Blog

Business development specialist presenting growth strategy frameworks to gathered client team members at whiteboard

<figure id="figure-edgu9a9lg7mu8l3ab3"><img id="edgu9a9lg7mu8l3ab3" src="https://cdn.durable.co/blocks/25agUIHZNYz0VcdKD4zSzlLOaOo16e4wJnYLyDFgDKKDFOqu3aUYl93hnWgDRJrD.png" alt="Modelo de presupuesto multiunidad con presencia mínima, crecimiento y aprendizaje" title="Modelo de presupuesto multiunidad con presencia mínima, crecimiento y aprendizaje" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/25agUIHZNYz0VcdKD4zSzlLOaOo16e4wJnYLyDFgDKKDFOqu3aUYl93hnWgDRJrD.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>El Growth multiunidad necesita asignar presupuesto según oportunidad marginal, capacidad y aprendizaje, no únicamente según ventas históricas ni repartirlo por igual. Una red de centros, tiendas, clínicas, academias o mercados comparte marca e infraestructura, pero cada unidad opera con demanda, madurez, competencia y restricciones distintas.</p><p>Centralizarlo todo destruye contexto local. Dejarlo todo en manos locales impide acumular aprendizaje y negociar escala. El diseño senior combina una capa común de datos, marca y experimentación con decisiones cercanas a cada realidad operativa.</p><p>El objetivo no es homogeneizar unidades. Es convertir conocimiento disperso en un sistema que mueve capital hacia la siguiente oportunidad rentable.</p><h2>Por qué el presupuesto histórico reproduce el pasado</h2><p>Repartir inversión proporcionalmente a ventas premia a las unidades que ya tienen demanda, marca o capacidad. Puede negar recursos a mercados con potencial y seguir financiando centros saturados.</p><p>Repartir por igual parece neutral, pero ignora diferencias de tamaño, ocupación, costes y madurez. Una apertura necesita comprar aprendizaje; una unidad estable puede optimizar margen; otra al 95 % de capacidad quizá no deba generar más demanda hasta resolver Operaciones.</p><p>También es engañoso comparar CAC sin contexto. Una unidad nueva suele tener poco tráfico orgánico y mayor incertidumbre; una madura se beneficia de clientes recurrentes y búsquedas de marca. El promedio no refleja el coste de la siguiente captación.</p><h2>Tres bolsas de presupuesto</h2><p>Separaría la inversión en tres funciones.</p><h3>1. Presencia mínima</h3><p>Mantiene marca, cobertura básica, datos y capacidad de respuesta local. No necesita justificarse con el mismo retorno inmediato que una campaña incremental, pero debe tener un propósito explícito.</p><h3>2. Crecimiento marginal</h3><p>Se dirige a unidades con demanda disponible, capacidad operativa y CAC marginal compatible con margen y payback. Aquí la inversión compite por retorno esperado.</p><h3>3. Aprendizaje</h3><p>Financia mercados inciertos, pruebas de oferta, creatividades o canales. Su retorno inmediato puede ser inferior; su entrega es reducir una incertidumbre que afectará decisiones futuras.</p><p>Mezclar las tres bolsas provoca discusiones estériles. Una prueba temprana parece ineficiente frente a una unidad madura, y una inversión recurrente se protege llamándola «aprendizaje» aunque ya no produzca información nueva.</p><h2>Un caso con cuatro unidades</h2><p>Ejemplo ilustrativo:</p><p>• Unidad · Ocupación · CAC histórico · Margen anual por cliente · Lectura<br>• A · 92 % · 80 € · 220 € · Buena eficiencia, poca capacidad<br>• B · 68 % · 105 € · 260 € · Escalable<br>• C · 55 % · 130 € · 310 € · Mejorar oferta y conversión<br>• D · Apertura · 140–230 € · Sin madurar · Presupuesto de aprendizaje</p><p>Enviar más inversión a A porque tiene el mejor CAC generaría leads que Operaciones no puede atender o desplazaría demanda orgánica. Mantendría cobertura y trabajaría capacidad o pricing.</p><p>Escalaría B mientras el CAC marginal y el payback se mantengan. En C probaría propuesta, creatividades y proceso comercial: su margen permite pagar más, pero todavía hay fricción. D recibiría un presupuesto limitado con una puerta de validación, no un objetivo de eficiencia equivalente a una unidad madura.</p><p>La recomendación no sale de ordenar CAC de menor a mayor. Sale de conectar demanda, capacidad, margen y valor del aprendizaje.</p><h2>La curva de capacidad cambia la economía de Marketing</h2><p>En servicios y negocios físicos, captar demanda por encima de capacidad puede elevar tiempos de espera, deteriorar experiencia y aumentar churn. El CAC aparente no recoge esos costes inmediatamente.</p><p>Incorporaría al modelo plazas disponibles, agendas, inventario, ratio de atención o límite comercial. La oportunidad marginal es el mínimo entre demanda capturable y capacidad servible.</p><p>También observaría capacidad futura. Una campaña puede empezar antes de una apertura si el ciclo de decisión es largo; detenerse si genera expectativas que no pueden atenderse. Growth y Operaciones deben compartir la misma previsión.</p><h2>Qué centralizar, qué dejar en local y qué decidir juntos</h2><h3>Central</h3><p>• Arquitectura de datos y definiciones.<br>• Marca y activos comunes.<br>• Tecnología, CRM y medición.<br>• Negociación de medios y grandes experimentos.<br>• Repositorio de aprendizajes.</p><h3>Local</h3><p>• Partners y activaciones de proximidad.<br>• Adaptación comercial dentro de los límites de marca.<br>• Contexto competitivo y operativo.<br>• Feedback cualitativo y excepciones.</p><h3>Compartido</h3><p>• Presupuesto y objetivos.<br>• Pricing y promociones.<br>• Priorización de tests.<br>• Plan de capacidad.<br>• Decisión de escalar o detener.</p><p>El reparto debe incluir derechos de decisión, no solo responsabilidades genéricas. Cuando algo cambia, todos deben saber quién propone, quién aporta contexto y quién decide.</p><h2>Un dashboard multiunidad orientado a decisión</h2><p>Mostraría dos vistas conectadas.</p><p>La vista central compara inversión, demanda incremental, capacidad, conversión, CAC marginal, margen, payback y calidad por unidad. Identifica patrones y permite mover capital.</p><p>La vista local explica la excepción: agenda, competencia, acciones comerciales, incidencias, promociones y mix. Una cifra sin contexto puede castigar a la unidad que está construyendo capacidad o premiar a la que recoge demanda heredada.</p><p>Además, etiquetaría madurez: apertura, validación, escalado, optimización o saturación. Comparar una apertura con una unidad estable utilizando el mismo umbral no es exigencia; es un error de modelo.</p><h2>Cómo transferir aprendizaje sin copiar tácticas a ciegas</h2><p>Cada experimento debería declarar:</p><p>• Hipótesis y mecanismo.<br>• Contexto de la unidad.<br>• Segmento y oferta.<br>• Métrica primaria y guardrails.<br>• Resultado e incertidumbre.<br>• Condiciones bajo las que sería transferible.</p><p>Si una creatividad funciona en B, no la desplegaría automáticamente. Comprobaría si el problema, la audiencia, el precio y la capacidad se parecen. Lo que escala no siempre es el anuncio; puede ser el insight o el método.</p><p>Una biblioteca de aprendizajes debe incluir pruebas negativas. Repetir un test fallido en cinco unidades por no compartir contexto es uno de los costes ocultos de una organización fragmentada.</p><h2>Proceso trimestral de asignación</h2><p>1. Estimar capacidad y demanda base por unidad.<br>2. Calcular economía por cohorte y CAC marginal.<br>3. Clasificar madurez y principal restricción.<br>4. Reservar presencia mínima.<br>5. Crear una cartera de crecimiento y aprendizaje.<br>6. Asignar tramos pequeños con puertas de validación.<br>7. Revisar semanalmente señales operativas.<br>8. Mover presupuesto cuando cambia la oportunidad, no solo al cerrar el trimestre.<br>9. Documentar qué se aprendió y dónde aplica.</p><h2>Errores frecuentes en Growth multiunidad</h2><p>• Repartir según ventas históricas.<br>• Exigir el mismo CAC a unidades con márgenes distintos.<br>• Ignorar capacidad y generar demanda inviable.<br>• Confundir una apertura con una unidad ineficiente.<br>• Centralizar tácticas sin escuchar contexto.<br>• Dejar medición y marca fragmentadas.<br>• Escalar un resultado local sin comprobar transferibilidad.<br>• No separar presupuesto de retorno y de aprendizaje.<br>• Permitir que el presupuesto dependa de quién lo defiende mejor.</p><h2>Preguntas frecuentes</h2><h3>¿Debe cada unidad tener su propio presupuesto?</h3><p>Debe existir visibilidad por unidad, aunque parte se gestione centralmente. La granularidad debe permitir relacionar inversión, capacidad y resultado sin crear una estructura administrativa innecesaria.</p><h3>¿Cómo comparar una unidad nueva con una madura?</h3><p>Con etapas y objetivos distintos. La nueva compra información y valida mecanismo; la madura optimiza retorno marginal. Ambas necesitan límites, pero no el mismo benchmark.</p><h3>¿Cuándo mover presupuesto?</h3><p>Cuando cambia la oportunidad marginal: saturación, capacidad, CAC, margen o evidencia. No hace falta esperar al calendario si el sistema permite reasignación controlada.</p><h2>Conclusión: escala es compartir infraestructura y aprender mejor</h2><p>Una red no crea ventaja por repetir la misma campaña en muchos lugares. La crea cuando comparte datos, marca, tecnología y conocimiento sin negar diferencias reales.</p><p>El Growth multiunidad funciona cuando el capital se mueve hacia la siguiente oportunidad rentable, las aperturas compran aprendizaje con límites y cada resultado local mejora el sistema completo. Entonces la centralización deja de ser control y se convierte en memoria, criterio y capacidad de asignación.</p><figure id="figure-15n23iz7cmu8l3jyq"><img id="15n23iz7cmu8l3jyq" src="https://cdn.durable.co/blocks/31dYgy2Bw1OBmpOeKzr1iMBVlvxw8s2FhyDMLO9luW3GwLtlHQg4oKaMHD4o4Kkp.png" alt="Dashboard multiunidad con capacidad, CAC marginal, margen y payback por centro" title="Dashboard multiunidad con capacidad, CAC marginal, margen y payback por centro" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

