Cómo medir el rendimiento de tus ads de forma causal

Juanma, Founder de ZevenPages.

Este es el último post del cluster. Los cinco anteriores construyen hacia acá. Cubrimos que el CPA es un output con cuatro niveles de profundidad. Que Meta es una caja negra causal donde no podés aislar el efecto de tus decisiones. Que el creativo define la audiencia. Que la estructura de ad sets determina el acceso a inventario. Y que si la value prop no está alineada, nada de lo demás importa. Pero falta la pregunta más importante: si las métricas del Ads Manager no son verdades causales, ¿cómo medís de verdad? Este post responde eso con un framework completo.

Por qué las métricas del dashboard no alcanzan

El Ads Manager te dice cuántas conversiones se atribuyeron a tus ads. No te dice cuántas fueron causadas por tus ads. Como cubrimos en nuestro post sobre la caja negra causal, la diferencia es fundamental: atribución es correlación, causalidad requiere un contrafactual.

Pero hay un segundo problema que va más allá de la atribución: las métricas de plataforma miden la transacción inmediata, no el valor del negocio.

El CPA del día 1 es la peor versión del dato

Las conversiones modeladas post-iOS 14.5 pueden tardar hasta 72 horas en aparecer. El 47% de las conversiones llegan después de las primeras 48 horas. Un caso documentado por AdBeacon encontró que el 31% de las compras ocurrían después del día 8. El CPA que ves hoy se va a corregir a la baja los días siguientes. Tomar decisiones de presupuesto con ese dato es intervenir con información incompleta.

El ROAS de plataforma no es el ROAS del negocio

El Ads Manager reporta ROAS basándose en la atribución de Meta. Pero como señala este análisis de LayerFive: las campañas pueden mostrar ROAS impresionantes en los dashboards mientras los márgenes de contribución se deterioran en los estados financieros. Los presupuestos de ads crecen mientras los períodos de payback se extienden más allá de umbrales aceptables.

El ROAS de plataforma no descuenta devoluciones, costos de fulfillment, soporte, ni descuentos. No incluye el valor de vida del cliente. Y no distingue entre conversiones incrementales (que tu ad causó) y conversiones que hubieran ocurrido sin el ad.

Lo que necesitás son métricas de negocio conectadas con métricas de adquisición

La pregunta correcta no es "¿cuánto me cuesta una conversión?" sino "¿cuánto valor genera cada dólar que invierto en adquisición, medido en los siguientes 30, 60, 90 días?". Y para responder eso, necesitás conectar lo que pasa en el Ads Manager con lo que pasa en tu producto, tu revenue, y tu retención.

Las métricas del Ads Manager miden la transacción inmediata, no el valor del negocio. El CPA del día 1 se corrige a la baja en los días siguientes (47% de conversiones llegan después de las primeras 48 horas). El ROAS de plataforma no descuenta devoluciones, costos de fulfillment ni soporte, no incluye el valor de vida del cliente, y no distingue entre conversiones incrementales y conversiones que hubieran ocurrido sin el anuncio. Según predicciones de Lifesight, entre el 75% y el 90% de los marketers que usan atribución last-touch migrarán a modelos causales. La pregunta correcta es cuánto valor genera cada dólar invertido en adquisición medido a 30, 60 y 90 días.

Las métricas que realmente importan

Si vas a medir el rendimiento real de tus ads, estas son las métricas que necesitás. Ninguna aparece en el Ads Manager.

LTV por cohorte de adquisición

El valor de vida del cliente (LTV) agrupado por cuándo y desde dónde llegó. No un LTV promedio general (que mezcla clientes de hace dos años con los de esta semana). Un LTV por cohorte mensual, por canal, por ángulo creativo si es posible.

Como documenta Adjust en su guía de KPIs de cohorte: revenue que se trackea a nivel de evento permite medir el valor por usuario, comparar performance entre campañas, y analizar el comportamiento de monetización a lo largo del tiempo.

