Índice de contenidos
La mayoría de los mapas de customer journey que circulan en presentaciones corporativas son ficción bien maquetada. Alguien reunió al equipo de marketing, dibujó cinco fases con post-its de colores —descubrimiento, consideración, decisión, compra, fidelización— y llamó a eso «el viaje del cliente». El problema no es la intención, sino la fuente: la mayoría de esos mapas nacen de intuición y experiencia de mercado, no de datos. Y un mapa sin datos es un cuento con buena tipografía.
Construir un mapa de customer journey con base analítica real exige otra disciplina. Implica cruzar fuentes que normalmente viven en silos distintos —CRM, analítica web, atención al cliente, redes sociales, punto de venta físico si existe— y aceptar que los resultados casi nunca coinciden con lo que el equipo comercial cree que pasa. Esa fricción, de hecho, es la parte más valiosa del ejercicio.
El mapa no empieza en la primera visita, empieza en el dato disponible
Un error habitual es asumir que el journey arranca cuando el usuario aterriza en la web. En realidad arranca mucho antes, en un momento que casi ninguna herramienta captura con precisión: la conversación con un amigo, el comentario en un foro, el anuncio visto de reojo en un vídeo de YouTube que nunca se hizo clic. Google llama a esto el «messy middle» desde 2020, y aunque el término ha sido sobreexplotado en artículos de blog, la idea de fondo sigue siendo correcta: el recorrido real es caótico, no lineal, y la analítica solo puede reconstruir fragmentos de él.
Lo honesto, entonces, es empezar el mapa reconociendo sus límites. Hay tres tipos de datos disponibles y conviene no mezclarlos como si tuvieran el mismo peso probatorio:
- Datos deterministas: eventos con identidad confirmada (login, compra, apertura de email con un usuario logueado).
- Datos probabilísticos: agregaciones e inferencias (modelos de atribución, cohortes, segmentaciones por comportamiento).
- Datos declarativos: lo que el usuario dice que hizo (encuestas post-compra, entrevistas cualitativas).
Esta es una de las dos únicas listas que aparecerán en este artículo, porque la distinción es lo bastante estructural como para merecer claridad visual. El resto del argumento se desarrolla en prosa, que es donde de verdad se explican los matices.
Un mapa construido solo con datos deterministas será preciso pero incompleto: verá con nitidez lo que pasa dentro del ecosistema propio y quedará ciego a todo lo anterior. Un mapa construido solo con datos declarativos será rico en narrativa pero poco fiable, porque las personas reconstruyen su propio comportamiento de forma racionalizada y a posteriori, no como ocurrió en realidad. La combinación de los tres tipos de dato, con sus pesos claramente diferenciados, es lo que separa un mapa útil de un mapa decorativo.
Google Analytics 4 no da el journey, da fragmentos del journey
Conviene ser claro con esto porque genera mucha frustración en equipos que esperan que GA4 les entregue un recorrido completo listo para presentar. GA4 organiza los datos por eventos y por usuario cuando hay identidad (User-ID, señales de Google) o por dispositivo cuando no la hay. Eso significa que, si un usuario investiga en el móvil durante el desayuno, sigue mirando en el portátil del trabajo a media mañana y compra desde una tablet por la noche, GA4 solo reconstruirá ese viaje completo si existe una señal de identidad común —login, consentimiento de Google Signals, o un ID de cliente que se pasa entre plataformas—.
En la práctica, y esto lo confirma cualquier analista que haya auditado cuentas reales, entre el 30% y el 55% de los recorridos multidispositivo se pierden o se fragmentan en varias sesiones aparentemente independientes, dependiendo del sector y de la tasa de login del sitio. En comercio electrónico de moda, por ejemplo, donde la compra suele decidirse tras varias visitas de «solo mirar», esa fragmentación distorsiona gravemente los informes de atribución estándar si no se corrige.
La corrección pasa por forzar identidad lo antes posible en el funnel. No es un consejo de producto, es un consejo de analítica: cada punto de login temprano —newsletter, wishlist, cuenta de cliente— multiplica la capacidad de reconstruir el journey real. Zalando, por citar un caso público conocido en el sector, empuja el registro con incentivos suaves (acceso a rebajas anticipadas, guardado de tallas) precisamente porque cada usuario identificado vale más en términos de inteligencia de datos que en términos de conversión inmediata. Esa jerarquía de prioridades —identidad antes que conversión puntual— es contraintuitiva para muchos equipos de CRO, entrenados para optimizar cada paso hacia la venta, pero es la que sostiene mapas de journey fiables a medio plazo.
Las rutas de conversión no son embudos, son redes
Aquí toca discrepar abiertamente de la representación clásica del funnel. El embudo de conversión —ancho arriba, estrecho abajo, una flecha que va de A a Z— es una simplificación pedagógica útil para explicar el concepto a un cliente en una primera reunión, pero es una mala herramienta de trabajo cuando se dispone de datos reales.
