0 Comentarios
Una tasa de conversión del 2 % puede ser una buena cifra para una tienda y una señal de alarma para otra. Incluso puede significar cosas distintas según cómo se haya calculado.
Antes de compararte con una media del sector, necesitas responder tres preguntas: qué estás considerando una conversión, qué utilizas como denominador y qué tipo de tráfico estás analizando. Sin ese contexto, el porcentaje aislado dice bastante menos de lo que parece.
En una tienda online, lo habitual es considerar la compra completada como la conversión principal. Acciones como ver un producto, añadirlo al carrito o empezar el checkout son microconversiones: no representan una venta, pero permiten descubrir en qué parte del recorrido se están perdiendo usuarios.
Una forma habitual de calcularla es dividir las compras o pedidos entre las sesiones y multiplicar el resultado por 100:
Tasa de conversión = compras / sesiones × 100
Si tu tienda recibe 10.000 sesiones durante un mes y registra 200 compras:
200 / 10.000 × 100 = 2 %
Ese cálculo es sencillo. Lo que merece más atención es decidir qué estás contando exactamente.
No es lo mismo calcular pedidos por sesión que compradores por usuario. Tampoco es necesariamente equivalente a utilizar directamente una métrica de Google Analytics.
La terminología actual de Google Analytics habla de eventos clave. El evento purchase, que identifica una compra, se marca como evento clave de forma predeterminada. Google define además la tasa de evento clave de la sesión como el porcentaje de sesiones en las que se ha producido un evento clave. Puedes comprobar esta definición en la documentación oficial de Google Analytics sobre adquisición de tráfico.
Esto introduce una diferencia importante.
Imagina una sesión en la que un usuario completa dos pedidos. La fórmula pedidos/sesiones contabilizaría dos compras. Una tasa basada en sesiones con el evento purchase contabiliza esa sesión una sola vez como sesión en la que se produjo una compra.
Por eso, antes de comparar la tasa de tu tienda con un estudio, una plataforma o una campaña anterior, comprueba si todos están utilizando la misma definición y el mismo denominador.
Google tampoco recoge automáticamente todos los datos de comercio electrónico por el simple hecho de instalar GA4. Para construir correctamente el recorrido de compra deben enviarse los eventos correspondientes. En la configuración oficial de ecommerce de Google Analytics se documentan estos eventos y sus parámetros.
Para evaluar el rendimiento comercial de la tienda, la compra debería ocupar el centro del análisis. Para descubrir por qué una tienda no vende lo esperado, necesitas observar también lo que ocurre antes.
Google recomienda eventos de ecommerce como view_item, add_to_cart, begin_checkout, add_shipping_info, add_payment_info y purchase. Cada uno representa un punto diferente del recorrido. Puedes consultar su definición técnica en la referencia oficial de eventos de ecommerce de Google Analytics.
Esto permite separar dos preguntas:
¿Cuánta gente compra?
La responde la conversión final.
¿Dónde estamos perdiendo a quienes no compran?
La responden las etapas intermedias del funnel.
Una tienda que consigue muchos add_to_cart pero pocos purchase tiene un problema distinto de otra donde casi nadie llega a añadir un producto al carrito.
No existe un porcentaje que podamos utilizar como frontera universal entre una tienda que convierte bien y una que convierte mal.
Los benchmarks sirven para conocer un orden de magnitud, pero su utilidad disminuye rápidamente cuando comparamos negocios con productos, tráfico, dispositivos o procesos de compra muy diferentes.
Dos referencias recientes dejan bastante claro el problema.
| Referencia | Qué está midiendo | Resultado | Qué debes tener en cuenta |
|---|---|---|---|
| Littledata, septiembre de 2026 | 421 tiendas Shopify conectadas a GA4, con al menos 1.000 sesiones y 90 compras durante los 90 días analizados | Mediana del 1,4 %. El 20 % superior supera el 2,6 % y el 10 % superior, el 3,4 % | Solo incluye tiendas Shopify que cumplen los criterios de la muestra |
| Dynamic Yield, últimos 12 meses | Benchmark global de ecommerce con segmentación por sector, región y dispositivo | Media global del 2,71 % | La cifra agregada mezcla categorías con comportamientos de compra muy distintos |
Littledata define en este estudio su tasa como la proporción de sesiones que contienen al menos una compra. Puedes revisar directamente la metodología y los benchmarks actuales de Littledata.
