Qué son las conversiones modeladas

Un informe de publicidad parte de una idea sencilla: alguien hace clic, alguien compra, y el sistema une las dos cosas mediante un identificador. Esa cadena se rompe cada vez que falta el permiso o falta el identificador. Si el visitante rechaza las cookies de publicidad, si el navegador borra el identificador antes de que llegue la compra, o si el clic ocurre en el móvil y el pedido se cierra en el portátil, la venta existe pero el sistema no la ve.

Las conversiones modeladas son la respuesta de Google a ese hueco. En lugar de dejar la casilla vacía, la plataforma calcula cuántas conversiones es probable que se hayan producido en la parte no observable del tráfico y las suma al informe. No son registros individuales recuperados más tarde. Son una cifra agregada construida a partir del comportamiento del tráfico que sí se puede medir.

La distinción práctica es esta: una conversión observada tiene detrás un evento concreto con su marca de tiempo; una conversión modelada tiene detrás un cálculo de probabilidad. Ambas aparecen juntas en la misma columna del informe, sin ninguna etiqueta que las separe, y esa mezcla silenciosa es la que confunde a la mayoría de los equipos.

Google no inventa las cifras: las deriva de tramos de tráfico comparables. La documentación describe el método como el uso de “rebanadas observables” cuyo comportamiento se parece al del tramo que no se puede medir. Si en un navegador con consentimiento otorgado la tasa de conversión de una campaña es conocida, ese patrón sirve de base para estimar qué ocurre en un navegador que bloquea la medición.

El modelo no se apoya en un único factor. Entre las señales que entran en el cálculo están el tipo de dispositivo, la hora del día, la ubicación geográfica y el sistema operativo, además del propio historial de conversión de la cuenta. Cuanto más se parecen el tramo medido y el tramo estimado, más fiable resulta la extrapolación.

Existen condiciones mínimas. Google aplica umbrales de confianza y solo publica conversiones modeladas cuando considera muy probable que esas conversiones se hayan producido realmente. Una cuenta con muy pocas conversiones semanales puede quedarse sin determinados tipos de modelado, sencillamente porque no hay base observable suficiente. En Google Analytics 4 los umbrales están publicados: el modelado de comportamiento exige al menos 1.000 eventos diarios con analytics_storage='denied' durante siete días y al menos 1.000 usuarios diarios con consentimiento otorgado en siete de los veintiocho días anteriores. Aun cumpliéndolos, el modelo aplica criterios propios de calidad y puede no activarse.

El cálculo tampoco es inmediato. Las cifras necesitan hasta cinco días para procesarse y estabilizarse, así que el dato de ayer casi nunca es el dato definitivo.

El punto en el que esto duele no es teórico. Una conversión modelada es una estimación agregada y no se puede rastrear hasta un clic concreto. No hay fila de registro, no hay identificador de clic, no hay usuario. Solo hay una probabilidad de que en ese tramo de tráfico se hayan producido n conversiones.

Cuando alguien toma la columna de conversiones, que ya contiene observadas y modeladas juntas, y la cruza con el gasto de una campaña, está operando con dos magnitudes distintas dentro de la misma cifra. Una parte procede de eventos que ocurrieron y quedaron registrados; la otra procede de un cálculo estadístico cuyo margen de error no aparece en ninguna parte del informe. El ROAS resultante parece un número exacto y no lo es.

El efecto se agrava al bajar de nivel. Cuanto más se segmenta (por campaña, por grupo de anuncios, por palabra clave), menos volumen queda en cada celda y más peso relativo tiene la parte estimada. Las decisiones de pausar o escalar se toman justo en ese nivel, y ahí una diferencia del tamaño de la incertidumbre del modelo basta para invertir el orden de dos campañas.

• Documenta qué parte de tu medición depende del modelado antes de discutir resultados. Sin ese contexto, cualquier comparación entre meses mezcla cambios reales de negocio con cambios en la cobertura de medición.
• Implementa el modo de consentimiento de forma correcta y estable. El modelado necesita señales de consentimiento coherentes, y una CMP mal configurada degrada la estimación en lugar de mejorarla.
• Refuerza la parte observable con datos propios: conversiones mejoradas, medición del lado del servidor y parámetros de campaña limpios reducen el hueco que el modelo tiene que rellenar.
• Contrasta siempre con una fuente independiente, normalmente los pedidos del sistema de facturación o del CRM, y trabaja con la desviación conocida en lugar de fingir que no existe.
• Espera al menos cinco días antes de sacar conclusiones de un periodo reciente, porque las cifras siguen consolidándose.
• Decide presupuestos con ventanas temporales amplias y volúmenes suficientes, no con la lectura diaria de un grupo de anuncios pequeño.

• Calcular un ROAS por campaña con la columna de conversiones tal cual y presentarlo como cifra contable, sin advertir de que incluye estimaciones.
• Interpretar la subida de conversiones posterior a la activación del modo de consentimiento como una mejora de rendimiento, cuando lo que ha cambiado es la cobertura de la medición.
• Prometer al cliente que las conversiones de la plataforma cuadrarán con los pedidos del backend hasta el último decimal, un objetivo que el modelado hace imposible por diseño.
• Desactivar el modo de consentimiento o bloquear las señales para “ver solo datos reales”, con lo que se pierde también la señal que alimenta la puja automática.
• Analizar segmentos diminutos, donde el volumen observado es tan bajo que la estimación domina el resultado y cualquier conclusión es ruido.