Los informes de rutas multicanal de GA4, o su equivalente en herramientas como Adobe Analytics, muestran algo distinto: redes con nodos que se retroalimentan. Un usuario llega por búsqueda orgánica, abandona, vuelve dos días después por un anuncio de retargeting, abandona otra vez, y finalmente convierte tras abrir un email de recuperación de carrito que en realidad fue el cuarto contacto, no el primero ni el único. Si el análisis solo mira el último clic, ese email se lleva todo el mérito. Si solo mira el primer clic, la búsqueda orgánica se lo lleva. Ninguno de los dos cuenta la historia completa.
Esto conecta con un debate técnico que sigue vivo: la atribución basada en reglas frente a la atribución basada en datos (data-driven attribution, DDA). Google empujó fuerte hacia DDA cuando eliminó los modelos de atribución «last click» y «first click» de Google Ads en 2023, obligando de facto a adoptar modelos probabilísticos basados en machine learning. La ventaja es evidente: reparte el crédito entre touchpoints de forma más realista. El inconveniente, que pocos artículos mencionan, es que DDA es una caja negra. No se puede auditar exactamente por qué el algoritmo decidió que el email vale un 23% del crédito y la búsqueda de pago un 41%. Para un mapa de journey que necesita explicarse a un comité de dirección, esa opacidad es un problema real, no una anécdota técnica.
La solución práctica que funciona en consultoría —y que rara vez se documenta porque no es glamurosa— consiste en construir dos capas paralelas: una capa de atribución algorítmica para optimizar inversión en campañas, y una capa de rutas cualitativas, construida a mano con los cinco o seis patrones de recorrido más frecuentes, para explicar el journey a personas no técnicas. Son dos herramientas distintas para dos públicos distintos, y tratar de resolverlas con el mismo informe es la causa más común de que estos proyectos acaben en un PDF que nadie vuelve a abrir.
Qué revela el journey cuando se cruza con datos de soporte y retención
Un mapa que se detiene en la compra es un mapa a medias. Y sin embargo, es exactamente donde se detienen la mayoría de los proyectos, porque los equipos de marketing tienen acceso fácil a la analítica de adquisición y acceso más difícil a los datos de retención, que suelen vivir en el equipo de producto, en el CRM de ventas o en la plataforma de atención al cliente.
Esto es un error estratégico grave, porque el journey postcompra suele contener las señales más predictivas de todo el recorrido. Un caso que ilustra bien esta idea: una compañía de software B2B de tamaño medio (el tipo de dato que suele aparecer en estudios de Gainsight o de ChurnZero sobre customer success) descubrió que el 68% de las cancelaciones de suscripción se podían predecir con tres meses de antelación cruzando tres señales que, por separado, parecían irrelevantes: caída en el uso de una función concreta del producto, ausencia de apertura de los emails de onboarding avanzado, y un ticket de soporte sin resolver satisfactoriamente en los primeros treinta días. Ninguna de esas tres señales, vista de forma aislada, disparaba ninguna alarma. Juntas, formaban un patrón de journey de abandono perfectamente identificable.
Esto tiene una implicación directa para cómo se diseñan los mapas: el journey no debería representarse solo como una línea temporal de touchpoints de marketing, sino como una superposición de capas de comportamiento —uso de producto, interacción con soporte, engagement con comunicaciones— que se leen en conjunto. La mayoría de las herramientas de «customer journey mapping» que se venden como software (Smaply, UXPressia, y similares) no están pensadas para esto: sirven de maravilla para el trabajo cualitativo y de diseño de experiencia, pero no integran datos operativos en tiempo real. Para esa integración hace falta, casi siempre, un almacén de datos propio o una plataforma de datos de cliente (CDP) que unifique las fuentes antes de que el mapa se dibuje.
El punto ciego que casi nadie corrige: el sesgo de supervivencia en los datos
Aquí va el matiz que suele generar más resistencia en las reuniones de trabajo. Cuando se analiza el journey a partir de los datos disponibles, se está analizando, casi por definición, el journey de quienes dejaron suficiente rastro digital como para ser medidos. Los usuarios que investigaron por teléfono, que preguntaron a un vendedor en tienda física sin dejar registro, que decidieron por recomendación offline y luego compraron directamente sin pasar por ningún touchpoint rastreado, simplemente no existen en el dataset. No es que su journey sea irrelevante: es que es invisible para las herramientas.
Esto se agrava con cada actualización de privacidad. La desaparición progresiva de las cookies de terceros, las restricciones de iOS con el App Tracking Transparency desde 2021, y el crecimiento de navegadores con bloqueo nativo de rastreo han reducido de forma constante la fracción del journey que es observable directamente. Un estudio de Adjust de 2022 estimaba que la tasa de opt-in al tracking en iOS tras el ATT rondaba el 25-40% según categoría de app, lo que significa que, en muchos negocios digitales, más de la mitad del recorrido de los usuarios de iPhone quedó fuera del radar analítico de un día para otro.