Growth multiunidad: presupuesto, aprendizaje y control local

Overhead view of strategist's workspace showing proprietary growth framework canvas with annotated notes and tools

<figure id="figure-8c5t1ajj3mu8l4p3s"><img id="8c5t1ajj3mu8l4p3s" src="https://cdn.durable.co/blocks/2bpoNabzLyMCCueS9KisLjyAUxwygOLNKaDMhINQTmyIMKK9z5tGgpxpKmLnlZJm.png" alt="Matriz de Ansoff con penetración, desarrollo de mercado, producto y diversificación" title="Matriz de Ansoff con penetración, desarrollo de mercado, producto y diversificación" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/2bpoNabzLyMCCueS9KisLjyAUxwygOLNKaDMhINQTmyIMKK9z5tGgpxpKmLnlZJm.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>La matriz de Ansoff ordena cuatro vías de crecimiento según si el mercado y el producto son actuales o nuevos: penetración, desarrollo de mercado, desarrollo de producto y diversificación. Su utilidad no consiste en rellenar cuatro cuadrantes, sino en hacer visible cuánta incertidumbre asumimos y qué evidencia necesitamos antes de comprometer capital.</p><p>Una opción con mayor tamaño de mercado no es necesariamente la mejor siguiente decisión. Puede exigir capacidades inexistentes, un CAC más alto, un payback incompatible con la caja o dos incertidumbres simultáneas que todavía no sabemos separar.</p><p>Utilizaría Ansoff como mapa de hipótesis, no como selector automático de estrategia.</p><h2>Qué es la matriz de Ansoff</h2><p>Igor Ansoff presentó una forma de relacionar productos y mercados para pensar en crecimiento. La matriz resultante contiene cuatro cuadrantes:</p><p>• &nbsp;· Mercado actual · Mercado nuevo<br>• **Producto actual** · Penetración de mercado · Desarrollo de mercado<br>• **Producto nuevo** · Desarrollo de producto · Diversificación</p><p>El eje no es completamente binario. Un mercado puede ser nuevo por geografía, segmento, canal, caso de uso o modelo comercial. Un producto puede cambiar en funcionalidades, propuesta, packaging o tecnología. Definir qué significa «nuevo» para la empresa evita clasificar como penetración una apuesta que, operativamente, exige capacidades totalmente distintas.</p><h2>Penetración de mercado: crecer donde ya competimos</h2><p>Busca vender más del producto actual al mercado actual. Puede apoyarse en mayor cobertura, conversión, frecuencia, retención, share of wallet o recuperación de clientes.</p><p>Suele parecer la opción menos arriesgada porque existe conocimiento previo. Sin embargo, puede esconder saturación. Si el CAC marginal aumenta, la audiencia disponible se agota o Operaciones no tiene capacidad, repetir la táctica histórica no equivale a una oportunidad rentable.</p><p>La evidencia clave incluye demanda todavía capturable, elasticidad, incrementalidad, capacidad y margen por el siguiente tramo.</p><h2>Desarrollo de mercado: transferir una propuesta a un contexto nuevo</h2><p>Consiste en llevar el producto actual a una nueva geografía, segmento o canal. La pregunta central es la transferibilidad.</p><p>Una propuesta que funciona en un mercado puede depender de marca, regulación, distribución, poder adquisitivo o comportamiento comercial que no se repiten. Traducir creatividades no valida un nuevo país. Necesitamos entender problema, disposición a pagar, costes locales, canal y capacidad de servicio.</p><p>Los primeros indicadores deben medir aprendizaje: tasa de respuesta, conversión cualificada, ciclo de venta, coste de atender y señales de repetición. Un CAC bajo durante una prueba pequeña no demuestra escalabilidad.</p><h2>Desarrollo de producto: ampliar valor para el mercado actual</h2><p>Introduce una oferta nueva para clientes o usuarios ya conocidos. Puede aumentar ticket, retención o margen, pero también fragmentar la propuesta, elevar coste de soporte o canibalizar el producto principal.</p><p>La ventaja es disponer de acceso y conocimiento del cliente. El riesgo es confundir peticiones con disposición a pagar. Una preventa, un servicio manual o una prueba limitada aportan evidencia más fuerte que una encuesta aislada.</p><p>Evaluaría adopción, repetición, expansión neta, margen incremental y efecto sobre el producto existente.</p><h2>Diversificación: dos incertidumbres a la vez</h2><p>Producto nuevo y mercado nuevo. No es sinónimo de mala estrategia: puede responder a una transición tecnológica, una adquisición o una capacidad transferible. Pero exige una tesis más fuerte porque todavía no dominamos ni la oferta ni la distribución.</p><p>Separaría las incertidumbres siempre que fuera posible. Podemos probar el problema en el mercado nuevo con una solución manual, o validar el producto con un segmento conocido antes de expandir. Reducir una incógnita antes de escalar la otra mejora la calidad de la apuesta.</p><h2>Convertir los cuadrantes en una matriz de evidencia</h2><p>Para comparar opciones utilizaría criterios comunes:</p><p>• Tamaño accesible, no solo TAM teórico.<br>• Ventaja o activo que podemos transferir.<br>• CAC esperado y comportamiento marginal.<br>• Margen de contribución y payback.<br>• Tiempo hasta una señal útil.<br>• Capacidades y costes fijos necesarios.<br>• Reversibilidad de la inversión.<br>• Riesgo regulatorio u operativo.</p><p>No asignaría una puntuación mecánica sin explicar la evidencia. El objetivo es hacer visibles supuestos y diferencias, no fabricar un decimal que oculte juicio.</p><h2>Un ejemplo de secuencia de crecimiento</h2><p>Este caso utiliza cifras ilustrativas.</p><p>Una empresa compara tres opciones:</p><p>• Penetración: captar 1.000 clientes adicionales, CAC marginal de 140 euros y margen anual esperado de 210.<br>• Mercado nuevo: 2.500 clientes potenciales, CAC estimado entre 190 y 280 y 180.000 euros de costes fijos.<br>• Producto complementario: elevar margen por cliente en 60 euros, con evidencia cualitativa pero sin prueba de pago.</p><p>La oportunidad con mayor TAM es el mercado nuevo, pero no tiene por qué ser la primera. La empresa podría financiar penetración mientras el CAC marginal permanezca dentro del límite, ejecutar una prueba geográfica pequeña y abrir una preventa del complemento.</p><p>Esta secuencia compra información antes de comprometer capital. Si la penetración genera caja, la prueba de mercado reduce el intervalo de CAC y la preventa confirma disposición a pagar, la siguiente decisión parte de evidencia mejor.</p><h2>Stage gates: puertas de validación para cada opción</h2><p>Cada cuadrante necesita una señal mínima antes de avanzar.</p><h3>Penetración</h3><p>Incrementalidad, saturación por segmento, CAC marginal, capacidad y retención de la nueva cohorte.</p><h3>Desarrollo de mercado</h3><p>Problema confirmado, conversión, disposición a pagar, coste de adquisición local, regulación y capacidad de entrega.</p><h3>Desarrollo de producto</h3><p>Adopción, repetición, margen, canibalización y efecto sobre retención o expansión.</p><h3>Diversificación</h3><p>Evidencia separada de problema, solución, canal y economía. El umbral debe ser mayor porque el coste de aprender suele ser más alto.</p><p>Una puerta no es una previsión exacta. Es una condición para no seguir financiando una historia cuando la evidencia clave no aparece.</p><h2>Ansoff y Unit Economics</h2><p>Los cuatro cuadrantes pueden generar ingresos y destruir valor. Por eso conectaría la estrategia con una cuenta económica por cohorte.</p><p>En penetración, vigilaría CAC marginal y saturación. En mercado nuevo, costes fijos, payback y velocidad de maduración. En producto nuevo, margen incremental y canibalización. En diversificación, runway y valor de la información obtenida.</p><p>También observaría caja. Dos opciones con retorno esperado similar pueden necesitar perfiles de financiación distintos. La que recupera inversión en seis meses puede ser ejecutable; la que lo hace en tres años, no, aunque su LTV teórico sea mayor.</p><h2>Cómo presentar la recomendación a stakeholders</h2><p>Una recomendación completa debería responder:</p><p>1. Qué opción priorizamos y por qué ahora.<br>2. Qué dejamos de hacer o retrasamos.<br>3. Qué evidencia respalda la elección.<br>4. Qué supuesto sigue sin validar.<br>5. Cuánto invertimos en ejecución y cuánto en aprendizaje.<br>6. Qué señal permite escalar.<br>7. Qué señal obliga a parar o reorientar.</p><p>La conversación mejora cuando el comité no elige entre cuatro etiquetas, sino entre secuencias de riesgo, retorno y aprendizaje.</p><h2>Errores frecuentes con la matriz de Ansoff</h2><p>• Suponer que el cuadrante determina el riesgo por sí solo.<br>• Confundir mercado grande con mercado accesible.<br>• Llamar penetración a una expansión que exige nuevas capacidades.<br>• Evaluar ingresos sin margen, payback ni caja.<br>• Abrir demasiadas apuestas y no financiar ninguna señal suficiente.<br>• Utilizar puntuaciones sin explicar evidencia.<br>• No definir puertas de validación ni abandono.<br>• Presentar diversificación como visión cuando todavía es una suma de incógnitas.</p><h2>Preguntas frecuentes sobre Ansoff</h2><h3>¿Cuál es la estrategia menos arriesgada?</h3><p>En teoría, la penetración. En la práctica, depende de saturación, competencia, capacidad y economía marginal. Un mercado actual agotado puede ser más arriesgado que una expansión cuidadosamente validada.</p><h3>¿Puede una iniciativa ocupar varios cuadrantes?</h3><p>Sí. Un nuevo packaging para un segmento nuevo mezcla desarrollo de producto y mercado. Conviene separar componentes para identificar qué incertidumbre estamos validando.</p><h3>¿La matriz decide dónde invertir?</h3><p>No. Ordena opciones. La decisión necesita evidencia de cliente, capacidades, Unit Economics, caja y reversibilidad.</p><h2>Conclusión: estrategia es elegir dónde comprar incertidumbre</h2><p>Ansoff sigue siendo útil porque obliga a nombrar qué cambia: producto, mercado o ambos. Su límite aparece cuando la matriz se trata como respuesta en vez de como punto de partida.</p><p>La estrategia no es ocupar cuatro cuadrantes. Es decidir qué incertidumbre merece capital, en qué secuencia podemos reducirla y qué evidencia necesitaremos antes de escalar. Ahí el modelo deja de ser una diapositiva y se convierte en un sistema de decisión.</p><figure id="figure-400zb4vvjmu8l4zmf"><img id="400zb4vvjmu8l4zmf" src="https://cdn.durable.co/blocks/39XBMeGXCmORvVysjDvyShCk6HFzcsvbmUTtCqhiBKXhfQp05XY50Glhhz5QSuF2.png" alt="Secuencia de validación y asignación de capital para opciones de crecimiento" title="Secuencia de validación y asignación de capital para opciones de crecimiento" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

