Areas de educación
Síguenos: 
Síguenos:
Síguenos:
Empresas Socias
Un espacio en el que podrán disfrutar de ventajas exclusivas e intercambiar conocimientos y experiencias.
Listado de Empresas Asociadas
Descubre las organizaciones que forman parte de nuestra red colaborativa.
Formación a Medida
Programas personalizados para fortalecer las capacidades de tu equipo.
Blog
17 de Septiembre de 2026
Analítica web sin cookies: cómo medir mejor y tomar decisiones con datos fiables
Director de Marketing (CMO) en ENAE Business School, con una amplia experiencia profesional en el mundo del Marketing Digital y la gestión empresarial.
Director y profesor del Máster Internacional en Marketing Digital Mención Inteligencia Artificial de ENAE Business School. Fundador y Director del Congreso de Marketing Digital EN@E Digital Meeting.
Especialista en marketing on line: Analítica web, posicionamiento web SEO y campañas de pago por clic, certificado en Google Ads y Google Analytics. Docente en formación in company para diversos organismos oficiales. Entre su formación destaca el Máster en Inteligencia Artificial y Data Science realizado en ENAE, así como diversos másters relacionados con la Inteligencia Artificial e Innovación, Ecommerce, SEO, Analítica Digital y en gestión empresarial (Dirección Financiera).
Sumario:
Analítica web sin cookies: el verdadero problema no es perder datos, sino tomar malas decisiones
La privacidad, las cookies y las limitaciones de la medición digital están creando una visión incompleta del negocio online. Un sesgo que puede hacer que una empresa reduzca inversión precisamente en los canales que mejor funcionan.
Por Santiago Foulquie Romero · 7 de septiembre de 2026
Artículo basado en el Webinar 5 + 2 formas de detección de fugas de dinero en Marketing impartido por Rafael Jiménez de Sealmetrics
La analítica digital tiene un problema más importante que la desaparición de las cookies.
Estamos tomando decisiones con datos que no siempre representan la realidad.
Una venta puede existir en el ecommerce y no aparecer en la herramienta de analítica. Una campaña puede generar clientes y recibir menos atribución de la que merece. Una parte del tráfico clasificado como directo puede proceder realmente de campañas cuyo origen se perdió por el camino.
Si la medición está sesgada, también lo estarán las decisiones de inversión.
El problema adquiere todavía más importancia con la inteligencia artificial. Automatizar el análisis no corrige una mala medición. Puede acelerar y magnificar sus consecuencias.
Cinco ideas clave
- No medir a un usuario no significa que ese usuario no exista.
- La pérdida de datos no afecta igual a todos los canales.
- Una parte del tráfico directo puede esconder orígenes perdidos.
- Los usuarios sin consentimiento pueden comportarse de forma diferente.
- La IA necesita buenos datos antes de poder producir buenas decisiones.
Un canal inframedido puede parecer menos rentable de lo que realmente es.
En este artículo
- El problema de una realidad incompleta
- Cómo afecta el consentimiento
- Por qué el tráfico directo puede estar inflado
- La pérdida de datos por canal
- Cómo interpretar la tasa de aceptación
- El comportamiento de los usuarios invisibles
- Casos en los que medir mejor cambió la decisión
- El impacto de píxeles y velocidad
- Los límites del modelado y la IA
- Medir el negocio sin seguir a cada persona
- Cómo auditar tu analítica
- Preguntas frecuentes
El problema no es tener menos datos. Es creer que tenemos todos los datos
Imaginemos dos negocios digitales.
El primero recibe más tráfico. Sus usuarios consultan más páginas. Además, registra más ventas. Parece claramente superior.
Pero introduzcamos una variable adicional, el hecho de que parte del tráfico aparece como unassigned o not sety otra parte ni siquiera llega a registrarse en nuestra herramienta de analítica digital, ya sea Google Analytics 4, Adobe Analytics o cualquier otra que utilice la medición del tráfico basada en cookies.
