Social media analytics: KPIs y medición

Qué debe aportar la analítica de redes sociales

La analítica de redes sociales tiene que responder a una pregunta: ¿qué consiguen las publicaciones y las campañas para la marca, el pipeline y la facturación? Las plataformas solo dan una parte de la respuesta. Cuentan el alcance, las interacciones y las conversiones según sus propias reglas y, de paso, se atribuyen el efecto a sí mismas.

Esta página organiza la medición como una cadena: métricas para cada nivel de impacto, benchmarks con sus límites, la atribución como reparto de mérito, el marketing mix modeling y los tests de incrementalidad como prueba de impacto, y un stack de datos que une el server-side tracking con el consentimiento.

Hallazgos sólidos y sus límites

Modelo de trabajo: jerarquía de métricas en cinco niveles: visibilidad (Exposure: impresiones, alcance, frecuencia, CPM), interacción (Engagement: ER, guardados, compartidos, tiempo de visualización), impacto de marca (Influence: share of voice, share of search, sentimiento, brand lift), acción (Action: CTR, CPC, conversiones, CPA), resultado de negocio (Business Outcome: pipeline, CAC, LTV, ROAS, cuota de mercado)

Cada nivel necesita su propio objetivo y su propia fuente de datos. La visibilidad y la interacción las aportan las plataformas. El pipeline, el CAC y el LTV están en el CRM y en los datos financieros; la cuota de mercado, en los datos de mercado. Ningún nivel sustituye a otro: un alcance alto no compensa la falta de pipeline, y una tasa de engagement alta no es un objetivo de negocio.

Rival IQ, 2025 Social Media Industry Benchmark Report / Rival IQ, What is a good engagement rate on Instagram (oct. 2025), 2025, global: Rival IQ 2025 (>4 millones de posts, 9 mil millones de interacciones, 150 empresas por sector, fórmula interacciones ÷ seguidores): ER mediana en Instagram del 0,36 %, el 25 % superior en el 1,05 %

El valor solo es válido para esta fórmula. Rival IQ publica la mediana y divide las interacciones entre los seguidores. Quien calcula sobre el alcance o lo compara con un benchmark basado en medias por post está comparando métricas distintas con el mismo nombre. Por eso, anota siempre el denominador junto a cada tasa de engagement.

Refine Labs / Leadgen Economy, Dark Funnel & Self-Reported Attribution, 2026, EE. UU.: El análisis de Refine Labs, con doce meses, 620 conversiones y 21,5 millones de dólares de ARR, atribuía en el software el 78 % de las conversiones a la búsqueda web, mientras que los propios clientes solo mencionaban la búsqueda en el 12 % de sus journeys.

Gran parte de lo que el software atribuye a la búsqueda empieza en otro sitio: en podcasts, recomendaciones o publicaciones en redes sociales, después de las cuales los compradores buscan el nombre en Google. Por eso, quien reparte el presupuesto según el último clic recorta precisamente los canales que generan demanda. Un campo de texto libre «¿Cómo nos has conocido?» en el formulario hace visibles esos canales. En el CRM, las respuestas van junto a la atribución del software.

Lifesight, Geo-Based Incrementality Testing 2026, 2026, global: Según Lifesight, los tests de geo-lift (matched-market) necesitan al menos 6 meses de histórico limpio, una potencia estadística ≥80 %, datos first-party como mínimo a nivel de estado federado y una frecuencia semanal/diaria

Sin seis meses de histórico limpio, o sin campañas que se puedan segmentar por regiones, un test de geo-lift no da un resultado fiable. En Austria hay un problema añadido, el número de regiones: con nueve estados federados apenas se pueden emparejar bien mercados de test y de control, así que los datos tienen que estar más desglosados, por ejemplo por distritos. Si faltan estas condiciones, quedan los tests de holdout con grupos de control, como los estudios de Conversion Lift de Meta.