La matriz de Ansoff: elegir una estrategia de crecimiento

Diverse professional standing confidently before large monitor displaying dark-mode AI platform with organized tool cards and unified interface design

<figure id="figure-es29t8gn56mu8l5z5c"><img id="es29t8gn56mu8l5z5c" src="https://cdn.durable.co/blocks/2aZEygc4PUgXdOcoxwfXhJMsF0hUHjVF48XEobhFLS994LXk6h3R6e8bA7S2fCVa.png" alt="Arquitectura RAG para Marketing desde documentos y metadatos hasta respuesta con citas" title="Arquitectura RAG para Marketing desde documentos y metadatos hasta respuesta con citas" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/2aZEygc4PUgXdOcoxwfXhJMsF0hUHjVF48XEobhFLS994LXk6h3R6e8bA7S2fCVa.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Un sistema RAG para Marketing combina un modelo generativo con una capa de recuperación que busca información en fuentes controladas antes de responder. Su objetivo no es que la IA «sepa más», sino que utilice el conocimiento correcto, vigente y permitido, y que pueda mostrar de dónde procede cada afirmación.</p><p>RAG son las iniciales de Retrieval-Augmented Generation. En lugar de confiar únicamente en lo aprendido por el modelo, el sistema recupera fragmentos relevantes de briefs, research, campañas, guías de marca, documentación de producto o decisiones anteriores. Después construye una respuesta apoyada en ese contexto.</p><p>La arquitectura es importante, pero el activo estratégico no es el chatbot. Es el corpus gobernado, el sistema de permisos, la evaluación y el aprendizaje acumulado alrededor de preguntas reales.</p><h2>Cuándo tiene sentido utilizar RAG en Marketing</h2><p>RAG aporta valor cuando el conocimiento cambia, está disperso, debe citarse o necesita respetar permisos. Algunos casos razonables:</p><p>• Responder preguntas sobre campañas y resultados históricos.<br>• Preparar briefs utilizando research y aprendizajes previos.<br>• Consultar guías de marca y mensajes aprobados.<br>• Ayudar a Ventas con información de producto, casos y objeciones.<br>• Recuperar decisiones, responsables y contexto de proyectos.<br>• Comparar mercados sin mezclar versiones ni periodos.</p><p>No lo utilizaría para todo. Si la respuesta cabe en una regla estable, una base de datos o un formulario, añadir un modelo generativo introduce coste y variabilidad. Tampoco debería ejecutar acciones externas sin controles específicos.</p><p>La pregunta inicial no es «¿qué base vectorial elegimos?». Es: ¿qué decisión o tarea queremos mejorar, qué evidencia necesita y qué error no podemos permitir?</p><h2>La arquitectura mínima de un sistema RAG</h2><p>Un flujo controlable contiene nueve pasos.</p><p>1. Ingesta: importar documentos y datos autorizados.<br>2. Normalización: limpiar formato, duplicados y versiones obsoletas.<br>3. Fragmentación: dividir el contenido conservando contexto.<br>4. Representación: generar embeddings u otras señales de búsqueda.<br>5. Almacenamiento: guardar texto, vectores y metadatos.<br>6. Recuperación: encontrar candidatos para la pregunta.<br>7. Reordenación: priorizar los fragmentos más relevantes.<br>8. Generación: responder utilizando únicamente el contexto válido.<br>9. Trazabilidad: devolver citas, registrar calidad y recoger feedback.</p><p>Cada etapa puede fallar de una forma distinta. Si no aparece una fuente correcta, el problema es de corpus o recuperación. Si aparece y el modelo la interpreta mal, el problema está en el prompt, la síntesis o la evaluación. Llamar «alucinación» a todo impide corregir el componente adecuado.</p><h2>Diseñar el corpus: menos volumen y más gobernanza</h2><p>Un Drive lleno de archivos no es todavía una base de conocimiento. Antes de indexar, resolvería propiedad, vigencia, duplicados, confidencialidad y jerarquía de fuentes.</p><p>Los metadatos mínimos dependen del caso, pero en Marketing incluiría:</p><p>• Propietario y área.<br>• Fecha y periodo de validez.<br>• Mercado, producto y audiencia.<br>• Campaña o proyecto.<br>• Tipo de documento.<br>• Nivel de confidencialidad.<br>• Estado: borrador, aprobado, sustituido o archivado.<br>• Fuente primaria o derivada.</p><p>Sin metadatos, una búsqueda semántica puede recuperar una conclusión muy parecida y completamente incorrecta para el país, la versión o el momento actual.</p><p>También definiría precedencia. Una política aprobada debe pesar más que una presentación antigua; un dato de la fuente maestra, más que una captura pegada en un informe. Cuando dos documentos se contradicen, el sistema debería mostrar el conflicto o abstenerse, no elegir el texto más fluido.</p><h2>Chunking: dividir sin romper el razonamiento</h2><p>El chunking no consiste en cortar cada 500 tokens. Un brief, una tabla y una recomendación tienen estructuras diferentes.</p><p>Mantendría juntas definición, evidencia y conclusión cuando forman una unidad lógica. Repetiría títulos jerárquicos en los fragmentos para conservar contexto. Separaría anexos numéricos si requieren consulta estructurada y evitaría que una tabla quedase sin encabezados.</p><p>El tamaño óptimo se evalúa, no se adivina. Fragmentos demasiado pequeños pierden relaciones; demasiado grandes añaden ruido y ocupan contexto. Una buena estrategia puede combinar búsqueda por documento, sección y fragmento.</p><h2>Recuperación y re-ranking</h2><p>La recuperación híbrida suele combinar similitud semántica con búsqueda léxica y filtros de metadatos. La semántica encuentra ideas expresadas con palabras distintas; la búsqueda por términos protege nombres, códigos y cifras exactas.</p><p>Después, un re-ranker puede ordenar los candidatos según su relación con la pregunta. Recuperar veinte fragmentos y enviarlos todos al modelo no es prudencia: aumenta coste, latencia y probabilidad de contradicción.