Tenía dos campañas de Meta corriendo en un sitio chico. Presupuesto de juguete: unos S/ 30 cada una. La pregunta era simple —¿cuál funcionó?— y la respuesta obvia estaba en el administrador de anuncios.
La respuesta obvia estaba equivocada.
Lo interesante no es el hallazgo puntual. Es el método: en vez de abrir cinco pestañas y armar consultas a mano, le di al agente tres MCPs y lo dejé cruzar los datos solo.
El stack: tres fuentes, un cerebro
Nada exótico. Meta Ads da el dinero y los IDs, GA4 da la estructura, BigQuery da el detalle crudo: cada evento, con su timestamp, su página, su fuente y un identificador de usuario que persiste entre sesiones.
El trabajo humano fue todo previo: instalar los MCPs, decidir qué valores van en las UTMs, definir qué eventos dispara el sitio. Una vez que eso existe, preguntar cuesta muy poco. Sobre cómo conectar el de Meta sin crear una app de desarrollador escribí acá: el-mcp-oficial-de-meta-ads-instalarlo-sin-crear-una-app-y-como-funciona-el-login-desde-local.
Hallazgo 1: la campaña ganadora era la peor
Las dos campañas gastaron casi lo mismo. En el panel de Meta, una arrasaba:
| Campaña A (leads) | Campaña B (tráfico) | |
|---|---|---|
| Gasto | S/ 41,90 | S/ 29,96 |
| Clics | 219 | 526 |
| CPC | S/ 0,19 | S/ 0,06 |
Tres veces más clics por menos plata. Caso cerrado, ¿no?
Ahora el mismo par de campañas, pero mirando qué hizo la gente después del clic:
| Campaña A | Campaña B | |
|---|---|---|
| Sesiones locales | 115 | 345 |
| Vieron más de una página | 25,3% | 5,8% |
| Sesiones con +10 s de permanencia | 8 | 0 |
| Clics al botón de contacto | 5 | 1 |
| Costo por contacto | S/ 8,38 | S/ 29,96 |
Cero. De 345 visitas, ninguna pasó de diez segundos. La campaña "barata" compró clics accidentales a granel: el usuario toca, ve que no era lo que pensaba y sale. Meta lo cuenta como una visita exitosa porque su trabajo termina en el clic.
El dato que cambia la decisión no vive en la plataforma que cobra. Vive en el cruce.
Hallazgo 2: el usuario más activo del sitio era yo
Al buscar "usuarios con comportamiento interesante", el número uno tenía 67 páginas vistas y 24 páginas distintas en un mes. Un caso de estudio perfecto.
Sus URLs empezaban con localhost:3000.
Era el entorno de desarrollo mandando eventos a la propiedad de producción. Meses inflando el promedio de permanencia, las páginas más vistas y los usuarios recurrentes. Nadie lo nota mirando gráficos agregados —los números se ven mejor, no peor— y por eso nadie lo busca.
Una IA con acceso al dato crudo lo encuentra porque no está viendo el promedio: está viendo las filas.
Hallazgo 3: el recorrido completo de una persona, durante seis días
Esto fue lo que más me sorprendió. Con el identificador de usuario de BigQuery se reconstruye el viaje entero, segundo a segundo:
Lee un artículo, compara dos servicios, contacta a los dos minutos y medio… y recién ahí se pone a investigar en serio. Después vuelve tres veces en seis días.
Eso último rompe un supuesto cómodo: se asume que la persona investiga y después contacta. Acá el contacto fue el punto medio, no el final. Si el mensaje de WhatsApp llega cuando la persona todavía está leyendo, la respuesta debería asumir que sigue comparando —no que ya decidió.
Ningún reporte estándar muestra esto. El embudo agregado dice "1 conversión". El recorrido dice qué le preocupaba, en qué orden y cuánto tiempo le dedicó a cada duda.
Hallazgo 4: dónde se rompe la cadena
Acá está el verdadero valor de darle datos crudos a una IA: no solo responde lo que preguntás, también te dice qué no se puede responder todavía.
- Las UTMs venían con un ID numérico en el campo de "medio". Técnicamente funciona, pero rompe la clasificación automática de canales: el tráfico pago cae en una categoría basura.
- El identificador de clic del anuncio llegaba al sitio, pero solo dentro del referrer. No se guardaba en ningún lado. Sin eso no hay forma de unir la sesión con el registro de conversión del lado del anunciante.
- Había eventos de "empezó a llenar el formulario" y cero de "lo envió". El final del embudo, sencillamente, no existía como dato.
Tres huecos que nadie reporta porque no producen error. Producen silencio.
Por qué esto escala
El ejemplo es un sitio con poquísimo tráfico. Y aun así aparecieron cuatro cosas accionables en una sola sesión de análisis.
En un sitio con volumen real, el mismo método vale muchísimo más, porque:
- Cada punto porcentual de desperdicio publicitario es dinero de verdad.
- Con más sesiones, los patrones dejan de ser anécdota y pasan a ser señal estadística.
- Aparecen segmentos que a baja escala son invisibles: horarios, dispositivos, ciudades, combinaciones de páginas que predicen conversión.
- Se pueden comparar decenas de campañas, creatividades y públicos al mismo tiempo, no de a dos.
Y esto es apenas el punto de partida. Lo natural después es consolidar:
La exploración con IA no reemplaza el pipeline: lo diseña. Te dice qué falta capturar antes de que inviertas semanas construyendo tablas sobre datos incompletos. Y una vez consolidado, ahí sí entran modelos predictivos, atribución seria y todo lo demás.
Lo que realmente cambió
Antes: abrir el administrador de anuncios, abrir GA4, exportar, pelear con una hoja de cálculo, escribir SQL, dudar del resultado. Horas, y con suerte respondés la pregunta que hiciste.
Ahora: conectás las fuentes una vez y preguntás en lenguaje natural. El agente escribe el SQL, cruza las tres fuentes, verifica sus propias hipótesis contra el dato crudo y —esto es lo importante— encuentra cosas que no preguntaste.
El esfuerzo se corrió de lugar. Ya no está en construir el análisis. Está en preparar el terreno: qué eventos dispara el sitio, qué va en cada UTM, qué fuentes conectás. Decisiones baratas, de una sola vez, que multiplican todo lo que viene después.
Sobre el loop de medir y decidir en este mismo sitio escribí antes: wallida-del-trafico-a-la-decision-de-contenido.
Si tenés analítica instalada y nunca miraste el dato crudo, probablemente tengas al menos un hueco silencioso. Vale la pena preguntar.