Qué hace falta para que la analítica self-service funcione de verdad

Pregúntale a tu equipo de analítica por qué las ventas flojearon la semana pasada. Si la respuesta ya vive en un dashboard, la tienes en un minuto. Si no, tienes un ticket — y dos días de espera — porque las pocas personas que pueden consultar el warehouse con seguridad son las únicas que saben cuál de sus varias columnas de revenue es la que cuadra con finanzas.

Ese es el problema del self-service, y ha resistido cada solución obvia. Bloquea el dato tras dashboards curados y ganas consistencia a cambio de cada pregunta que nadie anticipó. Abre el warehouse a todos y ganas cien definiciones contradictorias de la misma métrica. En ambos casos, la pregunta que no encaja en un gráfico existente acaba en una cola.

Los modelos de lenguaje parecen la salida de emergencia: conectas uno, preguntas en lenguaje natural, obtienes respuesta. Para escribir código, ese instinto es más o menos correcto — ejecutas el resultado y funciona o no. La analítica no tiene esa red de seguridad. Un número sutilmente equivocado se parece exactamente a uno correcto. Apunta un modelo capaz a un warehouse en bruto y el resultado más probable no es insight; es falsa precisión, segura de sí misma y bien formateada — el peor tipo de error, porque a nadie se le ocurre comprobarlo.

Así que la pregunta de verdad no es si un LLM puede responder preguntas de analítica. Es qué tiene que ser cierto debajo para que las respuestas merezcan confianza. Son cuatro cosas, y se apilan.

Capa 01 — Dato completo, o el resto no importa

La analítica self-service es un problema de calidad del dato antes que un problema de IA. Si tu capa de medición solo captura a los visitantes que aceptaron un banner, cada respuesta construida encima hereda ese sesgo — y ningún prompt arregla un dataset que nunca se recogió. Un modelo que razona sobre dato parcial no se equivoca por ser mal modelo; se equivoca porque razona sobre una fracción de la realidad y no tiene forma de saberlo.

SealMetrics empieza aquí. La medición cookieless y first-party cuenta eventos de forma anónima en tu propio dominio: no hay cookies que rechazar, no hay endpoint de terceros que los ad blockers puedan atacar, no hay nada en el dispositivo que expire, y no hay muestreo por volumen. Cuando el modelo pregunta «¿cuántas conversiones de búsqueda de pago la semana pasada?», el número describe la totalidad de tu tráfico — no el resto que consintió. Si quieres la aritmética de cómo se erosiona la alternativa, repasamos por qué GA4 acaba mostrando una porción diminuta del tráfico UE.

Capa 02 — Una superficie que el modelo no puede malinterpretar

El segundo modo de fallo —el modelo adivinando qué significa cada campo— se resuelve no dándole un warehouse sobre el que adivinar. El servidor MCP (Model Context Protocol) de SealMetrics no le entrega al modelo un prompt de SQL. Expone varias decenas de herramientas de solo lectura con nombre, y cada una mapea un único concepto de negocio a una única métrica canónica con un contrato fijo: get_overview para los KPIs de cabecera, get_channels y get_campaigns para adquisición, get_funnel y get_conversions para resultados, get_landing_pages para el rendimiento de entrada.

Cuando el modelo quiere revenue por país, hay una herramienta para eso y una definición detrás. No puede sumar por accidente una columna de staging, porque no hay ninguna a su alcance — solo la métrica que tu equipo acordó de verdad. Esta es la misma idea que un buen equipo de dato implementa internamente como capa semántica: forzar cada pregunta a pasar por un pequeño conjunto de definiciones gobernadas antes de tocar el dato en bruto. La diferencia es que aquí viene de fábrica. El contrato de la herramienta es el guardarraíl — no lo construyes ni lo mantienes.

Capa 03 — El flujo de un analista senior, codificado

Nombrar las métricas es la mitad del trabajo. La otra mitad es saber qué hacer con ellas — la secuencia que un buen analista ejecuta casi sin pensar cuando alguien pregunta «¿por qué han caído las ventas?». SealMetrics codifica esa secuencia como un playbook de marketing que el modelo invoca por su cuenta. Haz una pregunta de diagnóstico y no improvisa; trae el playbook, que le entrega un método en lugar de una respuesta: empieza por el overview contra el periodo anterior, descompón por canal, aísla las campañas y landing pages que se movieron, separa el tráfico de la tasa de conversión, y solo entonces forma un diagnóstico con una lista de acciones priorizada. Después ejecuta ese método llamando a las herramientas de dato en orden.