</p><p>También conviene reescribir preguntas conversacionales. «¿Y en Portugal?» necesita incorporar el tema anterior antes de buscar, pero sin inventar intención que el usuario no expresó.</p><h2>Un ejemplo de evaluación de extremo a extremo</h2><p>Construiría un conjunto de preguntas reales con respuesta esperada, documentos relevantes y criterios de calidad. Este ejemplo utiliza cifras ilustrativas.</p><p>• Etapa · Resultado sobre 100 preguntas<br>• Recupera al menos una fuente válida · 91<br>• Coloca una fuente válida entre las tres primeras · 84<br>• Responde correctamente · 79<br>• Responde correctamente y cita bien · 76</p><p>El 76 %, no el 91 %, representa la calidad útil. El análisis de los 24 fallos indicará si falta documentación, el buscador recupera mal, el re-ranking se equivoca, el modelo contradice la evidencia o la pregunta debería terminar en abstención.</p><p>Mediría al menos:</p><p>• Recall de recuperación.<br>• Precisión de citas.<br>• Corrección y completitud.<br>• Tasa de contradicción.<br>• Tasa de abstención correcta.<br>• Latencia y coste por respuesta.<br>• Intervención humana necesaria.<br>• Impacto en la tarea: tiempo, error o adopción.</p><p>Una respuesta persuasiva sin evidencia correcta cuenta como fallo.</p><h2>Seguridad, permisos y prompt injection</h2><p>Los permisos deben aplicarse antes de recuperar contenido. No basta con pedir al modelo que «no revele información». El sistema no debe introducir en el contexto documentos que el usuario no puede consultar.</p><p>Los archivos también son entrada no confiable. Un documento puede contener instrucciones maliciosas o accidentales dirigidas al modelo. El pipeline debe separar contenido de instrucciones, limitar herramientas, registrar acciones y tratar cada fuente según su nivel de confianza.</p><p>Para acciones de impacto —publicar, enviar, modificar presupuesto o contactar clientes— exigiría aprobación humana y controles deterministas. RAG puede aportar evidencia; no convierte al modelo en propietario de la decisión.</p><p>También protegería datos personales, contratos, información comercial y secretos empresariales con retención, cifrado, aislamiento y auditoría adecuados. «Está dentro de la empresa» no es un modelo de permisos.</p><h2>Cómo implementar un RAG de Marketing paso a paso</h2><p>1. Selecciona una tarea concreta. Preguntas de campañas, briefs o enablement, no «todo el conocimiento».<br>2. Define la respuesta correcta. Qué debe citar, cuándo debe abstenerse y qué error es crítico.<br>3. Crea un corpus pequeño y limpio. Documentos aprobados, con propietario y vigencia.<br>4. Diseña metadatos y acceso. Antes de embeddings.<br>5. Construye una línea base. Búsqueda simple para saber si la complejidad aporta valor.<br>6. Prepara preguntas de evaluación. Incluye casos fáciles, ambiguos, conflictivos y sin respuesta.<br>7. Ajusta chunking y recuperación. Sobre fallos reales.<br>8. Añade generación con citas. Instruye al sistema para reconocer límites.<br>9. Mide tarea y economía. Calidad, tiempo ahorrado, coste e intervención.<br>10. Opera el corpus. Versionado, caducidad, feedback y revisión.</p><h2>Construir o comprar</h2><p>Construir internamente tiene sentido cuando el conocimiento, los permisos, la evaluación o la integración son diferenciales. Comprar suele ser mejor cuando el caso es estándar y operar infraestructura no crea ventaja.</p><p>La decisión también depende de coste total: ingestión, observabilidad, soporte, evaluación, seguridad y mantenimiento del corpus. Una demo puede montarse en días; un sistema confiable necesita ownership permanente.</p><h2>Errores frecuentes en proyectos RAG</h2><p>• Indexar todo antes de definir una tarea.<br>• Confiar en documentos duplicados y sin vigencia.<br>• Cortar texto por tamaño ignorando estructura.<br>• Medir solo si la respuesta «suena bien».<br>• Confundir recuperación con corrección final.<br>• No incluir preguntas sin respuesta.<br>• Aplicar permisos después de recuperar.<br>• Dar herramientas de acción sin aprobación.<br>• Evaluar una vez y dejar de observar cambios.</p><h2>Preguntas frecuentes sobre RAG</h2><h3>¿RAG elimina las alucinaciones?</h3><p>No. Reduce algunos errores al aportar fuentes, pero puede recuperar mal, citar de forma incorrecta o interpretar mal la evidencia. Necesita evaluación y abstención.</p><h3>¿Hace falta una base vectorial?</h3><p>No siempre. Para corpus pequeños o preguntas exactas, búsqueda léxica y filtros pueden ser suficientes. La arquitectura debe responder al caso, no a la moda.</p><h3>¿Qué diferencia un piloto de un sistema de producción?</h3><p>Permisos, trazabilidad, evaluación repetible, observabilidad, gestión de versiones, respuesta ante incidentes y un propietario del corpus.</p><h2>Conclusión: la ventaja no es el chatbot</h2><p>Un RAG valioso no es el que responde más preguntas, sino el que ayuda a una tarea concreta con evidencia verificable y límites claros.</p><p>En Marketing, su ventaja aparece cuando convierte documentos dispersos en memoria operativa: recupera lo relevante, explica de dónde sale y permite que el equipo aprenda sin reconstruir el contexto cada vez. La tecnología importa. La calidad del conocimiento y de las decisiones que produce importa bastante más.</p><figure id="figure-2y536fqcuqmu8l67p7"><img id="2y536fqcuqmu8l67p7" src="https://cdn.durable.co/blocks/36Rw30ILDNT3aPlNr0G4wZg8DUdmVytoBgpW3YrqRHP6Ygb8lPTNwbyn3xAUdXmp.png" alt="Evaluación de un sistema RAG con recuperación, re-ranking, precisión y trazabilidad" title="Evaluación de un sistema RAG con recuperación, re-ranking, precisión y trazabilidad" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

Cómo construir un sistema RAG para Marketing con IA

Diverse consulting team collaborating around table with analytics reports and customer acquisition system diagrams in modern office