La comparación cambia.
En uno de los ejemplos analizados durante la sesión que dio origen a este artículo, una herramienta basada en cookies registraba 807 ventas en su web de un total real de 1.000 que aparecían en el ERP/CRM.
Eso supone que 193 ventas existían en el negocio, pero no en la analítica, desconociéndose su origen.
Funnel de conversión y pérdida de observación. Diagrama que muestra cómo una campaña genera una visita, una visualización de producto, un carrito, un checkout y una venta, mientras parte del recorrido puede no ser observado por la herramienta de analítica.
Parte del recorrido puede no ser observable La venta puede existir aunque la analítica no observe todo el recorrido Una conversión puede ser real aunque una parte de su recorrido no haya sido observada por la herramienta de analítica.
La empresa había cobrado las ventas que no encuentra en su herramienta de analítica digital. El problema era otro.
No sabía qué las había realizado ni cual fue el canal que las generó.
Si una empresa desconoce qué produjo un resultado y su origen, le resultará mucho más difícil repetirlo y escalarlo.
La medición no crea ventas. Pero determina nuestra capacidad para identificar qué las crea.
El consentimiento introduce un nuevo funnel antes del funnel comercial
Cuando 100 personas llegan a una web, no todas responden inmediatamente al banner de cookies. Algunas aceptan. Otras rechazan. Muchas simplemente continúan navegando.
Este comportamiento tiene consecuencias analíticas. Si un usuario acepta las cookies al llegar, normalmente podemos conservar información sobre su procedencia: Google, Meta, TikTok, una newsletter o un afiliado.
Pero imaginemos otro recorrido. El usuario llega desde una campaña. Consulta varias páginas. Ve un producto. Después acepta las cookies.
Cuando comienza la medición, el origen inicial puede haberse perdido. La herramienta empieza a observar al usuario cuando ya está dentro de la web. Y ese tráfico puede terminar clasificado como directo. Incluso si posteriormente compra.
Parte del tráfico directo podría no ser realmente directo
Durante años hemos interpretado el tráfico directo como usuarios que escriben una URL, utilizan un marcador o llegan sin una fuente identificable.
Hoy esa categoría merece más cautela.
El tráfico directo puede haberse convertido parcialmente en un contenedor de tráfico cuyo verdadero origen no conseguimos conservar.
Esto importa porque altera el reparto de mérito entre canales.
Un ejemplo: una conversión originada en una red social
- El usuario pulsa un anuncio.
- Llega a la web.
- Ignora el banner de cookies.
- Consulta varios productos.
- Acepta posteriormente el consentimiento.
- Compra.
La venta es real.
Pero si la referencia inicial se perdió, el canal puede recibir menos crédito del que merece.
Marketing observa entonces una rentabilidad inferior.
Y podría reducir presupuesto.
La empresa estaría castigando al canal por un problema de medición, no por un problema de rendimiento.
La pérdida de datos no afecta igual a todos los canales
Este es uno de los puntos más importantes.
No podemos asumir que perder un determinado porcentaje de usuarios produzca el mismo error en todas las fuentes de tráfico.
Los comportamientos son diferentes.
El usuario de búsqueda de marca no actúa igual que el usuario que llega desde TikTok.
Un visitante procedente de SEO informacional puede leer un artículo y marcharse sin tocar el banner.
Un usuario social puede visitar una página durante pocos segundos desde el móvil.
Un cliente recurrente puede aceptar el consentimiento casi inmediatamente.
Según los datos presentados durante la sesión, las diferencias observadas entre medición basada en cookies y una medición más completa variaban considerablemente por canal.
Diferencia aproximada observada según fuente de tráfico
Estas cifras corresponden a los casos analizados en la presentación. No deben interpretarse como benchmarks universales.
El sesgo de medición puede ser diferente para cada canal.