La respuesta habitual de la industria —modelado probabilístico, server-side tagging, first-party data— es correcta pero insuficiente si no se acompaña de humildad epistemológica. Un mapa de journey basado en analítica debería llevar, literalmente, una nota al pie que diga qué porcentaje del tráfico o de las conversiones está representado con confianza y qué porcentaje es inferencia. Casi ningún informe de journey incluye esa nota, y su ausencia es probablemente la razón principal por la que estos mapas pierden credibilidad en cuanto alguien del comité pregunta «¿y esto cómo lo sabemos con certeza?».
Construir el mapa: la secuencia que sí funciona en proyectos reales
Antes de entrar en el proceso, vale la pena decir algo poco popular: la mayoría de los frameworks de customer journey mapping que circulan en agencias y escuelas de negocio están diseñados para producirse en un taller de un día, no para sostenerse con datos durante meses. Eso los hace excelentes como ejercicio de alineación interna y mediocres como herramienta analítica permanente.
Un proceso que sí resiste el paso del tiempo suele seguir esta secuencia. Primero, definir la unidad de análisis: ¿el journey se mide por usuario, por hogar, por cuenta B2B con varios interlocutores? Esta decisión, que parece técnica, condiciona todo lo demás; en entornos B2B con ciclos de venta complejos, ignorar que una «cuenta» puede tener seis personas navegando de forma independiente antes de la firma lleva a mapas completamente equivocados.
Segundo, inventariar las fuentes reales disponibles —no las ideales— y clasificarlas según la distinción determinista/probabilístico/declarativo mencionada antes. Tercero, elegir una ventana temporal de journey coherente con el ciclo de decisión del producto: analizar el recorrido de una compra de seguro de vida con la misma ventana de 30 días que se usaría para una app de comida a domicilio es un error de diseño habitual que distorsiona todos los informes posteriores.
Cuarto, y este es el paso que casi siempre se salta por presión de tiempo, validar el mapa cuantitativo con entrevistas cualitativas a una muestra pequeña de clientes reales. No para sustituir el dato, sino para detectar los tramos del journey donde la analítica y la experiencia declarada por el cliente no coinciden. Esas discrepancias son oro puro: normalmente señalan un touchpoint mal instrumentado o un momento emocional del recorrido que ninguna métrica captura bien, como la ansiedad previa a una decisión de compra grande o la frustración acumulada tras varios contactos fallidos con soporte.
Quinto, documentar el mapa de forma que sea accionable, no decorativa: cada fase debería llevar asociada no solo el comportamiento observado, sino la métrica que se moverá si se interviene en ese punto, y quién en la organización es responsable de esa métrica. Un mapa sin propietario por fase es un mapa que se archivará en una carpeta de Drive y no se volverá a abrir hasta el próximo rediseño de marca.
La tentación de la sofisticación innecesaria
Vale la pena cerrar con una advertencia poco habitual en este tipo de contenidos: no todos los negocios necesitan un mapa de journey construido con modelos de atribución data-driven, CDP unificado y análisis de superposición de capas. Un comercio local con 200 clientes recurrentes y una web sencilla obtendrá más valor de una hoja de cálculo bien llevada con las fechas de contacto de cada cliente que de cualquier stack analítico sofisticado. La complejidad del mapa debe ser proporcional a la complejidad real del negocio y del ciclo de decisión, no a lo impresionante que quede en una propuesta comercial.
Esa desproporción —vender arquitecturas de datos de nivel enterprise a negocios que no las necesitan— es, honestamente, una de las prácticas más extendidas y menos comentadas del sector de la consultoría de datos en los últimos años. El criterio profesional no consiste en usar la herramienta más avanzada disponible, sino en identificar cuál es el nivel mínimo de instrumentación que permite tomar mejores decisiones que las que se tomaban antes. A veces ese nivel mínimo es un CDP. A veces es simplemente empezar a preguntar, con disciplina, «¿de dónde vino este cliente y qué le hizo dudar antes de comprar?» y anotar la respuesta en un sitio donde todo el equipo pueda verla.
¿Qué pasará cuando la mayoría de los navegadores terminen de cerrar el rastreo de terceros y los modelos de identidad basados en first-party data se conviertan en la única opción viable? Probablemente el mapa de journey del futuro se parezca menos a un diagrama de fases y más a un modelo probabilístico continuo, actualizado en tiempo real, donde la pregunta ya no sea «en qué fase está este cliente» sino «cuál es la probabilidad de que este cliente haga X en los próximos siete días, dado lo que sabemos con certeza y lo que solo podemos inferir». Esa transición ya ha empezado en las empresas más avanzadas en datos. El resto del mercado todavía dibuja post-its.