Temario completo

Analítica y métricas de marketing

CTR, CAC, LTV y ROAS bien calculados, GA4 y un tablero en Looker Studio que sí sirve para decidir

30 lecciones · 5 módulos · termina con: Plan de medición y tablero

Módulo 1 · El diccionario canónico: anatomía de una métrica

Sabrás leer cualquier reporte sin confundir exposición, respuesta, resultado y economía. Reconstruirás cada KPI desde sus datos y rechazarás una métrica cuyo denominador no esté declarado.

Contrato de medición, elección de tu marca y anatomía de una métrica — Elegirás un negocio o marca real que será tu laboratorio transversal. Definirás la decisión de marketing que quieres responder y escribirás la especificación completa de una métrica: numerador, denominador, población, ventana temporal y fuente.
Exposición: impresiones, alcance, frecuencia y CPM — Extraerás impresiones y alcance de plataformas publicitarias y calcularás frecuencia y CPM. Distinguirás por qué alcance no es aditivo y por qué una frecuencia promedio no describe individuos.
Respuesta: clics de destino, CTR y CPC — Identificarás qué tipo de clic estás pagando; calcularás CTR y CPC con el denominador correcto. Leerás el CTR sin confundir 'all clicks' con tráfico real y el CPC sin asumir que bajo coste significa rentabilidad.
Resultado: tasa de conversión, CPA y ROAS — Definirás una conversión concreta de tu proyecto, elegirás el denominador obligatorio y calcularás CPA y ROAS. Distinguirás rápidamente por qué ROAS atribuido no es margen y por qué CPA no es CAC.
Métricas de email y por qué la tasa de apertura ya no es una señal confiable — Calcularás la tasa de apertura rastreada y la tasa de clic de correo electrónico con los entregados reales. Explicarás el quiebre que produjo Apple Mail Privacy Protection y elegirás señales posteriores (clics, compras) para decidir.
Engagement rate y construcción del diccionario oficial de tu marca — Recopilarás métricas de redes con su denominador explícito y compararás engagement rate basado en alcance, en vistas o en impresiones. Documentarás el diccionario único de métricas de tu proyecto, con definición, fórmula y fuente.

Módulo 2 · Economía unitaria con datos imperfectos

Estimarás CAC, margen, LTV y payback aunque te falten meses o datos limpios. Mostrarás qué parte es observada y qué parte es una hipótesis, y decidirás si escalar adquisición parece sostenible.

CAC: qué costes entran y por qué un CPA no es un cliente — Listarás los costes reales de adquisición de tu marca (media, creatividad, equipo, promociones) y calcularás el CAC blended y, si tus datos lo permiten, el CAC pagado. Separarás CPA de compra, CPA de lead y CAC como métricas distintas.
Margen bruto, contribución y por qué el ingreso no paga el CAC — Construirás el margen bruto de tu producto o servicio y aislarás los costes variables que afectan la contribución. Documentarás qué va en el numerador económico de tus métricas y por qué revenue × 'lifetime' no es un LTV económico.
LTV observado por cohortes: solo con lo que ya ocurrió — Construirás una tabla de contribución acumulada para una cohorte de clientes real. Reportarás LTV observado a N meses y separarás lo proyectado de lo ya realizado.
LTV estimado cuando faltan meses, churn o datos perfectos — Proyectarás contribuciones futuras con supuestos explícitos (retención, frecuencia, margen) y construirás una tabla de flujos descontados. Distinguirás un negocio contractual de uno no contractual para no forzar fórmulas de suscripción.
Payback y flujo acumulado: cuándo el cliente realmente se paga — Calcularás el mes en que la contribución acumulada iguala el CAC de una cohorte. Identificarás cuándo el atajo 'CAC / contribución mensual' es válido y cuándo rompe.
LTV:CAC, la regla 3:1 y sus trampas — Calcularás la ratio LTV:CAC de tu proyecto y documentarás la procedencia y las limitaciones de la heurística 3:1. Identificarás al menos tres formas de inflar artificialmente el cociente en tu propio caso y propondrás un rango honesto.

Módulo 3 · Medición técnica sin pagar nada

Montarás una medición web básica y auditable con GA4 + GTM. Probarás eventos, etiquetarás campañas con UTMs, documentarás el efecto del consentimiento y construirás datos utilizables para análisis y tableros.