IPA, New findings from the cross-industry IPA Share of Search think tank data (EffWorks Global 2021), 2021, global: El IPA Share of Search Think Tank analizó 30 casos de 12 categorías y 7 países, y James Hankins presentó los resultados en EffWorks Global 2021. De media, el share of search equivalía a alrededor del 83 % de la cuota de mercado. Es una correlación, no una prueba de causalidad.

Así, el share of search sirve como indicador adelantado barato, que puedes calcular tú mismo con Google Trends. Lo que la métrica no demuestra es si una campaña mueve la cuota de mercado. Para eso necesitas un test o un modelo de marketing mix.

etracker Consent Benchmark 2025 (vía Ignite), 2025, Alemania: etracker Consent Benchmark Report 2025 (500 sitios web): con botones de aceptar y rechazar igual de visibles, en Alemania se alcanza de media un 40 % de consentimiento, y con diseños más sutiles, hasta un 54 %; con un banner conforme a la ley se pierde alrededor del 60 % de los datos de visitas

Para la medición en redes sociales, esto significa que las herramientas de analítica basadas en cookies y los píxeles publicitarios solo registran las visitas con consentimiento. El server-side tracking mediante la Conversions API de Meta o de LinkedIn reduce las pérdidas por bloqueadores de anuncios y por la protección de los navegadores, pero no sustituye el consentimiento. Para las cookies de seguimiento, en Alemania el § 25 TDDDG y en Austria el § 165 apdo. 3 TKG 2021 exigen un consentimiento previo. El marketing mix modeling y los tests de geo-lift trabajan con datos agregados, sin nivel de usuario, y por eso dependen menos de la tasa de consentimiento.

Artículos del clúster: once preguntas de medición en detalle

Once artículos profundizan en preguntas concretas de medición. El orden sigue la cadena de medición: definir métricas, demostrar el impacto, asegurar los datos, reportar.

KPIs de redes sociales: la jerarquía de métricas, del alcance al pipeline

El artículo KPIs de redes sociales: la jerarquía de métricas, del alcance al pipeline ordena las métricas en cinco niveles, del alcance al pipeline, e indica para cada nivel la pregunta clave, la fuente de datos y la señal de alerta. Muestra cómo los parámetros UTM, la atribución autodeclarada en el formulario y un análisis por influencia en el pipeline reducen la brecha entre el clic y el CRM.

Cómo calcular la tasa de engagement: cinco fórmulas y por qué los benchmarks no coinciden

El artículo Cómo calcular la tasa de engagement: cinco fórmulas y por qué los benchmarks no coinciden desarrolla con ejemplos las cinco fórmulas habituales: sobre alcance, seguidores, impresiones, por día y sobre visualizaciones. Explica por qué Rival IQ y Hootsuite dan cifras muy distintas para el mismo sector y ofrece una lista de comprobación para comparar benchmarks.

¿Qué cuenta como visualización? Métricas de vídeo en YouTube, TikTok y compañía

El artículo ¿Qué cuenta como visualización? Métricas de vídeo en YouTube, TikTok y compañía compara a partir de qué momento YouTube, Facebook, Instagram, TikTok y LinkedIn cuentan una visualización, desde la duración mínima hasta la visibilidad del reproductor. Para comparar canales recomienda el tiempo de visualización y la tasa de finalización en lugar de las visualizaciones brutas, y muestra qué cambios en el recuento deben marcarse como ruptura en la serie temporal.

Modelos de atribución: por qué falla el multi-touch y gana el dark social

El artículo Modelos de atribución: por qué falla el multi-touch y gana el dark social muestra por qué los modelos de último clic y multi-touch pasan por alto los contactos que no dejan rastro de clic: protección de los navegadores, huecos de consentimiento, cambios de dispositivo y recomendaciones por mensajería. Describe cómo introducir la atribución autodeclarada en el formulario y la delimita frente al MMM y los tests de incrementalidad.