Una tasa de aceptación de cookies puede ser correcta y engañosa al mismo tiempo
Existe otro problema menos evidente.
¿Cómo calcula nuestro CMP la tasa de aceptación?
Imaginemos que 100 personas ven el banner. 29 aceptan, 8 rechazan y 63 no interactúan.
Si calculamos la aceptación únicamente entre quienes eligieron aceptar o rechazar:
29 / 37 = 78 %
Pero si calculamos sobre todas las personas a las que se mostró el banner:
29 / 100 = 29 %
Las dos operaciones son matemáticamente correctas.
Pero responden a preguntas diferentes.
Antes de interpretar una tasa de aceptación, pregunta cuál es exactamente su denominador.
Los usuarios que no vemos pueden comportarse de forma distinta
Otra suposición habitual consiste en pensar que los usuarios no observados son una muestra aleatoria de los observados.
No tiene por qué ser cierto.
En uno de los casos expuestos, la herramienta basada en cookies mostraba unas 1,6 páginas vistas por visita.
La medición completa elevaba el promedio a aproximadamente 2,1 páginas.
Los usuarios sin consentimiento alcanzaban alrededor de 3,3 páginas.
El grupo invisible mostraba más navegación.
Esto cambia la naturaleza del problema.
Ya no estamos simplemente ante datos que faltan.
Estamos ante datos que faltan de forma potencialmente sesgada.
Si los usuarios invisibles son diferentes de los visibles, extrapolar desde los visibles puede describir un negocio que no existe.
También te puede interesar
- Analítica Digital y Dashboards
- Datos, APIs y Marketing Analytics
- Publicidad digital y ROI: cómo medir el éxito de tus campañas online
- El futuro del marketing digital a debate: tendencias 2026
Cuando medir mejor cambia las decisiones de inversión
Caso TikTok: un canal podía estar generando más negocio del que mostraba GA4
Uno de los ecommerce analizados descubrió que TikTok generaba más negocio del que mostraba inicialmente GA4.
Además, ese tráfico presentaba un nivel de engagement elevado.
La empresa aumentó la inversión.
Las ventas crecieron.
Lo relevante no es TikTok en sí.
El aprendizaje es otro.
La decisión cambió cuando cambió la calidad de la observación.
No hizo falta un modelo de atribución extremadamente sofisticado.
Fue suficiente con observar mejor una variable fundamental: qué tráfico estaba generando actividad valiosa.
Caso Palladium Hotel Group: una única referencia para evaluar canales
Otro de los ejemplos presentados fue Palladium Hotel Group.
En el caso comentado durante la sesión, aproximadamente un 40 % del tráfico no estaba siendo observado por la analítica inicial.
También faltaba una parte relevante de las reservas.
Esto generaba un problema adicional.
Cada plataforma podía presentar su propia interpretación del rendimiento.
Google medía Google. Meta medía Meta. Las agencias disponían de sus propios informes.
Cuando cada proveedor mide su propio éxito, comparar resultados se vuelve difícil.
Todos los canales deberían competir con la misma regla de medición.
Una referencia independiente permite comparar inversión, tráfico, engagement y ventas utilizando las mismas definiciones.
La mala medición también puede esconder tráfico de baja calidad
No todas las pérdidas de información perjudican a un canal rentable.
En otros casos pueden ocultar inversión ineficiente.
Imaginemos una campaña de display.
Produce miles de clics. El CPC es bajo. La campaña parece eficiente.
Pero sus usuarios no interactúan.
Si una gran parte de esas visitas tampoco acepta cookies, detectar su escasa calidad puede resultar todavía más difícil.
En uno de los casos presentados, la organización analizó qué ubicaciones y campañas generaban engagement.
Eliminó aquellas que no lo generaban y reasignó presupuesto.
El incremento comunicado de reservas procedentes de ese canal alcanzó aproximadamente el 165 %.
La pregunta era sencilla: ¿este tráfico hace algo útil después de llegar?