<figure id="figure-xu68z68nimmu8l7aw2"><img id="xu68z68nimmu8l7aw2" src="https://cdn.durable.co/blocks/2cjSlqqjVoYj4J3roiDQJ1j7AqWE6z5mD4yYU6Q9ad9vHyqA7NH4yA6LHGDdTvSL.png" alt="Ciclo OODA con las fases observar, orientar, decidir y actuar aplicado a Growth" title="Ciclo OODA con las fases observar, orientar, decidir y actuar aplicado a Growth" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/2cjSlqqjVoYj4J3roiDQJ1j7AqWE6z5mD4yYU6Q9ad9vHyqA7NH4yA6LHGDdTvSL.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>El ciclo OODA convierte la toma de decisiones en un proceso continuo de aprendizaje: observar, orientar, decidir y actuar. Aplicado a Growth, su ventaja no consiste en hacer más cosas deprisa, sino en reducir el tiempo entre una señal relevante, una interpretación contextual y una acción que genere nueva evidencia.</p><p>John Boyd desarrolló OODA al estudiar decisiones en entornos competitivos y cambiantes. Su aportación más útil para Marketing no es la velocidad por sí misma. Es comprender que cada acción modifica el entorno, que la orientación condiciona lo que vemos y que quien aprende antes puede corregir antes.</p><p>Un equipo senior no gana por lanzar más campañas. Gana porque distingue señal de ruido, actualiza sus hipótesis y evita sostener una decisión cuando la realidad ya ha cambiado.</p><h2>Qué significa OODA</h2><p>OODA son las iniciales de cuatro movimientos conectados:</p><p>1. Observar: capturar hechos, cambios, anomalías y feedback.<br>2. Orientar: interpretar la señal con contexto, modelos y experiencia.<br>3. Decidir: elegir una hipótesis y comprometer una acción.<br>4. Actuar: ejecutar, medir la respuesta y alimentar el siguiente ciclo.</p><p>No es un funnel lineal. Mientras un equipo actúa ya está observando; una nueva señal puede obligar a reorientar; y distintos ciclos funcionan a velocidades diferentes. Una incidencia de checkout puede cerrarse en horas. Una decisión de posicionamiento necesita semanas o meses.</p><h2>Observar: construir una señal en la que se pueda confiar</h2><p>Observar no es abrir más dashboards. Es capturar lo necesario para detectar un cambio material y entender su magnitud.</p><p>Combinaría señales cuantitativas —conversión, margen, retención, coste, capacidad— con cualitativas —conversaciones comerciales, tickets, entrevistas, objeciones y movimientos de competidores—. También anotaría cambios de instrumentación, producto, precio y mix que puedan explicar la variación.</p><p>Un dato sin definición ni contexto puede acelerar en la dirección equivocada. Antes de reaccionar comprobaría calidad, tamaño de muestra, estacionalidad y si la variación está concentrada en un segmento.</p><p>La observación útil termina con una frase concreta: «la conversión móvil ha caído 0,9 puntos desde la nueva versión, principalmente en usuarios con el nuevo medio de pago». Ya contiene una frontera para orientar.</p><h2>Orientar: la etapa que determina la calidad del ciclo</h2><p>Orientar es colocar la señal dentro de un modelo del negocio. Aquí intervienen experiencia, hipótesis, restricciones, sesgos y conocimiento de cliente.</p><p>Dos equipos pueden observar el mismo descenso y elegir acciones opuestas. Uno lo interpreta como problema creativo y aumenta inversión; otro descubre que el mix ha cambiado y que Operaciones no puede absorber la demanda. La diferencia no está en el dato, sino en la orientación.</p><p>Para orientarme utilizaría cinco preguntas:</p><p>• ¿Qué ha cambiado y para quién?<br>• ¿Qué mecanismos podrían producir ese patrón?<br>• ¿Qué evidencia contradice cada explicación?<br>• ¿Cuál es el impacto económico y el coste de esperar?<br>• ¿La decisión es reversible o necesita una prueba adicional?</p><p>Esta fase también exige desmontar modelos antiguos. Si un canal dejó de comportarse como antes, insistir en la explicación histórica no aporta consistencia; aporta retraso.</p><h2>Decidir: comprometer una hipótesis y un límite</h2><p>Decidir no significa tener certeza. Significa seleccionar el siguiente movimiento con la evidencia disponible y declarar bajo qué condiciones dejará de ser correcto.</p><p>Una buena decisión incluye acción, propietario, plazo, métrica primaria, guardrails y criterio de parada. También explicita qué alternativa se descarta, porque toda prioridad tiene coste de oportunidad.</p><p>Cuando el riesgo es reversible, una prueba pequeña puede ser mejor que otro mes de análisis. Cuando la acción compromete marca, caja o arquitectura durante años, la carga de evidencia debe ser mayor.</p><h2>Actuar: ejecutar para cambiar el sistema y aprender</h2><p>La acción no cierra el proceso. Crea una nueva situación. Por eso conviene instrumentar antes, registrar el estado inicial y decidir cuándo observar la respuesta.</p><p>Actuar puede ser corregir una incidencia, lanzar un experimento, cambiar presupuesto, llamar a diez clientes o detener una campaña. El tamaño depende de la incertidumbre. Si todavía estamos aprendiendo el mecanismo, prefiero acciones seguras de fallar: limitadas, reversibles y capaces de producir una señal clara.</p><h2>Un caso numérico: de 0,7 puntos a 84.000 euros de margen</h2><p>Este ejemplo es ilustrativo.</p><p>La conversión de checkout cae del 3,2 % al 2,5 %. Con 500.000 sesiones mensuales y 24 euros de margen por pedido, la diferencia equivale aproximadamente a 3.500 pedidos y 84.000 euros de margen antes de otros efectos.</p><p>Observar: verificamos instrumentación y segmentamos. La caída se concentra en móvil después de añadir un medio de pago.</p><p>Orientar: el mix móvil ha subido, existe una incidencia de latencia y la nueva opción aparece seleccionada por defecto. El patrón no encaja con una caída general de demanda.</p><p>Decidir: revertir temporalmente la selección por defecto, corregir latencia y mantener un pequeño holdout para comprobar recuperación. Guardrails: abandono, errores y uso del método.</p><p>Actuar: desplegar, monitorizar por versión y registrar el aprendizaje. Si la conversión no recupera, se reabre la orientación con nuevas hipótesis.</p><p>Traducir 0,7 puntos a margen cambia la prioridad y permite asignar recursos con lógica económica. OODA no sustituye el análisis; lo conecta con una decisión a tiempo.</p><h2>Una cadencia OODA semanal para Growth</h2><p>Una posible rutina, adaptable al negocio:</p><p>• Lunes — observar: cambios, anomalías, voz de cliente y calidad del dato.<br>• Martes — orientar: sesión breve de hipótesis con Marketing, Producto, Datos, Ventas u Operaciones.<br>• Miércoles — decidir: seleccionar acciones por impacto, aprendizaje, reversibilidad y capacidad.<br>• Durante la semana — actuar: ejecutar con instrumentación y guardrails.<br>• Viernes — registrar: documentar resultado, explicación provisional y siguiente señal.</p><p>El registro mínimo contiene señal, hipótesis, supuesto crítico, acción, propietario, fecha, criterio de éxito, guardrails y condición de parada. Así el conocimiento no desaparece cuando cambia una persona ni se reabre cada conversación desde cero.</p><p>No convertiría la cadencia en otra ceremonia. Si la reunión no cambia una decisión o una hipótesis, debe acortarse o desaparecer.</p><h2>Velocidad operativa frente a velocidad de aprendizaje</h2><p>Un equipo puede cerrar muchas tareas y aprender despacio. También puede aprender rápido ejecutando pocas pruebas bien elegidas.</p><p>Mediría el tiempo desde señal hasta decisión, desde decisión hasta evidencia y desde evidencia hasta actualización del sistema. Esas latencias muestran dónde se atasca la organización: datos, coordinación, capacidad técnica, miedo a decidir o falta de ownership.</p><p>La ventaja competitiva aparece cuando los ciclos encadenados mejoran el modelo mental de la empresa. Copiar una táctica es fácil; copiar un sistema que detecta, interpreta y corrige antes es mucho más difícil.</p><h2>Cuándo no actuar todavía</h2><p>OODA no obliga a responder impulsivamente. A veces la mejor decisión es mejorar observación.</p><p>Esperaría cuando el dato sea poco fiable, la muestra insuficiente, el coste de error irreversible o existan explicaciones con consecuencias opuestas. Actuaría antes cuando el movimiento sea reversible, el coste de esperar alto y la acción produzca información valiosa.</p><p>Esta distinción evita dos patologías: parálisis por análisis y velocidad teatral. La primera exige certeza imposible; la segunda confunde actividad con adaptación.</p><h2>Errores al aplicar OODA a Marketing</h2><p>• Tratarlo como cuatro casillas lineales.<br>• Saltar de observar a actuar sin orientación.<br>• Utilizar solo datos cuantitativos y perder contexto.<br>• Confundir rapidez con volumen de entregables.<br>• No declarar criterios de parada.<br>• Mantener el plan aunque la señal haya cambiado.<br>• Ejecutar tests que no pueden alterar ninguna decisión.<br>• Registrar resultados sin actualizar la forma de trabajar.</p><h2>Preguntas frecuentes sobre OODA</h2><h3>¿OODA es lo mismo que Build-Measure-Learn?</h3><p>Comparten aprendizaje iterativo. OODA pone especial énfasis en orientación, contexto competitivo y actualización continua de la decisión; Build-Measure-Learn se asocia más al ciclo de hipótesis de producto.</p><h3>¿Qué etapa suele fallar más?</h3><p>Orientar. Las organizaciones capturan muchos datos y ejecutan con rapidez, pero dedican poco tiempo a revisar el modelo causal, los sesgos y las restricciones que dan significado a la señal.</p><h3>¿Cómo saber si el ciclo mejora?</h3><p>Observa si disminuye el tiempo hasta evidencia útil, si se corrigen antes las hipótesis equivocadas y si el aprendizaje modifica presupuesto, producto o proceso.</p><h2>Conclusión: adaptarse antes, no moverse más</h2><p>La ventaja de OODA no surge de cerrar un ciclo una vez. Surge de enlazarlos: cada acción genera una señal, la señal actualiza la orientación y la orientación permite una decisión mejor.</p><p>Un equipo senior no se enamora de su hipótesis ni utiliza la velocidad para evitar pensar. Construye una organización capaz de detectar cuándo su explicación ha dejado de funcionar y corregirla antes de convertirla en un problema económico mayor.</p><figure id="figure-9uhwngmio8mu8l7kmu"><img id="9uhwngmio8mu8l7kmu" src="https://cdn.durable.co/blocks/39UR4G27vvYBX5xOztkGfplD0zASHE8NUvHy3cgxTwIGAGXsIZqF0uBpBPg6e1ex.png" alt="Cadencia semanal OODA para convertir señales en decisiones y aprendizaje" title="Cadencia semanal OODA para convertir señales en decisiones y aprendizaje" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