Un ecommerce puede descubrir que clientes adquiridos por influencer partnerships tienen 3.8x mayor LTV a 12 meses que clientes de paid search. O que clientes que compran dentro de las primeras 48 horas de su primera visita tienen 40% menor retención que los que investigan 3+ días. Esos datos cambian radicalmente dónde ponés presupuesto. Pero no existen si no medís LTV por cohorte.

Payback period

El tiempo que tarda cada cohorte en recuperar el costo de adquisición. Si tu CPA es $40 y el LTV a 30 días es $25, tu payback es más de 30 días. Si el LTV a 90 días es $60, tu payback es alrededor de 60 días. Sabés esto por cohorte, sabés cuánto capital de trabajo necesitás para escalar sin quedarte sin caja.

Retención por cohorte y por ángulo creativo

¿Los usuarios que llegaron por el ángulo "revelación de causa oculta" se retienen distinto de los que llegaron por "validación de experiencia personal"? Si podés cruzar retención con el ángulo creativo que trajo al usuario, tenés información para decidir qué ángulos escalar. No por CPA (métrica de corto plazo). Por retención y LTV (métricas de negocio). Como cubrimos en nuestro post sobre el anuncio como segmentación real, el creativo define la audiencia, y eso afecta directamente la retención.

Unit economics reales

CPA fully-loaded (incluyendo costos de creative production, herramientas, equipo), LTV neto (después de devoluciones, costos de servicio, churn), y el ratio LTV:CPA. Si el ratio es menor a 3:1, hay un problema. Si es menor a 1:1, estás perdiendo plata con cada cliente que adquirís.

[IMAGEN: Tabla visual comparando "lo que ves en el dashboard" (CPA, ROAS, conversiones) con "lo que realmente importa" (LTV por cohorte, payback period, retención, unit economics). Dos columnas contrastadas.]

Las métricas que determinan la salud real de la adquisición no están en el Ads Manager. LTV por cohorte de adquisición (agrupado por canal, mes, ángulo creativo) mide el valor real en el tiempo. Payback period mide cuánto tarda cada cohorte en recuperar el CPA. Retención por cohorte cruzada con ángulo creativo permite decidir qué escalar basándose en valor de negocio, no en CPA de corto plazo. El ratio LTV:CPA es el indicador final: menor a 3:1 es señal de alerta, menor a 1:1 significa que se pierde dinero con cada cliente adquirido. Ninguna de estas métricas aparece en el dashboard de la plataforma.

El framework de medición causal paso a paso

Paso 1: Establecé el baseline de atribución

Antes de medir causalidad, necesitás saber qué te dice la atribución actual. Registrá los números de CPA, ROAS, conversiones y distribución por canal que reporta el Ads Manager. Esto es tu punto de partida. No es la verdad, pero es la referencia contra la cual vas a calibrar.

Paso 2: Implementá tracking server-side

El tracking basado en navegador (pixel) pierde señal por bloqueadores de ads, restricciones de iOS, y cookies de terceros que desaparecen. Conversions API (CAPI) de Meta envía datos de conversión directo desde tu servidor a Meta, sin depender del navegador del usuario. Es el mínimo técnico para tener datos de atribución razonablemente completos.

Paso 3: Conectá datos de revenue real

La atribución de Meta termina en la conversión (instalación, lead, compra). Pero el valor de esa conversión se revela después: ¿el usuario activó? ¿Pagó? ¿Se quedó? ¿Compró de nuevo? Para saber esto, necesitás conectar los datos de adquisición con los datos de tu producto y tu revenue. Eso significa que el dato de "este usuario vino del ad set X, creativo Y, ángulo Z" tiene que cruzarse con "este usuario pagó $30 en los siguientes 90 días y se retuvo 6 meses".