Marketing mix modeling: Meridian, Robyn y el umbral de datos

El artículo Marketing mix modeling: Meridian, Robyn y el umbral de datos explica cómo el marketing mix modeling estima, a partir de datos semanales agregados, la contribución de cada canal a la facturación sin seguimiento a nivel de usuario. Compara Google Meridian y Meta Robyn y calcula cuántas semanas de histórico necesita un modelo según el número de canales.

Tests de incrementalidad: geo-lift en lugar del ROAS de la plataforma

El artículo Tests de incrementalidad: geo-lift en lugar del ROAS de la plataforma describe cómo un test de geo-lift compara regiones de test y de control para medir así el efecto adicional de una campaña. Indica los requisitos de regiones, histórico y potencia estadística, y explica por qué el ROAS de la plataforma suele estar muy por encima del ROAS incremental.

Share of search: el indicador adelantado más barato de la cuota de mercado

El artículo Share of search: el indicador adelantado más barato de la cuota de mercado muestra cómo calcular gratis con Google Trends la cuota de tu marca sobre todas las búsquedas de marca de la categoría. Explica el suavizado, la anticipación respecto a la cuota de mercado y factores de distorsión como los nombres de marca ambiguos o las retiradas de producto.

Server-side tracking: cómo configurar bien Meta CAPI y LinkedIn CAPI

El artículo Server-side tracking: cómo configurar bien Meta CAPI y LinkedIn CAPI compara Conversions API Gateway, server-side GTM y la conexión directa por API según costes recurrentes y esfuerzo. Explica la deduplicación mediante un event ID común, la Event Match Quality y por qué el server-side tracking no sustituye el consentimiento.

Tasa de consentimiento: cuántos datos se pierden realmente en la región DACH

El artículo Tasa de consentimiento: cuántos datos se pierden realmente en la región DACH calcula cuántas visitas faltan en la analítica y en los píxeles publicitarios cuando el banner ofrece aceptar y rechazar en igualdad de condiciones. Separa la situación legal en Alemania, Austria y Suiza y muestra cómo medir tú mismo la pérdida de datos.

Herramientas de analítica de redes sociales: comparativa de stacks, de la suite al data warehouse

El artículo Herramientas de analítica de redes sociales: comparativa de stacks, de la suite al data warehouse compara cinco niveles, desde los insights nativos de las plataformas, pasando por herramientas de mid-market, suites enterprise y social listening, hasta un data warehouse propio, según coste, exportación, alojamiento y esfuerzo de mantenimiento. Muestra cuándo compensa pasar al siguiente nivel y que LinkedIn y TikTok solo dan acceso a su API tras una solicitud y una revisión.

Reporting de redes sociales: data dictionary, gobernanza de UTM y dashboard ejecutivo

El artículo Reporting de redes sociales: data dictionary, gobernanza de UTM y dashboard ejecutivo muestra cómo un data dictionary recoge cada métrica con su fórmula, fuente, responsable y fecha de vigencia, y cómo un esquema UTM conecta los datos sociales con el pipeline y la facturación. Además, incluye un dashboard ejecutivo con pocas métricas y una cadencia de informes para cada destinatario.

Operación, roles e implementación técnica

El stack de datos crece por niveles. Para uno o dos canales bastan los insights de las plataformas. Si varios canales acaban con regularidad en un mismo informe, una herramienta de mid-market ahorra trabajo manual. Si varios equipos trabajan con flujos de aprobación sobre las mismas cuentas, compensa una suite enterprise. Un data warehouse propio solo sale a cuenta cuando los datos de redes sociales, de paid, del CRM y de la web confluyen en un único modelo. Para el volumen de datos de la mayoría de las pymes basta con PostgreSQL.

Cada métrica necesita una definición que valga igual en todos los informes. Un data dictionary recoge para cada métrica la fórmula, la fuente, las diferencias entre plataformas, el responsable y la fecha desde la que rige la definición. Si una plataforma cambia su forma de contar, esa fecha marca la ruptura en la serie temporal. La conexión con el CRM la aporta un esquema UTM con valores fijos, en minúsculas, sacados de una lista central. El texto libre hace que un mismo canal aparezca en el informe como varias fuentes.