Modelo de datos de GA4: usuario, sesión, evento, parámetro y evento clave — Explicarás la arquitectura event-based de GA4 y la diferencia actual entre evento, evento clave y conversión de Google Ads. Identificarás las dimensiones de tráfico y los límites de colección reales de la versión gratuita.
Mapa de eventos y plan de medición: de la decisión al trigger — Dibujarás el funnel de tu proyecto y mapearás cada etapa a un evento recomendado por Google, con parámetros, estados de key event y dueño. Diseñarás el plan sin abrir GTM todavía.
Google Tag Manager, Preview/Debug y la checklist de QA que evita desastres — Usarás Preview de GTM y DebugView de GA4 para validar disparos, parámetros y ausencia de duplicados en rutas críticas. Completarás una checklist de 20 puntos para implementar sin romper.
Consentimiento y pérdida de señal: lo que el dato ya no te cuenta — Documentarás qué comportamientos se observan con y sin consentimiento en tu propiedad. Calcularás el impacto potencial de la pérdida de señal sobre eventos clave y distinguirás una caída de medición de una caída de negocio.
UTMs y taxonomía compartida: una URL que no se rompa — Crearás una convención de UTMs estricta con vocabularios controlados, sin espacios ni PII, y construirás cinco URLs reales para campañas de tu proyecto. Probarás si source, medium y campaign se mantienen coherentes en los informes.
Por qué las cifras de la plataforma nunca cuadran con GA4 (y no pasa nada) — Compararás una campaña real entre su plataforma y GA4 y enumerarás al menos cinco razones estructurales que producen diferencias. Establecerás un rango de tolerancia y qué hacer cuando la discrepancia es anómala.

Módulo 4 · Atribución y causalidad: de la creencia a la evidencia

Distinguirás 'se atribuyó a' de 'fue causado por'. Elegirás un modelo y una ventana para reportar, y diseñarás un experimento pequeño pero honesto que ponga límites a tus conclusiones.

Último clic: su utilidad descriptiva y su mentira causal — Explicarás con un caso real de tu proyecto por qué el último clic distribuye crédito pero no responde contrafactuales. Identificarás los sesgos que el último clic amplifica y cuándo sigue siendo útil para operar.
Modelos y ventanas de atribución: qué cambia y qué no — Explorarás data-driven attribution y los modelos disponibles en GA4. Modificarás ventanas de conversión y verás cómo el ROAS cambia mientras el gasto sigue igual. Documentarás qué modelo usas en tu reporte.
Plataforma, GA4 y experimento: tres respuestas a tres preguntas distintas — Calcularás el ROAS de una misma inversión según la plataforma, según GA4 y según un diseño experimental. Distinguirás cuándo cada cifra es la correcta para la pregunta que haces.
Incrementalidad y contrafactual: lo que no sucedió pero importa — Definirás el contrafactual de una campaña tuya y formularás una hipótesis de incremento. Identificarás qué tipo de diseño experimental se ajusta a tu presupuesto y tus restricciones, y por qué sin él no puedes separar correlación de causalidad.
Cómo diseñar una prueba honesta con presupuesto limitado — Escribirás una hipótesis única con outcome primario, tratamiento claro y criterio para declarar 'inconcluso'. Identificarás qué interferencias podrían hacer que el experimento no se pueda interpretar.
Límites de afirmación y cinco casos reales que corrigen el instinto — Analizarás cinco casos documentados (eBay, Adidas, P&G, Airbnb, Meta) y extraerás la regla de afirmación que aplica a tu proyecto. Listarás al menos dos ocasiones en las que tus propios datos no justificarían una conclusión causal.

Módulo 5 · Reportería que termina en una decisión

Transformarás GA4 + Sheets en un tablero de Looker Studio. Separarás métricas de dirección de métricas de vanidad y producirás un reporte ejecutivo de una página que diga qué decidir hoy.

Jerarquía de métricas: north star, outcomes, drivers y vanidad — Clasificarás cada métrica de tu proyecto en north star, outcome, driver, diagnóstica u observación. Definirás una north star que represente valor generado, no solo lo que la herramienta muestra primero.
Arquitectura del dashboard y grano de los datos — Diseñarás la estructura de cinco páginas de tablero (executive, adquisición, funnel, economía unitaria, calidad de medición) y definirás el grano mínimo de tu hoja de marketing para unir fuentes sin errores.
Looker Studio conectado a GA4 y Sheets: lo que puedes y lo que no — Construirás un tablero mínimo conectando propiedad de GA4 y hoja de gastos. Identificarás los límites de muestreo, cuotas y frescura del conector, y documentarás cómo afectan a tu reporte.
Reporte ejecutivo de una página: lo que el negocio realmente necesita ver — Completarás la plantilla canónica con resultado en una frase, KPIs principales, qué pasó, qué sabes y qué no sabes, hipótesis y decisión. Cada afirmación llevará su fuente y su certeza.
Diagnóstico y presentación de malos resultados sin maquillar — Escribirás un informe de mal rendimiento que no cambie el denominador, no acorte la ventana para borrar una cohorte y no reemplace outcome con métricas de vanidad. Separarás hecho, hipótesis y acción.
Ritmo de operación, calidad de datos y la decisión final del curso — Establecerás un calendario de revisión de métricas, definirás un dueño por KPI y dejarás documentado el histórico de cambios de medición. Integrarás todos los artefactos del curso y presentarás la decisión final que tu proyecto exige.

Ver todos los cursos · Arma tu ruta desde una oferta de trabajo