El método viaja a cualquier vertical — solo cambia el vocabulario. Aquí está el mismo bucle para un grupo hotelero que pregunta por reservas directas en lugar de conversión de checkout:

El output se lee como el primer pase de un analista junior — porque siguió el checklist de un analista senior. Eso es lo que se automatiza: no el criterio del analista, sino la capa de recuperación y primer diagnóstico que consumía la mayor parte de su semana. Es el mismo cambio que los equipos ven en toda la stack a medida que los agentes de IA entran en el flujo de analítica.

Capa 04 — Por qué las respuestas se mantienen honestas

El self-service es peligroso cuando deja que la gente genere números de aspecto autoritario que nadie puede defender. Cuatro cosas lo mantienen con los pies en la tierra, y las cuatro son estructurales, no una promesa:

• Cero PII por construcción. Las herramientas a nivel de evento validan contra el dato personal y lo rechazan. El modelo no puede sacar a una persona porque nunca se almacenó una persona.
• Medición solo agregada. No hay journeys por usuario, no hay identificadores entre sesiones, no hay modelos multi-touch — así que el modelo no puede fabricar uno. Solo responde lo que las cuentas agregadas y anónimas pueden responder.
• Una definición por concepto. Como cada herramienta lleva una única métrica canónica, dos personas que preguntan lo mismo con palabras distintas obtienen el mismo número. La consistencia la impone la superficie, no la disciplina.
• Procedencia que puedes rastrear. Cada respuesta se resuelve a una herramienta con nombre sobre un periodo explícito en la zona horaria de tu cuenta — así que siempre puedes ver qué métrica la produjo, y la atribución es a último clic, a nivel de evento.

Y el modelo corre donde tu equipo de compliance quiere. Con LENS private AI, la inferencia corre sobre un modelo open-source (Gemma) alojado por Scaleway en París mientras tu dato analítico permanece en Dublín — ambos UE, nunca compartido, nunca usado para entrenar modelos de terceros. ¿Prefieres tu propia stack? Usa tu clave de Anthropic, OpenAI o Gemini, o conecta el MCP alojado en mcp.sealmetrics.com desde cualquier cliente compatible. La base de dato es idéntica en ambos casos; solo estás eligiendo el algoritmo.

Lo que no sustituye — a propósito

Conviene ser preciso con el límite. LENS AI automatiza la cola de reporting: las preguntas de «sácame los números», «por qué se ha movido esto», «qué tal fue la campaña» que forman el grueso de las peticiones que le entran a un analista. No diseña tus experimentos, no razona sobre causalidad más allá de lo que el dato soporta, ni fija estrategia — ese criterio sigue siendo humano, y liberar tiempo para él es justamente el objetivo.

Tampoco reconstruirá un customer journey ni repartirá crédito entre puntos de contacto, porque SealMetrics no recoge el dato por usuario que esos informes requieren. Si tu modelo del mundo depende de coser el recorrido de una persona entre sesiones, esta es la herramienta equivocada, y lo decimos con honestidad. Lo que obtienes en cambio es una foto agregada, completa y defendible que un no-analista puede interrogar directamente.

Cómo empezar

El arranque más ligero posible es la demo abierta de LENS en lens-lite.sealmetrics.com, que ejecuta todo el bucle self-service sobre datos de ejemplo — pídele mejorar el ROAS, encontrar crecimiento o recortar desperdicio, y observa cómo recorre el método. Cuando tengas dato real, conecta el MCP en mcp.sealmetrics.com desde Claude, ChatGPT, Cursor o Claude Code; el mismo servidor puede incluso dar de alta un sitio nuevo desde el chat, de modo que la herramienta que responde tus preguntas es también la que te configura. La base de medición está cubierta de principio a fin en la página de cómo funciona.

La conclusión es simple, y es el hilo conductor de las cuatro capas: la analítica self-service no empieza por el modelo. Empieza por un dato lo bastante completo para confiar en él y una superficie lo bastante acotada para que el modelo no pueda malinterpretarla. Acierta en eso — como hace SealMetrics — y la cola del analista se responde casi sola.

Preguntas que hacen los equipos