Las conversiones llegan a Meta y LinkedIn por dos vías: a través del píxel en el navegador y a través de la Conversions API desde el servidor. LinkedIn recomienda usar ambas vías en paralelo y solo cuenta una conversión una vez si el evento del navegador y el del servidor llevan el mismo event ID. Sin esta deduplicación, el reporting muestra demasiadas conversiones.

La dirección general y el equipo operativo necesitan informes distintos a partir del mismo modelo de datos. La dirección general ve cada mes o cada trimestre unas pocas métricas sobre el resultado de negocio, como la contribución al pipeline, el CAC, el share of search y el ROAS incremental obtenido en tests. El responsable de marketing pilota cada semana con métricas del funnel, y el equipo operativo, a diario, con los datos de campaña. La tasa de engagement no debe figurar como métrica principal en el dashboard ejecutivo.

Riesgos, límites y posturas contrarias

El mayor factor de riesgo es la falsa precisión. Los valores de las plataformas, los benchmarks y los datos de proveedores parecen precisos, pero pueden partir de otra definición, de otra región o de otros intereses. Por eso, cada cifra importante necesita fuente, periodo, método y un límite de transferibilidad documentado.

• Sumar los informes de las plataformas: plataformas publicitarias como Meta y LinkedIn atribuyen conversiones según sus propias ventanas de atribución, también tras contactos con anuncios sin clic. Si alguien ha visto anuncios en ambas plataformas, las dos pueden contarse la misma conversión. La conciliación la haces en el CRM o en la analítica web con una lógica unificada.
• Sumar visualizaciones entre canales: cada plataforma fija de forma distinta el umbral de una visualización. Una suma de visualizaciones de YouTube, Facebook y LinkedIn suma eventos distintos.
• Tasa de engagement sin denominador: seguidores, alcance, impresiones o visualizaciones como denominador dan valores distintos con el mismo nombre. Sin una fórmula documentada, no hay comparación posible.
• Leer una ruptura de medición como crecimiento: un nuevo banner de consentimiento, un cambio de tracking o una nueva forma de contar de la plataforma desplazan las cifras sin que se mueva nada en el mercado. Un registro de cambios con fecha separa ambas cosas.
• El engagement como objetivo: en cuanto una métrica se convierte en objetivo, los equipos optimizan para la métrica. En el caso del engagement, eso significa sorteos y clickbait en lugar de pipeline.

Ordena la evidencia según su solidez. Un test de incrementalidad muestra impacto; un ROAS de plataforma, atribución; un benchmark, solo una anomalía. Si una métrica sube tras aumentar el presupuesto, eso aún no demuestra que el aumento haya tenido efecto. Anota en cada conclusión si se basa en un test, un modelo, un valor de plataforma o una suposición.

Los datos de proveedores necesitan un papel claro. Las cifras sobre más conversiones atribuidas tras implantar una Conversions API o sobre el ROAS de un canal suelen venir de plataformas o proveedores que ganan dinero con la solución. Esos valores sirven como orden de magnitud para el business case, no como objetivo.

Define de antemano, para cada iniciativa de medición, cuándo termina. Un test de geo-lift necesita duración, potencia y regla de decisión antes de empezar. Quien lo alarga hasta que el resultado sea significativo genera una falsa significación. Un proyecto de MMM solo empieza cuando el histórico semanal basta para el número de canales; si no, el modelo produce cifras que no dicen nada.

El siguiente paso

Antes de cada análisis, define qué decisión depende de las cifras. Cuanto más presupuesto mueva, más sólido tiene que ser el método.

La estrategia, la elección de plataformas y la producción de contenido tienen sus propias páginas temáticas: Fundamentos y estrategia de redes sociales, Comparativa de plataformas de redes sociales y Creación de contenido para redes sociales y formatos.

Para la implementación operativa de este ámbito son especialmente relevantes el marketing basado en datos y la integración de agentes de IA.