Incluso el peso del píxel puede hacer desaparecer tráfico
La privacidad no es la única causa de pérdida.
La tecnología también importa.
Para registrar una visita, un script necesita cargarse y ejecutarse.
Si el usuario abandona antes, esa sesión puede no registrarse.
La probabilidad aumenta cuando:
- la página es lenta;
- existe una gran cantidad de scripts;
- la conexión móvil es deficiente;
- el servidor está lejos;
- la etiqueta tarda en ejecutarse.
En las pruebas presentadas durante el webinar se observaron, bajo determinadas condiciones, diferencias cercanas al 15 % del tráfico entre tecnologías de medición.
El efecto puede ser especialmente relevante en móvil.
Esto vuelve a introducir un sesgo por canal.
Una diferencia técnica en velocidad puede terminar pareciendo una diferencia comercial entre canales.
El modelado puede estimar lo desconocido. No convertirlo en verdad observada
Una solución habitual ante la pérdida de señales es modelar conversiones o comportamientos.
El modelado puede ser útil.
Pero hay que entender qué hace.
Un modelo realiza una estimación a partir de señales conocidas.
No observa mágicamente aquello que nunca estuvo dentro de su campo de visión.
La inteligencia artificial no corrige automáticamente datos deficientes
La inteligencia artificial puede detectar anomalías, comparar campañas, resumir informes, encontrar patrones, generar hipótesis y automatizar análisis.
Pero existe una condición previa.
Necesita una representación suficientemente fiel del negocio.
Si los datos están sesgados, la IA también trabaja sobre una realidad sesgada.
Puede producir decisiones equivocadas a mayor velocidad.
Y con una apariencia de precisión mayor.
Antes de automatizar decisiones, hay que auditar los datos que alimentarán la automatización.
Matriz de análisis del funnel por canal Ejemplo visual de una matriz que compara diferentes canales de marketing en las etapas de visita, producto, carrito, checkout y compra. Funnel por canal Visita Producto Carrito Checkout Compra Google Meta TikTok Email Comparar tasas de avance ayuda a detectar dónde destaca o falla cada canal Un funnel por canal permite comparar la capacidad de cada fuente para mover al usuario desde la visita hasta la compra.
La alternativa: medir mejor el negocio sin intentar seguir a cada persona
La analítica digital ha dedicado enormes esfuerzos a reconstruir el recorrido individual.
- ¿Es la misma persona?
- ¿Ha vuelto tres días después?
- ¿Vio primero Meta y convirtió después mediante Google?
Ese conocimiento tiene valor, pero también exige mecanismos de identificación. Y ahí surge buena parte de la tensión con la privacidad.
Existe otra forma de plantear el problema. En lugar de preguntar:
¿Qué hizo exactamente esta persona?
podemos preguntar:
¿Qué está ocurriendo en el negocio?
Por ejemplo:
- ¿Cuántas visitas genera Meta?
- ¿Cuántas ven un producto?
- ¿Cuántas añaden un producto al carrito?
- ¿Cuántas comienzan el checkout?
- ¿Cuántas compran?
- ¿Cuánto cuesta conseguir cada avance?
El cambio parece pequeño.
Conceptualmente es enorme.
Pasamos de medir personas a medir comportamiento agregado.
El funnel por canal puede explicar más que un dashboard lleno de métricas
Construyamos una tabla. En las filas colocamos canales. En las columnas, fases del funnel.
Ejemplo de funnel de conversión comparado por canal
Fuente | Visitas | Ver producto | Añadir al carrito | Begin checkout | Compra |
Google Ads | 48.200 | 52% | 11,4% | 6,1% | 3,8% |
TikTok Ads | 22.800 | 61% | 9,8% | 5,2% | 3,1% |
Meta Ads | 31.500 | 44% | 7,2% | 3,4% | 1,9% |
Buscador orgánico | 38.400 | 39% | 8,1% | 4,6% | 2,9% |
12.100 | 68% | 19,3% | 12,7% | 9,4% | |
Afiliación | 9.700 | 57% | 14,2% | 8,8% | 6,2% |
Directo | 24.900 | 35% | 6,4% | 3,1% | 2,0% |
Después calculamos ratios:
- visita → producto
- producto → carrito
- carrito → checkout
- checkout → compra
Ahora empiezan las preguntas.