Dynamic Yield muestra todavía mejor por qué una sola media puede resultar engañosa. En sus datos actuales, belleza y cuidado personal se sitúa alrededor del 5,39 %, mientras que lujo y joyería ronda el 0,7 %. Entre ambos extremos aparecen alimentación, moda, hogar, productos de consumo y otras categorías con resultados diferentes. El benchmark actualizado de conversión de Dynamic Yield permite filtrar por sector, región y dispositivo.
Un ecommerce que vende joyas de varios miles de euros no debería perseguir la misma tasa que una tienda de alimentación con productos baratos y compras recurrentes.
La comparación más útil suele empezar mucho más cerca: tu tienda frente a su propio histórico y frente a segmentos equivalentes de su propio tráfico.
Supongamos un ecommerce con estos datos durante un mes:
50.000 sesiones.
750 compras.
Tasa global: 1,5 %.
A primera vista sabemos que 1,5 de cada 100 sesiones acaban en compra, según la fórmula utilizada.
Ahora separamos los datos:
| Dispositivo | Sesiones | Compras | Tasa |
|---|---|---|---|
| Escritorio | 10.000 | 300 | 3 % |
| Móvil | 40.000 | 450 | 1,125 % |
| Total | 50.000 | 750 | 1,5 % |
El 1,5 % global escondía una diferencia considerable entre dispositivos.
Pero todavía no podemos concluir que la web móvil sea mala.
Podría ocurrir que la mayor parte de las campañas de captación de usuarios nuevos llegase a móvil, mientras escritorio concentrase clientes recurrentes. También podría variar el producto consultado, el precio, la fuente de tráfico o la intención de compra.
Hemos localizado un segmento que merece investigación. Aún no hemos identificado la causa.
Este matiz también sirve para evitar una generalización bastante extendida: que el móvil siempre convierte peor. En el benchmark de Littledata de septiembre de 2026, la mediana fue del 1,5 % tanto en móvil como en escritorio dentro de las 421 tiendas analizadas, aunque las distribuciones de los grupos con mejor rendimiento sí eran diferentes.
No necesitas crear cincuenta informes. Necesitas separar los datos cuando la segmentación pueda explicar un comportamiento distinto.
En la práctica, empezaríamos por dispositivo y fuente de tráfico.
Una campaña de Shopping orientada a adquisición puede convertir de forma muy diferente a una newsletter enviada a clientes que ya han comprado. Juntar ambos grupos y calcular un promedio reduce la utilidad del dato.
Después tiene sentido revisar, según el negocio, clientes nuevos frente a recurrentes, categorías, campañas, países y determinadas landing pages.
La regla útil es sencilla: compara grupos que tengan una razón comercial para comportarse de forma diferente.
Saber que la tasa de conversión ha caído no te dice qué tienes que modificar.
Para eso necesitas descomponer la compra.
Una secuencia típica de ecommerce puede incluir:
visita → vista de producto → añadir al carrito → comenzar checkout → introducir envío → introducir pago → compra
No todas las tiendas necesitan exactamente el mismo funnel. Un ecommerce con configurador, solicitud previa o compra recurrente puede tener un recorrido diferente.
GA4 dispone actualmente del informe "Recorrido de compra" y permite analizar las etapas de checkout. Google indica que este tipo de informe puede ayudar a identificar cuellos de botella, por ejemplo una pérdida elevada entre la información de envío y la de pago. Puedes consultar el funcionamiento del informe Recorrido de compra de GA4.
Antes de rediseñar las fichas, revisa de dónde llega ese tráfico.
Una campaña puede estar atrayendo usuarios cuya intención no coincide con lo que vendes. También puede haber una landing que no conduce con claridad hacia el catálogo, categorías difíciles de entender, filtros pobres o un buscador interno que no devuelve resultados relevantes.
Aquí el problema puede estar antes del producto.
En este punto tiene más sentido investigar la ficha.
Precio, costes de entrega, stock, variantes, fotografías, información técnica, condiciones de devolución y claridad de la llamada a la acción pueden influir.