El ciclo OODA de John Boyd aplicado a Growth

Close-up of hands analyzing detailed conversion funnel and user acquisition metrics on digital analytics tablet

<figure id="figure-hor3ls9bemu8l8qqb"><img id="hor3ls9bemu8l8qqb" src="https://cdn.durable.co/blocks/34J9sv5dzRDUAEuKt5sPoji9IKzGtxu285mwHsNoo2YcTd8VjoCiSytSdiTboBqE.png" alt="Arquitectura de Marketing Mix Modeling con ventas, inversión, precio y estacionalidad" title="Arquitectura de Marketing Mix Modeling con ventas, inversión, precio y estacionalidad" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/34J9sv5dzRDUAEuKt5sPoji9IKzGtxu285mwHsNoo2YcTd8VjoCiSytSdiTboBqE.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>El Marketing Mix Modeling permite estimar cómo Marketing contribuye a un resultado agregado utilizando series temporales, sin reconstruir el recorrido individual de cada usuario. Su valor no está en repartir mérito histórico entre canales, sino en simular decisiones futuras: cuánto invertir, dónde aparece saturación y qué retorno marginal podemos esperar bajo distintos escenarios.</p><p>En un entorno con menos identificadores, más restricciones de privacidad y recorridos fragmentados, el MMM recupera protagonismo. Pero no es una solución mágica ni una sustitución directa de la atribución. Es un modelo causal imperfecto que necesita datos consistentes, supuestos explícitos y validación con experimentos.</p><p>La pregunta útil no es «¿qué canal tuvo más ROI?». Es: ¿qué retorno marginal esperamos del siguiente euro, dentro de qué rango y con qué incertidumbre?</p><h2>Qué es Marketing Mix Modeling</h2><p>Marketing Mix Modeling o MMM es una familia de modelos estadísticos que relaciona una métrica de negocio —ventas, pedidos, clientes nuevos, margen o pipeline— con inversión en Marketing y otras variables que también pueden explicar su evolución: precio, promociones, estacionalidad, distribución, stock, actividad comercial o entorno macroeconómico.</p><p>Trabaja normalmente con datos agregados por semana, región, mercado o unidad de negocio. No necesita cookies para seguir a una persona de un anuncio a una compra. Esto reduce dependencia de identificadores, aunque no elimina la necesidad de gobernanza, calidad de dato ni cumplimiento normativo.</p><p>El modelo intenta separar tres componentes: demanda base que existiría sin la presión analizada, contribución asociada a las acciones de Marketing y efecto de variables externas. Esa separación nunca es perfecta. Su utilidad depende de si las decisiones derivadas resisten datos nuevos y otras formas de evidencia.</p><h2>Qué pregunta responde y cuáles no</h2><p>El MMM es especialmente útil para asignación presupuestaria entre canales, lectura de saturación, planificación por escenarios y comprensión de efectos agregados a medio plazo.</p><p>No suele ser la mejor herramienta para decidir entre dos anuncios, ajustar una puja diaria o seguir un recorrido individual. Para eso conservamos experimentación, atribución operativa y analítica de producto.</p><p>Cada herramienta ocupa un nivel distinto:</p><p>• Atribución: ayuda a operar campañas y recorridos con rapidez.<br>• Experimentos: estiman causalidad para intervenciones concretas.<br>• MMM: ofrece una lectura agregada y permite simular asignación de recursos.</p><p>Una organización madura no obliga a una única herramienta a responderlo todo. Triangula y utiliza las discrepancias como señal de aprendizaje.</p><h2>El dataset que necesita un MMM</h2><p>La unidad temporal suele ser semanal, aunque depende del volumen y de la velocidad con la que Marketing afecta al negocio. Cada fila representa un periodo y cada columna una señal potencialmente explicativa.</p><h3>Variable objetivo</h3><p>Conviene aproximarla al resultado económico. Si los canales alteran el mix, optimizar facturación bruta puede premiar ventas con poco margen. Margen de contribución, clientes nuevos netos o pipeline ponderado pueden ser mejores objetivos, según la decisión.</p><h3>Variables de Marketing</h3><p>Inversión, impresiones, alcance o GRP deben mantener definiciones consistentes. Mezclar coste neto y bruto o cambiar fuentes durante la serie introduce roturas que el modelo puede interpretar como efecto.</p><h3>Controles del negocio y el entorno</h3><p>Precio, promociones, aperturas, distribución, disponibilidad, festivos, tendencia, estacionalidad, actividad comercial y variables macro relevantes. No se trata de añadir todo lo disponible, sino de representar causas plausibles sin construir un sistema imposible de identificar.</p><p>Cuando dos canales se mueven siempre juntos, el modelo puede estimar bien la contribución total de Marketing y repartirla mal entre ellos. La multicolinealidad no desaparece por utilizar una técnica más sofisticada.</p><h2>Adstock, retardo y saturación</h2><h3>Adstock</h3><p>El adstock representa que parte del efecto continúa después de la semana de inversión. Una campaña de respuesta directa puede agotarse rápido; una inversión de marca puede influir durante más tiempo. La tasa debe estimarse dentro de rangos defendibles para el negocio.</p><h3>Saturación</h3><p>La saturación representa rendimientos decrecientes. Pasar de 0 a 20.000 euros no produce necesariamente el mismo incremento que pasar de 200.000 a 220.000. Sin una curva de respuesta, el modelo puede proyectar crecimiento lineal donde ya no queda audiencia, inventario o demanda incremental.</p><h3>Interacciones</h3><p>Los canales no siempre actúan de forma independiente. Vídeo puede elevar búsquedas de marca; una promoción puede amplificar Paid Social; distribución limitada puede impedir que la presión publicitaria se convierta en ventas. Añadir interacciones aumenta realismo y también incertidumbre. Solo incorporaría mecanismos con fundamento y datos suficientes.</p><h2>Ejemplo ilustrativo de asignación</h2><p>Imaginemos un negocio que invierte 400.000 euros al mes: 160.000 en búsqueda, 120.000 en social, 80.000 en vídeo y 40.000 en afiliación. El MMM estima contribución y curvas de respuesta, pero el dato decisivo aparece al simular el siguiente tramo de 50.000 euros.</p><p>• Canal · ROI medio estimado · ROI marginal del siguiente tramo · Lectura<br>• Búsqueda · 3,4 · 1,2 · Cerca de saturación<br>• Social · 2,1 · 1,6 · Capacidad moderada<br>• Vídeo · 1,7 · 1,9 · Mayor oportunidad marginal<br>• Afiliación · 2,8 · No concluyente · Duda de incrementalidad</p><p>La recomendación no sería trasladar todo a vídeo. Reduciría 20.000 euros en la zona más plana de búsqueda, reasignaría 15.000 a vídeo y 5.000 a social, y reservaría 10.000 para un geoexperimento que valide el efecto incremental. Mantendría guardrails de margen, volumen, demanda de marca y capacidad operativa.</p><p>El escenario podría estimar un 4 % más de margen incremental. Si el intervalo razonable va de −1 % a +8 %, esa incertidumbre debe formar parte de la decisión. Una reasignación reversible puede justificarse; un compromiso anual necesitaría evidencia adicional.</p><h2>Del ROI medio al retorno marginal</h2><p>El ROI medio divide contribución estimada entre inversión histórica. Es descriptivo. El marginal aproxima el valor del siguiente euro y, por tanto, es el que orienta presupuesto.</p><p>Un canal pequeño puede mostrar un ROI medio excelente porque todavía recoge demanda barata. Al triplicar inversión entra en audiencias menos receptivas. Otro puede tener un promedio menor y soportar más presupuesto antes de saturarse.</p><p>La asignación debe respetar límites: mínimo de presencia, máximo operativo, compromisos contractuales, inventario, liquidez y necesidad de aprendizaje. El optimizador matemático no conoce esos límites si la organización no los declara.</p><h2>Cómo validar un Marketing Mix Model</h2><p>Una validación seria combina cuatro capas.</p><p>1. Ajuste temporal. Reproduce la dinámica relevante sin perseguir cada ruido semanal.<br>2. Validación fuera de muestra. Mantiene capacidad predictiva en periodos que no utilizó para aprender.<br>3. Coherencia de negocio. Signos, retardos, elasticidades y saturación resultan plausibles para quienes operan los canales.<br>4. Calibración causal. Los efectos son compatibles con holdouts, geoexperimentos o estudios de lift disponibles.</p><p>Un buen R² no convierte correlación en causalidad. Tampoco un modelo bayesiano elimina variables omitidas. La pregunta es si la recomendación cambia de forma razonable cuando modificamos supuestos y si sobrevive a pruebas posteriores.</p><p>La secuencia más útil es circular: el MMM identifica dónde hay mayor incertidumbre económica; los experimentos reducen esa incertidumbre; y sus resultados calibran la siguiente versión.</p><h2>Escenarios en vez de una cifra única</h2><p>Presentaría tres escenarios a stakeholders:</p><p>• Conservador: protege caja y exige payback corto.<br>• Base: maximiza margen esperado dentro de rangos ya observados.<br>• Crecimiento: acepta más incertidumbre para explorar capacidad adicional.</p><p>Cada uno debe mostrar inversión por canal, contribución, margen, clientes incrementales, CAC marginal, intervalo de incertidumbre y restricciones. También debe declarar qué no incorpora: cambios creativos, entrada de competidores, problemas de stock o transformaciones del producto.</p><p>Así, Marketing y Finanzas dejan de discutir una cifra y evalúan una combinación común de retorno, riesgo, liquidez y aprendizaje.</p><h2>Errores que convierten un MMM en una falsa seguridad</h2><p>• Utilizar pocas observaciones para demasiadas variables.<br>• Cambiar definiciones de inversión durante la serie.<br>• Omitir precio, promociones, disponibilidad o estacionalidad.<br>• Interpretar contribución como prueba causal definitiva.<br>• Optimizar con ROI medio cuando la decisión es marginal.<br>• Extrapolar fuera del rango de inversión observado.<br>• Ocultar intervalos y sensibilidad.<br>• Ignorar caja, capacidad comercial o inventario.<br>• Construir el modelo una vez y tratarlo como terminado.</p><h2>Preguntas frecuentes sobre Marketing Mix Modeling</h2><h3>¿El MMM sustituye a Google Analytics o a la atribución?</h3><p>No. Responde preguntas agregadas de contribución y presupuesto. La analítica digital y la atribución siguen siendo útiles para operar recorridos, campañas y producto.</p><h3>¿Cuántos datos necesita?</h3><p>Depende de frecuencia, variación, número de canales y controles. Más filas no compensan una serie sin cambios de inversión o con canales perfectamente correlacionados. La identificabilidad importa tanto como el volumen.</p><h3>¿Puede demostrar causalidad?</h3><p>Puede aproximarla bajo supuestos, pero necesita contraste. Los experimentos, el conocimiento operativo y los análisis de sensibilidad ayudan a separar una narrativa estadística de una decisión defendible.</p><h2>Conclusión: medir sin cookies no significa medir a ciegas</h2><p>El MMM obliga a abandonar la comodidad de seguir cada recorrido individual y a construir una inferencia más disciplinada sobre cómo Marketing modifica el resultado.</p><p>Su entrega más importante no es el porcentaje de contribución de cada canal. Es una frontera de inversión que explica retorno esperado, saturación, incertidumbre y límites. Ahí la medición deja de intentar demostrar qué hizo Marketing y empieza a ayudar a decidir qué debería hacer después.</p><figure id="figure-ycls85ii2omu8l92n9"><img id="ycls85ii2omu8l92n9" src="https://cdn.durable.co/blocks/7ZASAveynxRb8YqkX8t6hldeZiffuDdP3xfUD0S0kXpYe1MexP5x3DOHPCXcDiKe.png" alt="Curvas de respuesta y retorno marginal para reasignar presupuesto entre canales" title="Curvas de respuesta y retorno marginal para reasignar presupuesto entre canales" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