Paso 4: Medí por cohortes, no por promedios

Agrupá a tus usuarios por semana o mes de adquisición, y seguí su comportamiento en el tiempo. Cada cohorte es un "experimento" natural: las condiciones del mercado, los creativos activos y la estructura de ad sets eran específicas de ese momento. Comparar cohortes te dice si tus cambios realmente mejoraron algo o si fue variación natural.

Paso 5: Corré un test de incrementalidad

Cuando tengas volumen suficiente (Meta recomienda al menos $5,000 anuales de spend), corré un Conversion Lift study o un geo experiment. Este paso te da el factor de incrementalidad: qué porcentaje de las conversiones atribuidas fueron realmente causadas por tus ads. Si el factor es 0.6, tu ROAS real es 60% del que muestra el dashboard. Tus decisiones de presupuesto deberían basarse en ese número, no en el inflado.

Paso 6: Calibrá la atribución con el factor de incrementalidad

La propia recomendación de Meta es usar lift tests para calibrar tu modelo de atribución. Si hay discrepancias significativas entre lo que la atribución reporta y lo que el lift test muestra, ajustás. Si no hay discrepancias, tu atribución está razonablemente calibrada y podés usarla para decisiones operativas del día a día, sabiendo que refleja la realidad causal.

Pero recalibrá periódicamente. Los factores cambian con el tiempo, con cambios en la estrategia creativa, con cambios en el mercado.

El framework de medición causal tiene seis pasos: establecer baseline de atribución actual, implementar tracking server-side (Conversions API) para reducir pérdida de señal, conectar datos de adquisición con datos de revenue y retención del producto, medir por cohortes semanales o mensuales en vez de promedios, correr un test de incrementalidad (Conversion Lift o geo experiment) para obtener el factor de incrementalidad real, y calibrar la atribución del Ads Manager con ese factor. Si el factor de incrementalidad es 0.6, un ROAS de plataforma de 3.5x es en realidad 2.1x. Las decisiones de presupuesto se basan en el número calibrado.

Cómo montar un sistema que no dependa solo de Meta

El Ads Manager es un input. No es la verdad. Para tener un sistema de medición real, necesitás capas que conecten la adquisición con el negocio.

Capa 1: Tracking de adquisición

Meta Conversions API (CAPI) configurado correctamente, con deduplicación de eventos (que el mismo evento no se cuente dos veces por pixel + CAPI). Event Match Quality Score lo más alto posible. Los errores acá contaminan todo lo que viene después.

Capa 2: Datos de producto y revenue centralizados

Los datos de tu app, tu ecommerce, o tu plataforma SaaS (activación, retención, pagos, churn, tickets de soporte) tienen que estar en un lugar donde puedan cruzarse con los datos de adquisición. Un data warehouse (BigQuery, Snowflake, o incluso un PostgreSQL bien armado) con pipelines que traigan datos de Meta, de tu producto, y de tu sistema de pagos.

Capa 3: Modelado de cohortes y LTV

Con los datos centralizados, podés construir vistas de cohortes: LTV a 7, 30, 60, 90 días por canal de adquisición, por ángulo creativo, por mercado geográfico. Esto lo puede hacer una herramienta dedicada (Lifetimely para Shopify, Adjust o AppsFlyer para apps, o vistas custom en tu data warehouse con dbt o SQL directo).

Capa 4: Incrementalidad periódica

Un test de incrementalidad cada trimestre (o cuando hacés cambios estratégicos significativos) para recalibrar el factor de incrementalidad. No es un evento único. Es una práctica recurrente.

Capa 5: Dashboard de decisión (no de vanidad)

Un dashboard que muestre las métricas que importan (LTV por cohorte, payback, retención, ratio LTV:CPA, factor de incrementalidad) junto con las métricas operativas (CPA, ROAS, CTR, CVR). Las operativas te dicen qué está pasando hoy. Las de negocio te dicen si lo que está pasando hoy genera valor o lo destruye.

