se apoyan de verdad en esos datos. La tecnología predijo. La organización, muchas veces, no escuchó.

El patrón se repite en la investigación más reciente de McKinsey sobre IA: la mayoría de las organizaciones ya la usa en alguna función, pero una porción enorme reconoce que todavía no ve un valor significativo de esa inversión (McKinsey, State of AI, 2025). La conclusión que sacan es la misma que vemos en las mesas donde trabajamos. El valor no aparece por encender el modelo. Aparece cuando alguien rediseña la forma de decidir alrededor del modelo, y esa parte es trabajo humano.

La brecha entre confianza y práctica no es exclusiva del predictivo, dicho sea de paso. Nielsen ya la había documentado en la medición clásica: la mayoría de los marketers dice sentirse capaz de medir el retorno de su inversión, pero solo una minoría lo mide de verdad de forma integral entre canales tradicionales y digitales (Nielsen, 2023). Cuando llega la analítica predictiva, esa distancia entre lo que creemos saber y lo que realmente sabemos no desaparece. Se vuelve más rápida y más difícil de auditar, porque ahora la cifra viene de una caja negra que casi nadie en la sala sabe abrir.

EL PELIGRO NO ES PREDECIR MAL, ES PREDECIR SIN CRITERIO

Nuestra postura es directa. El Marketing predictivo no es magia y tampoco es una amenaza. Es una palanca. Y como toda palanca, multiplica lo que ya tienes. Si tienes claridad de Negocio, la multiplica. Si tienes desorden, también.

El riesgo real no está en que un modelo se equivoque, eso pasa y se corrige. El riesgo está en delegar la decisión completa al modelo sin entender qué está optimizando. Las plataformas te muestran predicciones que se validan a sí mismas. Meta te dice que Meta funciona. Google te dice que Google funciona. Cada una mide su propio partido y canta su propio gol.

Ahí es donde el predictivo se vuelve peligroso. No por lo que predice, sino por lo que te hace dejar de cuestionar. Es el mismo error que analizamos en el espejismo del ROAS: una métrica que sube en el dashboard mientras el Negocio no se mueve. Un modelo predictivo puede prometerte conversiones que ya ibas a tener igual, y presentártelas como mérito suyo.

Y conviene decir la parte incómoda en voz alta: una predicción puede estar mal. Un modelo aprende de los datos que le das, así que si esos datos están sucios, sesgados o mal etiquetados, la predicción hereda el defecto y lo escala. Un cambio de estacionalidad, una promoción de la competencia, un evento que el histórico nunca vio, y el modelo que ayer parecía un oráculo empieza a recomendar decisiones malas con total seguridad. La confianza que da una cifra en pantalla no tiene relación con la calidad de los datos que la produjeron. Por eso ninguna predicción reemplaza el criterio de quien la lee. La complementa, en el mejor de los casos.

La velocidad la ponen las plataformas. El criterio lo pones tú. Esa frontera no se negocia.

CÓMO SE MIDE CUANDO LA MEDICIÓN YA NO ESPERA

Entonces, ¿qué hacemos distinto? Primero, definimos las métricas de Negocio antes de encender cualquier modelo. No después. Un algoritmo optimiza lo que le pides, así que si le pides la métrica equivocada, la va a cumplir con una eficiencia brutal, y te va a llevar al lugar equivocado más rápido que nunca.

Segundo, tratamos las predicciones como hipótesis, no como veredictos. El modelo dice que este segmento tiene alta propensión a comprar. Bien. ¿Contra qué lo comparamos? ¿Qué habría pasado sin esa acción? Sin un grupo de control, sin una medición incremental de verdad, una predicción es solo una opinión bien vestida. Un test bien diseñado convierte esa opinión en evidencia, y la evidencia es lo único que sobrevive a la primera reunión difícil.

Tercero, mantenemos una capacidad de medición independiente de las plataformas. Que ellas midan es esperable. Que sean el único juez, no. La analítica propia y la lectura incremental son lo que separa una decisión informada de una fe ciega en la caja negra. De eso se trata nuestro trabajo en Analytics y CRO: montar la infraestructura de medición que te devuelve el control del criterio.

Nada de esto exige un equipo gigante de científicos de datos. Exige orden. Necesitas una definición clara de qué es una conversión que importa, una forma honesta de medir el incremental, y la disciplina de no comprar la primera cifra bonita que aparece en pantalla. Las empresas que ganan con predictivo no son las que tienen el modelo más sofisticado. Son las que saben qué le están pidiendo al modelo, y por qué.

El Marketing predictivo es una oportunidad enorme, no lo discutimos. Pero solo para quien sabe qué pregunta está haciendo. Predecir sin un modelo de Negocio detrás es acelerar hacia un destino que nadie eligió.

En Futture lo vemos así: la medición dejó de mirar el pasado y ahora anticipa. La verdadera pregunta no es si tu tecnología puede predecir, porque casi seguro ya puede. La pregunta es si tu organización va a anticipar con criterio propio, o va a dejar que las plataformas decidan por ella el futuro que dicen estar prediciendo.