Marketing Mix Modeling sin cookies: medir y asignar presupuesto

Overhead view of energy analysis workspace with laptop, documents, floor plans, and comparison tools arranged on desk

<figure id="figure-qxlbmcbeo9mu8k7viv"><img id="qxlbmcbeo9mu8k7viv" src="https://cdn.durable.co/blocks/chyUQSrBnNqaDjfSuhVN3uNvDlVX3wv82w65L5ePHdelmelwcM70Ie1XY91NuR85.png" alt="Modelo de Unit Economics para conectar adquisición, margen, retención, LTV y payback" title="Modelo de Unit Economics para conectar adquisición, margen, retención, LTV y payback" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure><p>Un modelo de Unit Economics no sirve para decorar una presentación. Sirve para decidir cuánto podemos invertir, qué clientes merece la pena adquirir, dónde se rompe la rentabilidad y qué parte del crecimiento es realmente sostenible.</p><p>En Marketing solemos mirar campañas, leads, conversiones y coste por adquisición. En Finanzas se observan ingresos, margen, caja y retorno. El problema aparece cuando ambos equipos describen el mismo negocio con unidades distintas. El dashboard puede decir que una campaña funciona mientras la cuenta de resultados demuestra que cada nuevo cliente destruye valor.</p><p>Construir buenos Unit Economics consiste, precisamente, en conectar esas dos conversaciones.</p><p><br></p><h2>Qué son los Unit Economics</h2><p>Los Unit Economics describen los ingresos y costes asociados a una unidad económica del negocio. Esa unidad puede ser un cliente, un pedido, una suscripción, una cuenta, una plaza, una tienda o incluso una hora facturable. La elección no es semántica: determina qué podremos aprender del modelo.</p><p>Si una empresa vende suscripciones, la unidad natural suele ser el cliente o la cuenta. En un ecommerce puede convenir analizar pedido y cliente por separado. En un marketplace necesitamos entender ambas partes de la transacción. En un negocio multiunidad, además, la economía de cada centro puede ser muy distinta de la media del grupo.</p><p>La pregunta correcta no es «¿cuál es nuestro LTV?», sino «¿qué unidad explica mejor cómo creamos y capturamos valor?».</p><h2>El puente entre Marketing y negocio</h2><p>Marketing controla una parte importante del coste de crecimiento, pero no controla por sí solo el valor de cada cliente. Producto afecta a activación y retención; Pricing, al ingreso; Operaciones, al coste de servicio; Ventas, al ciclo y a la conversión; Finanzas, al criterio con el que se reconoce margen y caja.</p><p>Por eso, un modelo útil debe conectar como mínimo cinco capas:</p><p>• Adquisición: inversión, volumen, CAC y velocidad de captación.<br>• Conversión: porcentaje que avanza entre etapas y tiempo hasta la compra.<br>• Monetización: ticket, frecuencia, expansión, descuentos y devoluciones.<br>• Coste de servir: producto, logística, soporte, comisiones y otros costes variables.<br>• Retención: repetición, churn, duración y distribución del valor por cohortes.</p><p>Cuando falta una de estas capas, el análisis puede optimizar una métrica intermedia y empeorar el negocio completo.</p><h2>Primero: definir la unidad y el margen</h2><p>El error más habitual es empezar por el LTV. Antes necesitamos definir qué entendemos por margen de contribución y qué costes varían realmente al adquirir o atender una unidad adicional.</p><p>Una versión operativa puede expresarse así:</p><p>Margen de contribución por unidad = ingresos netos − costes variables de producto − comisiones − logística − soporte variable − devoluciones e impagos</p><p>Ingresos netos significa ingresos después de descuentos, impuestos indirectos, cancelaciones y devoluciones cuando corresponda. Utilizar facturación bruta suele inflar el valor de la unidad y permite justificar un CAC que el negocio no puede recuperar.</p><p>En modelos con varios productos conviene calcular el margen por mix, no aplicar un porcentaje uniforme. Captar clientes hacia el producto de mayor conversión puede parecer eficiente y, sin embargo, reducir el margen total si ese producto tiene peor economía.</p><h2>Segundo: calcular el CAC que responde a la decisión</h2><p>El CAC completo incluye todos los costes razonablemente atribuibles a la adquisición: medios, equipo, herramientas, contenidos, agencias, comisiones comerciales y promociones de captación. Pero para decisiones distintas necesitaremos lecturas distintas.</p><p>El CAC blended explica el coste medio del sistema. El CAC de pago permite operar canales. El CAC incremental intenta aislar los clientes causados por la inversión. El CAC marginal mide cuánto cuesta el siguiente bloque de crecimiento.</p><p>Si una empresa invierte 60.000 euros y capta 600 clientes, obtiene un CAC medio de 100 euros. Si los últimos 15.000 euros solo generan 75 clientes adicionales, el CAC marginal de ese tramo es 200 euros. La media todavía parece razonable; la decisión de escalar quizá ya no lo sea.</p><h2>Tercero: estimar LTV sin fabricar precisión</h2><p>El Lifetime Value debe calcular valor económico esperado, no ingresos acumulados. Una fórmula simplificada para un modelo de suscripción estable es:</p><p>LTV aproximado = ingreso medio por periodo × margen de contribución % ÷ churn del periodo</p><p>La fórmula es útil para entender relaciones, pero puede ser peligrosa como estimación. Supone churn constante, cohortes comparables y una duración potencialmente infinita. En negocios jóvenes, estacionales o con cambios de precio, esas condiciones rara vez se cumplen.</p><p>Prefiero construir el LTV por cohortes y con un horizonte explícito. Para cada cohorte observo cuánto margen ha generado en los meses 0, 1, 2 y siguientes. Para la parte todavía no observada planteo escenarios co</p><figure id="figure-f6j5wdnw8mtz092ve"><img id="f6j5wdnw8mtz092ve" src="https://rjdavx8ozyznxeyh.public.blob.vercel-storage.com/production/websites/infinite-images/01589364-2b3d-47c0-bbb5-173cebed7af5-oTytjjkYhVi2uqwx93WCTy8fCJgi7Y.png" alt="Análisis de cohortes de clientes para comparar retención, margen acumulado y LTV real" title="Análisis de cohortes de clientes para comparar retención, margen acumulado y LTV real" class="object-cover bg-gray-100" style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://rjdavx8ozyznxeyh.public.blob.vercel-storage.com/production/websites/infinite-images/01589364-2b3d-47c0-bbb5-173cebed7af5-oTytjjkYhVi2uqwx93WCTy8fCJgi7Y.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>nservador, base y exigente. Así separamos datos reales de hipótesis.</p><h3>Ejemplo de lectura por cohortes</h3><p>Imaginemos dos campañas con el mismo CAC de 140 euros. La campaña A capta clientes que dejan 70 euros de margen en el primer pedido y repiten con frecuencia. La campaña B genera 95 euros iniciales, pero casi no retiene.