Este caso documentado por LayerFive es ilustrativo: un ecommerce reasignó $63,000 mensuales de audiencias con alto ROAS de plataforma pero bajo profit hacia audiencias con ROAS medio pero alto LTV. El resultado: revenue total bajó 8% inicialmente, pero el margen de contribución subió 31% y las cohortes de LTV a 6 meses mejoraron 2.4x. Eso es lo que pasa cuando optimizás para profit en vez de métricas de plataforma.

[IMAGEN: Diagrama de 5 capas apiladas. Capa 1: Tracking (CAPI). Capa 2: Data warehouse (BigQuery/Snowflake). Capa 3: Modelado de cohortes y LTV. Capa 4: Tests de incrementalidad trimestrales. Capa 5: Dashboard de decisión. Flechas mostrando el flujo de datos de abajo hacia arriba.]

Un sistema de medición que no dependa solo de Meta tiene cinco capas: tracking server-side (Conversions API con deduplicación), datos de producto y revenue centralizados en un data warehouse, modelado de cohortes y LTV cruzado con datos de adquisición, tests de incrementalidad periódicos para calibrar atribución, y un dashboard de decisión que muestre métricas de negocio junto con métricas operativas. Un caso documentado por LayerFive muestra el impacto: un ecommerce reasignó presupuesto de audiencias con alto ROAS pero bajo profit a audiencias con alto LTV. Revenue bajó 8% pero margen de contribución subió 31% y LTV de cohortes mejoró 2.4x.

Cómo lo hacemos nosotros

Infraestructura de datos propia

Para los clientes con los que trabajamos, montamos una infraestructura que conecta las fuentes: Meta Ads (via API), datos del producto (via Airbyte o Fivetran hacia BigQuery), y datos de revenue (vía integración con el sistema de pagos). Las transformaciones las hacemos con dbt. Esto nos da una fuente única de verdad donde podemos cruzar cualquier métrica de adquisición con cualquier métrica de negocio.

Análisis causal con múltiples frameworks

Para un cliente de app freemium en LATAM, corrimos análisis causal con tres frameworks estadísticos: DoWhy (backdoor regression), EconML (LinearDML) y CausalML (S-Learner y T-Learner). El objetivo: estimar el efecto causal de cada dimensión creativa (ángulo, arco narrativo, formato) sobre conversiones, controlando por confounders (presupuesto asignado, día de la semana, competencia).

Con 322 creativos etiquetados y filtrados a 181 con spend significativo, corrimos los tres métodos sobre los mismos datos. Cada método produjo un ranking diferente. Pero los tres coincidieron en cuáles eran los ángulos con mayor impacto causal, y también en la incertidumbre: el ángulo top tenía un intervalo de confianza en EconML de -212 a +547.

Eso no invalida el análisis. Muestra exactamente lo que argumentamos en todo el cluster: extraer conclusiones causales de datos observacionales de Meta es difícil porque los confounders contaminan. El valor del análisis está en saber cuánto no sabés, triangular entre métodos, y tomar decisiones basándote en consenso y en la dirección de la evidencia, no en certeza que no existe.

Métricas causales que usamos en la operación

Más allá del análisis formal, en la operación diaria monitoreamos métricas que van más allá del dashboard: impresiones necesarias por conversión (no solo CPM o CTR aislados), medianas de CPA por mercado, plataforma y día de la semana (no promedios), retención a 7 y 30 días por ángulo creativo, y ratio de LTV a CPA por cohorte mensual.

Cuando estos números se mueven, diagnosticamos con el framework de cuatro niveles.

El approach de ZevenPages combina infraestructura de datos propia (Meta API + producto + pagos centralizados en BigQuery vía Airbyte/Fivetran, transformado con dbt), análisis causal con múltiples frameworks estadísticos (DoWhy, EconML, CausalML) para estimar efectos causales controlando por confounders, y métricas operativas que van más allá del dashboard: medianas de CPA por mercado y día, retención por ángulo creativo, y ratio LTV:CPA por cohorte mensual. La triangulación entre múltiples métodos y la honestidad sobre la incertidumbre son centrales: el valor del análisis está en saber cuánto no se sabe, no en pretender certeza que no existe.