¿Por qué TikTok lleva proporcionalmente más usuarios a producto?
¿Por qué Google convierte mejor desde checkout?
¿Por qué Meta produce mucho volumen pero menos intención?
¿Dónde se rompe cada canal?
La analítica empieza cuando los datos provocan una buena pregunta.
Analizar atributos de producto abre otra capa de optimización
Saber qué producto vende más es útil.
Saber por qué vende más puede ser mucho más valioso.
- En moda podemos analizar color, talla, material, precio o colección.
- En automoción podemos estudiar motorización, acabado, combustible, cambio o equipamiento.
- En turismo podemos analizar destino, tipo de habitación, duración, régimen o antelación de reserva.
Después podemos cruzar esos atributos con los canales.
- Quizá TikTok funciona especialmente bien para una categoría concreta.
- Quizá Google convierte mejor productos de alto precio.
- Quizá un determinado atributo obtiene mucho más engagement en Meta.
Cada patrón puede convertirse en una hipótesis publicitaria.
Mejor medición genera mejores preguntas. Y mejores preguntas aumentan la posibilidad de encontrar crecimiento.
Siete preguntas para saber si puedes confiar en tu analítica
No existe una cifra universal que determine cuándo una implementación analítica es buena.
Pero sí existen señales de alerta.
1. ¿Coinciden las ventas de analítica con las ventas reales?
Compara los pedidos de tu ecommerce con las conversiones registradas.
No deberían interpretarse como sistemas idénticos.
Pero una diferencia muy elevada exige investigación.
2. ¿Cuánto tráfico termina clasificado como directo?
Una cifra alta no demuestra por sí sola un problema.
Pero debería generar una pregunta.
Especialmente si aumenta después de cambios en consentimiento o tracking.
3. ¿Cuánto unassigned o not set tienes?
Estas categorías indican que existe actividad que no estás pudiendo clasificar correctamente.
4. ¿Las tasas de conversión por canal tienen sentido?
Busca diferencias extremas.
Pueden ser reales.
También pueden indicar problemas de medición.
5. ¿Puedes construir un funnel completo por canal?
Visita → producto → carrito → checkout → compra.
Si alguna etapa es invisible, parte del diagnóstico también lo será.
6. ¿Puedes explicar qué atributos impulsan las ventas?
No te limites al SKU o al producto.
Busca patrones.
7. ¿Tus datos observados coinciden con la realidad financiera?
Esta es quizá la prueba más importante.
La analítica debería explicar el negocio. No sustituirlo.
Una arquitectura de medición orientada a decisiones
- Capturar información suficientemente fiable.
- Definir las preguntas del negocio.
- Integrar los datos mediante APIs y sistemas comunes.
- Automatizar análisis repetitivos.
- Aplicar inteligencia artificial cuando aporte velocidad o escala.
El orden importa.
Muchas organizaciones empiezan por el punto cinco.
Instalan IA. Construyen dashboards. Automatizan reporting.
Pero no han solucionado todavía el punto uno.
Una sofisticación analítica construida sobre datos deficientes sigue siendo una mala analítica.
Convierte los datos de marketing en decisiones
Medir no consiste en acumular métricas. Consiste en identificar qué funciona, qué no funciona y dónde existe una oportunidad de mejora.
Si quieres profundizar en estos conocimientos, consulta el programa de Analítica Digital y Dashboards de ENAE Business School.
Conocer el curso de Analítica Digital y Dashboards
El objetivo no debería ser capturar más datos, sino reducir incertidumbre
Durante años, la industria ha perseguido una idea:
capturar más datos.