No todos requieren un rediseño.
Si la caída afecta sobre todo a determinados productos de precio elevado, por ejemplo, quizá debamos investigar precio y propuesta comercial antes que el color del botón.
Comprueba qué ocurre entre ambas acciones.
Un usuario puede descubrir los gastos de envío demasiado tarde, no encontrar información sobre entrega o encontrarse con una cesta difícil de editar.
También conviene revisar si add_to_cart se está registrando correctamente. Un error de medición puede hacer que la supuesta caída exista únicamente en Analytics.
Aquí el análisis se concentra en un punto muy próximo a la venta.
Revisa errores de formularios, registro obligatorio, métodos de entrega, costes inesperados, fallos técnicos y sistemas de pago.
Si trabajas con PrestaShop y sospechas que la fricción está en el método de cobro, nuestra comparativa de pasarelas de pago para PrestaShop y sus criterios de elección desarrolla específicamente esta parte sin necesidad de convertir el análisis CRO en otra comparativa de Redsys, Stripe o PayPal.
Imagina que descubres que quienes utilizan el buscador interno convierten tres veces más.
El dato es interesante.
La conclusión "si hacemos más visible el buscador, triplicaremos la conversión" no está demostrada.
Puede ocurrir que las personas que utilizan el buscador ya lleguen con una intención de compra mucho más fuerte. El buscador sería entonces una característica de ese comportamiento, no necesariamente su causa.
Lo mismo ocurre con la velocidad, el número de métodos de pago, el diseño o las opiniones.
Un análisis CRO debería separar:
Dato observado: los usuarios de un segmento tienen un comportamiento diferente.
Hipótesis: existe una causa concreta que podría explicar esa diferencia.
Cambio: modificamos aquello que creemos responsable.
Validación: comprobamos si después del cambio la métrica que queríamos afectar evoluciona como esperábamos.
Sin esta separación es fácil invertir tiempo en "mejoras" que responden más a intuiciones que a un problema demostrado.
No todos los problemas de conversión tienen la misma prioridad.
Si atraes a usuarios que no buscan lo que vendes, ningún cambio en el checkout solucionará el problema de fondo.
Compara fuentes, campañas, términos de búsqueda, landing pages y clientes nuevos frente a recurrentes.
Una caída de conversión que coincide con un aumento fuerte de tráfico de adquisición puede significar simplemente que ahora estás incorporando usuarios menos preparados para comprar.
Una persona puede entender perfectamente la web y decidir no comprar.
Un precio poco competitivo, un plazo de entrega largo, ausencia de stock o una oferta poco diferenciada son problemas comerciales, no necesariamente de usabilidad.
La analítica permite detectar dónde ocurre la caída. Necesitas después interpretar por qué.
Si el móvil presenta un rendimiento sensiblemente peor dentro de segmentos comparables, pruébalo como lo haría un cliente real.
Revisa filtros, variantes, formularios, teclado, botones, popups, métodos de pago y navegación durante todo el checkout.
No des por supuesto que el problema es "el responsive". Busca la etapa concreta donde aparece la diferencia.
El precio que aparece en la ficha no siempre es el coste que el cliente percibe al final.
Portes, recargos, plazos largos o condiciones poco claras pueden hacerse visibles cuando el usuario ya ha invertido tiempo en comprar.
Si la pérdida aumenta justo después de mostrar esa información, tienes una hipótesis mucho más concreta que "el checkout convierte poco".
Un error de JavaScript, un módulo incompatible o una integración de pago que falla solo en determinados navegadores puede afectar a una parte de las ventas y pasar desapercibido en una revisión superficial.
Cuando el abandono cambia de forma brusca, especialmente después de una actualización, conviene descartar incidencias técnicas antes de plantear cambios de diseño.
Si el problema requiere modificar navegación, fichas, filtros o checkout en PrestaShop, nuestra página de diseño y desarrollo web para PrestaShop explica el tipo de trabajo técnico que puede intervenir en esas áreas.
Una mala implementación de analítica puede fabricar un problema que la tienda realmente no tiene.
Supongamos que el evento purchase se dispara dos veces al cargar la página de confirmación. Si utilizas el número de eventos como compras, la conversión quedará inflada.