El mínimo viable para founders sin infraestructura

No todos los negocios tienen $15K+/mes en paid media o la capacidad de montar un data warehouse. Si estás empezando o tenés presupuesto acotado, estas son las capas que podés implementar hoy con esfuerzo mínimo.

Nivel 1: Conversions API bien configurado (costo: $0, esfuerzo: medio)

Es lo primero. Sin CAPI, estás perdiendo señal significativa. Meta tiene guías paso a paso. Si usás Shopify, la integración es nativa. Si tenés app, tu MMP (Adjust, AppsFlyer) lo maneja. El punto es: no confíes solo en el pixel del navegador.

Nivel 2: Un spreadsheet de cohortes manual (costo: $0, esfuerzo: bajo)

Cada mes, registrá: cuántos usuarios/clientes adquiriste, desde qué canal, con qué gasto. Después, cada 30 días, anotá cuántos de esa cohorte siguen activos, cuánto pagaron, cuántos compraron de nuevo. No necesitás un data warehouse. Un spreadsheet con disciplina te da LTV por cohorte y payback period.

Nivel 3: Un holdout test casero (costo: variable, esfuerzo: medio)

Si no calificás para Conversion Lift de Meta, podés hacer una versión simplificada: apagá ads en un mercado geográfico durante 2 semanas y compará las conversiones de ese mercado (sin ads) con un mercado similar (con ads). No es un RCT perfecto. Pero te da una estimación aproximada de cuántas conversiones son incrementales.

Nivel 4: Preguntar a los usuarios (costo: $0, esfuerzo: bajo)

"¿Cómo nos conociste?" después de la primera compra o registro. La respuesta tiene sesgo (la gente no siempre recuerda o dice la verdad). Pero como dato complementario, te da una señal de si tus ads están generando awareness que después convierte por otro canal, o si la gente ya te conocía y tu ad solo aceleró la decisión.

Founders sin infraestructura avanzada pueden implementar un mínimo viable de medición causal con cuatro niveles. Conversions API bien configurado para reducir pérdida de señal (costo $0). Un spreadsheet de cohortes manual registrando usuarios, canal, gasto, y revisando retención y revenue cada 30 días (costo $0). Un holdout test geográfico apagando ads en un mercado durante 2 semanas para estimar incrementalidad. Y una encuesta post-compra preguntando cómo conocieron la marca. Ninguno requiere data warehouse ni inversión significativa. La disciplina de medir por cohortes en un spreadsheet ya es más que lo que hacen la mayoría de los anunciantes.

Conclusión

Las métricas del Ads Manager son un punto de partida, no un destino. Te dicen qué está pasando hoy en la plataforma. No te dicen si lo que está pasando genera valor para tu negocio.

Las métricas que importan (LTV por cohorte, payback period, retención por ángulo creativo, ratio LTV:CPA, factor de incrementalidad) no aparecen en ningún dashboard de Meta. Las tenés que construir.

El framework es: tracking server-side, datos centralizados, cohortes, incrementalidad, calibración, dashboard de decisión. Para empresas con volumen, eso requiere infraestructura. Para founders con presupuesto acotado, un spreadsheet con disciplina y un holdout test casero ya te ponen adelante del 90% de los anunciantes que toman decisiones de presupuesto mirando el CPA del día anterior.

Todo el cluster construye hacia esto. El CPA es un output, no una palanca. Meta es una caja negra causal. El creativo define la audiencia. La estructura de ad sets determina el acceso a inventario. Y si la value prop no está alineada, las métricas mienten más que de costumbre.

La medición causal no es perfecta. Tiene incertidumbre. Pero tomar decisiones sabiendo cuánto no sabés es infinitamente mejor que tomar decisiones asumiendo que el dashboard es la verdad.