</p><p>Tras doce meses, la cohorte A acumula 245 euros de margen y la B, 135. El mismo CAC produce resultados económicos opuestos: A recupera la inversión y crea valor; B ni siquiera alcanza el payback.</p><p>Esta es una de las razones por las que atribuir ingresos en la primera conversión no basta. La calidad económica del cliente forma parte del rendimiento de Marketing.</p><h2>Cuarto: mirar payback y caja</h2><p>El ratio LTV/CAC resume el retorno potencial, pero no explica cuándo llega. Dos cohortes pueden compartir un ratio de 3 y exigir cantidades de caja completamente distintas.</p><p>El payback mide cuántos periodos de margen necesitamos para recuperar el CAC. Si el CAC es 180 euros y el margen mensual esperado es 30, el payback simple es de seis meses. Si la retención cae antes o el margen tarda en aparecer, la recuperación real será más lenta.</p><p>En una compañía con caja limitada, un canal con menor LTV pero payback rápido puede ser más escalable que otro con gran valor teórico a tres años. Crecer también es financiar el intervalo entre pagar por adquirir y recuperar esa inversión.</p><h2>Quinto: convertir el modelo en una frontera de decisión</h2><p>El objetivo no es obtener un número, sino definir límites para actuar. Un modelo accionable debería responder:</p><p>• ¿Cuál es el CAC máximo compatible con el margen y el payback aceptado?<br>• ¿Qué volumen puede absorber el canal antes de que empeore el CAC marginal?<br>• ¿Qué tasa de retención hace rentable cada segmento?<br>• ¿Cuánto pueden caer el ticket o el margen antes de destruir valor?<br>• ¿Qué presupuesto soporta la caja mientras madura la cohorte?</p><p>Podemos expresar una primera frontera de adquisición de forma sencilla:</p><p>CAC máximo = margen acumulado esperado durante el horizonte elegido − retorno mínimo exigido − colchón de riesgo</p><p>El colchón de riesgo no es un adorno. Recoge la incertidumbre del modelo: datos incompletos, cambios de mix, retrasos, sesgo de atribución o una retención futura todavía no observada.</p><h2>Un ejemplo completo</h2><p>Supongamos un negocio con un ingreso neto medio de 90 euros por pedido, margen de contribución del 45 %, 1,8 pedidos esperados durante doce meses y un CAC de 58 euros.</p><p>El margen esperado a doce meses sería 90 × 45 % × 1,8 = 72,90 euros. El ratio margen/CAC sería 1,26. A primera vista no destruye valor, pero deja solo 14,90 euros antes de costes fijos y riesgo.</p><p>Si además el 8 % de los pedidos se devuelve y esa devolución no estaba incorporada en el margen, el valor económico puede caer por debajo del CAC. Una campaña que parecía rentable deja de serlo al cerrar correctamente el perímetro.</p><p>La solución no tiene por qué ser recortar inversión. Podemos mejorar conversión, elevar el margen, reducir descuentos, aumentar repetición, cambiar el mix, acelerar el segundo pedido o excluir segmentos con baja contribución. Unit Economics permite discutir esas palancas en un mismo lenguaje.</p><h2>Cómo construir el modelo paso a paso</h2><p>1. Define la decisión. Aclarar si vamos a presupuestar, comparar canales, fijar un límite de puja o evaluar un mercado.</p><p>2. Elige la unidad. Cliente, pedido, cuenta, centro o transacción; documenta por qué representa el negocio.</p><p>3. Cierra el perímetro económico. Determina qué ingresos y costes entran y en qué momento se reconocen.</p><p>4. Separa observación e hipótesis. Marca qué datos proceden de cohortes reales y cuáles son supuestos de futuro.</p><p>5. Segmenta sin atomizar. Empieza por diferencias que puedan cambiar una decisión: canal, mercado, producto, cohorte o tipo de cliente.</p><p>6. Modela escenarios. Como mínimo, conservador, base y exigente para retención, margen y volumen.</p><p>7. Añade sensibilidad. Identifica qué variable mueve más el resultado cuando cambia un 10 %.</p><p>8. Define guardrails. CAC marginal, payback máximo, margen mínimo, tasa de devolución y capacidad de caja.</p><p>9. Revisa por cohortes. Actualiza el modelo cuando la realidad madura y sustituye hipótesis por datos observados.</p><p>10. Decide y registra. Deja constancia de qué se aprobó, con qué supuestos y qué señal obligaría a corregir.</p><h2>Errores que hacen inútiles los Unit Economics</h2><p>• Calcular LTV con facturación en vez de margen.<br>• Utilizar el CPA de plataforma como CAC completo.<br>• Mezclar clientes nuevos y recurrentes.<br>• Comparar cohortes con horizontes distintos.<br>• Proyectar una retención que todavía no se ha observado.<br>• Ignorar devoluciones, impagos, promociones y coste de servicio.<br>• Tomar una media general cuando la distribución está muy sesgada.<br>• No incorporar saturación y CAC marginal al escalar.<br>• Tratar el modelo como una verdad financiera inmutable.</p><h2>Qué debería mostrar el dashboard</h2><p>Un dashboard de Unit Economics no necesita decenas de visualizaciones. Necesita una cadena que permita pasar de la señal a la decisión: inversión, clientes incrementales, CAC, margen por cohorte, payback, LTV observado y previsto, caja comprometida y resultado por segmento.</p><p>Cada KPI debería incluir definición, fuente, frecuencia, propietario y umbral de actuación. Si el dato cambia pero nadie sabe</p><figure id="figure-fm01bq3o2qmtz09wyc"><img id="fm01bq3o2qmtz09wyc" src="https://rjdavx8ozyznxeyh.public.blob.vercel-storage.com/production/websites/infinite-images/6a808a2e-2315-41e8-9ffb-e10f3452b740-CRbQlKkvvFaWnaQPkjikoAMtdMVT22.png" alt="Equipos de Marketing, Finanzas y negocio revisando adquisición, margen, payback y crecimiento sostenible" title="Equipos de Marketing, Finanzas y negocio revisando adquisición, margen, payback y crecimiento sostenible" class="object-cover bg-gray-100" style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://rjdavx8ozyznxeyh.public.blob.vercel-storage.com/production/websites/infinite-images/6a808a2e-2315-41e8-9ffb-e10f3452b740-CRbQlKkvvFaWnaQPkjikoAMtdMVT22.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p> qué decisión activa, no es todavía una métrica de gestión.</p><h2>Conclusión: Marketing también asigna capital</h2><p>Los Unit Economics convierten Marketing en una conversación de negocio. Obligan a dejar de preguntar únicamente cuánto tráfico, cuántos leads o cuántas ventas atribuimos y a entender qué valor económico crea cada unidad adquirida.</p><p>No sustituyen al criterio ni eliminan la incertidumbre. La hacen visible. Un buen modelo no promete precisión absoluta: muestra qué sabemos, qué estamos suponiendo, dónde está el riesgo y hasta qué punto podemos invertir antes de que el crecimiento deje de compensar.</p><p>Cuando Marketing trabaja así, deja de defender presupuesto con métricas aisladas. Empieza a asignar capital con una lógica compartida por Producto, Ventas, Operaciones y Finanzas.<br></p>

Cómo construir Unit Economics útiles para Marketing

Fran López Ballero

Fran Lopez Ballero's website.

Switzer

Inter

Bebas Neue

Roboto