Google recomienda utilizar un transaction_id único en cada compra. Cuando GA4 recibe compras web duplicadas con el mismo identificador de transacción, puede deduplicarlas. La documentación oficial sobre IDs de transacción en GA4 explica el funcionamiento y advierte también de los problemas que provoca reutilizar identificadores o enviar valores vacíos.
También puede ocurrir lo contrario: ventas que aparecen en el backend del ecommerce pero no en Analytics.
Antes de dar por buena una tasa, compara al menos el orden de magnitud de pedidos e ingresos entre Analytics y la plataforma de ecommerce. No tienen por qué coincidir exactamente, porque pueden existir diferencias de recogida, atribución y tratamiento, pero una desviación grande merece investigación.
El consentimiento también influye en la observabilidad. En España, el uso de herramientas de medición mediante cookies o tecnologías similares debe analizarse según su finalidad y configuración. La AEPD dispone de una guía específica sobre herramientas de medición de audiencia y cookies que establece las condiciones bajo las que determinadas soluciones de medición podrían estar exentas de consentimiento. Esto no significa que cualquier instalación de Analytics quede automáticamente exenta.
Imagina dos escenarios.
En el primero, una tienda convierte al 2 % con un ticket medio de 150 €.
En el segundo, después de una promoción agresiva, convierte al 3 %, pero el ticket medio cae a 80 € y el margen por pedido se reduce considerablemente.
La tasa de conversión ha mejorado. Eso no demuestra que el negocio esté ganando más dinero.
Por eso conviene leerla junto a métricas como ingresos, ticket medio, margen, coste de adquisición y recurrencia.
También puedes utilizar los ingresos por sesión como comprobación complementaria:
Ingresos por sesión = ingresos / sesiones
Una mejora de conversión interesa cuando contribuye a un resultado comercial mejor, no cuando hace subir un porcentaje aislado del cuadro de mando.
Un test A/B sirve para contrastar una hipótesis comparando variantes bajo unas condiciones controladas.
No es el primer paso obligatorio de cualquier proceso CRO.
Necesitas una hipótesis que merezca la pena evaluar, una métrica definida y suficiente volumen para distinguir el efecto del cambio de la variación normal de los datos.
Si una tienda registra muy pocas compras, detectar estadísticamente una mejora pequeña puede exigir demasiado tiempo o una muestra que el negocio no puede generar.
En ese escenario suele tener más sentido resolver primero problemas inequívocos: un checkout roto en móvil, errores de analítica, filtros que no funcionan, mensajes de error incomprensibles o métodos de pago fallidos.
Las grabaciones de sesión, encuestas, entrevistas, consultas al servicio de atención al cliente y análisis del funnel pueden ayudar a formular hipótesis. No sustituyen a un experimento cuando necesitamos demostrar causalidad, pero permiten decidir mejor qué merece ser probado.
Cuando detectes varias oportunidades, no empieces por la que resulte más fácil de cambiar.
Empieza por combinar tres criterios:
Tamaño del problema. No tiene el mismo impacto una caída que afecta al 60 % de las sesiones que otra situada en una página residual.
Proximidad a la compra. Un error que impide completar el pago merece normalmente más urgencia que una mejora estética en una página informativa.
Calidad de la evidencia. Un problema reproducible y respaldado por analítica merece más prioridad que una opinión interna sobre qué diseño parece mejor.
Esta forma de trabajar evita que el CRO se convierta en una sucesión de cambios visuales sin un diagnóstico detrás.
Puedes utilizar un benchmark del 1,4 %, 2,7 % o cualquier otra referencia actual para situarte. Lo que no deberías hacer es convertir esa cifra en un objetivo automático.
Una tasa de conversión empieza a ser realmente útil cuando puedes explicar:
qué estás midiendo, qué segmentos convierten mejor o peor, en qué punto del funnel aparece la diferencia y qué hipótesis merece investigarse.
Si hoy conviertes al 1,6 % y dentro de tres meses llegas al 1,9 %, necesitas saber qué cambió y si esa mejora es comercialmente rentable.
Ese es el punto en el que pasamos de observar una métrica a trabajar realmente en optimización de conversiones.
¿Qué te ha parecido este artículo?