Pero más datos no equivalen automáticamente a mejor conocimiento.
Podemos almacenar millones de eventos y seguir interpretando mal el negocio.
La prioridad debería ser otra.
Datos suficientemente completos.
Definiciones consistentes.
Métricas vinculadas con decisiones.
Después llega todo lo demás.
Modelos de atribución. Automatización. Machine learning. IA generativa. Agentes.
La tecnología amplifica lo que tiene debajo.
Por eso la calidad de la capa de datos es tan importante.
La ventaja competitiva no será tener más dashboards
La pregunta final no debería ser:
¿Cuántos datos estamos capturando?
Debería ser:
¿Qué decisiones podemos tomar con confianza gracias a esos datos?
¿Dónde deberíamos invertir más?
¿Qué canal está infravalorado?
¿Qué campaña genera visitas pero no negocio?
¿En qué etapa del funnel perdemos al usuario?
¿Qué productos interesan pero no convierten?
¿Qué atributos explican una venta?
¿Qué porcentaje del tráfico directo es realmente desconocido?
Esas preguntas generan acción.
Los dashboards, por sí solos, no.
La función de la analítica no es describir el pasado. Es reducir la incertidumbre de la siguiente decisión.
Preguntas frecuentes sobre analítica web sin cookies
¿Se puede hacer analítica web sin cookies?
Sí. Es posible medir de forma agregada visitas, páginas vistas, eventos y conversiones sin intentar identificar individualmente a cada usuario.
El alcance concreto depende de la tecnología utilizada, su configuración y los requisitos legales aplicables.
¿Por qué GA4 puede mostrar menos ventas que mi ecommerce?
Puede deberse al consentimiento, al bloqueo de scripts, a la pérdida de identificadores, a problemas técnicos, a la velocidad de carga, a la configuración o a diferencias entre la lógica del ecommerce y la herramienta de analítica.
Una discrepancia significativa debe investigarse antes de interpretar el rendimiento de los canales.
¿El tráfico directo puede incluir visitas procedentes de campañas?
Sí. Si se pierde la información de referencia antes de que comience la medición, parte del tráfico originado en campañas puede terminar clasificado como directo.
Por eso un volumen elevado de tráfico directo debe analizarse junto con la configuración de consentimiento y medición.
¿La inteligencia artificial puede solucionar la pérdida de datos?
No por sí sola.
La inteligencia artificial puede modelar, estimar y detectar patrones, pero sus resultados dependen de los datos disponibles.
Si los datos de entrada están sesgados, sus conclusiones también pueden estarlo.
Continúa aprendiendo
Masters relacionados
Artículos recomendados
Analítica web sin cookies: cómo medir mejor y tomar decisiones con datos fiables
Analítica web sin cookies: el verdadero problema no es perder datos, sino tomar malas decisionesLa...
Máster en Marketing Digital 2026: Habilidades para liderar con IA
El mundo del marketing digital avanza a pasos agigantados, y con la llegada de la inteligencia...
Guía SEO 2026: Optimización avanzada para la máxima visibilidad online
La optimización móvil emerge como un componente clave en el marco de la estrategia digital para las...
También te podría interesar leer
La reforma fiscal es el conjunto de modificaciones normativas que alteran la estructura tributaria de un país con el fin de diversificar los ingresos públicos, mejorar la equidad del sistema y adaptar la fiscalidad a nuevas realidades económicas. En...
La cultura corporativa es el conjunto de valores, normas, creencias y comportamientos compartidos que definen la identidad de una organización y condicionan la forma en que sus miembros se relacionan, toman decisiones y afrontan el cambio. Según...
La negociación con proveedores es el proceso mediante el cual una organización acuerda con sus suministradores las condiciones de precio, calidad, plazo y servicio que rigen el suministro de bienes o servicios, con el objetivo de optimizar el coste...
