Los 15 KPIs de ecommerce que debes medir para saber si tu tienda es realmente rentable

Un ecommerce puede facturar más que el mes anterior, presentar un ROAS aparentemente excelente en Meta Ads, aumentar el número de pedidos y, al mismo tiempo, estar deteriorando su rentabilidad. No es una contradicción. Sucede cuando el crecimiento del revenue exige una inversión publicitaria proporcionalmente mayor, cuando se vende un mix de productos con menos margen, cuando aumenta el peso de los descuentos, cuando la logística se encarece o cuando la captación de nuevos clientes empieza a comerse el beneficio generado por cada pedido.

Por eso, analizar un ecommerce mirando únicamente la facturación es parecido a analizar una empresa consultando exclusivamente cuánto dinero entra en su cuenta bancaria. Es información relevante, pero insuficiente. Tampoco basta con abrir Meta Ads y comprobar que el ROAS sigue por encima de 3, entrar después en Shopify para mirar las ventas y terminar revisando Google Analytics. Cada plataforma describe una parte distinta del negocio y, además, cada una utiliza su propia metodología para medir, atribuir y presentar los datos.

La pregunta realmente interesante no es “¿cuánto estamos vendiendo?”, sino algo bastante más complejo: “¿qué está provocando las ventas, cuánto nos cuesta generarlas, cuánto margen conservamos después de cada pedido y hasta dónde podemos seguir creciendo sin destruir rentabilidad?”.

Esta guía está construida precisamente alrededor de esa pregunta. No encontrarás una colección de definiciones aisladas. Vamos a utilizar benchmarks publicados, casos reales de marcas ecommerce, fórmulas, ejemplos de interpretación, tablas comparativas y calculadoras que puedes utilizar directamente dentro de esta página.

Importante sobre los ejemplos: cuando mencionamos una empresa concreta utilizamos cifras publicadas en casos de estudio o investigaciones públicas. Cuando realizamos un cálculo adicional a partir de esas cifras, se identifica expresamente como cálculo matemático o escenario ilustrativo. No atribuimos a una empresa facturación, beneficio, CAC, ROAS ni cualquier otra cifra que no haya publicado.

Los 15 KPIs que vamos a analizar

KPI	Qué mide	Pregunta que debería responder
Revenue	Facturación generada	¿Cuánto estamos vendiendo?
Pedidos	Volumen de transacciones	¿El crecimiento procede de vender más veces?
AOV	Valor medio por pedido	¿Cuánto dinero genera cada compra?
Conversion Rate	Porcentaje de sesiones que compran	¿Qué capacidad tiene la tienda para convertir tráfico?
Revenue per Session	Ingresos generados por sesión	¿Cuánto valor económico produce cada visita?
CPA	Coste por adquisición/conversión atribuida	¿Cuánto cuesta una compra en un canal?
CAC	Coste real de captar un cliente nuevo	¿Cuánto pagamos realmente por conseguir un cliente?
ROAS	Revenue atribuido por euro publicitario	¿Qué retorno atribuye la plataforma a la publicidad?
Break-even ROAS	ROAS mínimo para cubrir costes variables	¿A partir de qué ROAS dejamos de perder dinero?
MER / Blended ROAS	Relación entre ventas totales y publicidad total	¿Qué eficiencia publicitaria tiene el negocio globalmente?
COGS	Coste de la mercancía vendida	¿Cuánto nos cuesta realmente lo que vendemos?
Gross Margin	Margen después del coste del producto	¿Cuánto margen tenemos antes de otros costes?
Contribution Margin	Margen después de costes variables	¿Cuánto dinero deja cada venta antes de estructura fija?
LTV	Valor generado por un cliente a lo largo del tiempo	¿Cuánto vale económicamente un cliente?
LTV:CAC	Relación entre valor del cliente y coste de captación	¿Nuestro sistema de adquisición es sostenible?

Antes de comparar tu ecommerce: el problema de los benchmarks universales

Una de las consultas más frecuentes en ecommerce es preguntar cuál es una buena tasa de conversión, cuál debería ser el ROAS mínimo o cuánto debería costar adquirir un cliente. El problema es que cualquier respuesta que ofrezca una cifra única sin tener en cuenta el modelo de negocio debe interpretarse con mucha cautela.

Shopify publicó en agosto de 2026 datos de referencia que muestran perfectamente esta diferencia. Utilizando benchmarks de Dynamic Yield y otras fuentes, señala una conversión global aproximada del 2,66%, pero al separar las tiendas por sector las diferencias son enormes.

Categoría	Conversión media aproximada publicada
Pet care y servicios veterinarios	5,70%
Belleza y cuidado personal	5,32%
Alimentación y bebidas	4,58%
Moda, accesorios y apparel	2,77%
Consumer goods	1,76%
Hogar y muebles	1,29%
Lujo y joyería	0,63%

Fuente de referencia: Shopify, “Ecommerce Conversion Rate: Benchmarks & Tips”, actualización de agosto de 2026. Los benchmarks citados proceden, entre otras fuentes, de Dynamic Yield.

La lectura importante no consiste en determinar si una conversión del 2% es “buena” o “mala”. Una joyería de lujo que convierta al 2% estaría muy por encima del benchmark de su categoría; una tienda de productos recurrentes para mascotas con exactamente ese mismo 2% podría tener un problema serio.

Además, diferentes estudios producen diferentes promedios porque analizan muestras distintas. Littledata, por ejemplo, analizó 2.800 tiendas Shopify y obtuvo una conversión media del 1,4%. Según su muestra, superar el 3,2% situaba a una tienda aproximadamente dentro del mejor 20% y superar el 4,7% dentro del mejor 10%.

Benchmark Littledata para Shopify	Conversión
Media de la muestra	1,4%
Umbral aproximado Top 20%	> 3,2%
Umbral aproximado Top 10%	> 4,7%
Media mobile	1,2%
Media desktop	1,9%

Dos estudios pueden ser correctos y ofrecer medias diferentes. La muestra, el sector, el dispositivo, el ticket medio, la procedencia del tráfico, el país, la proporción de clientes recurrentes o la época del año alteran completamente el resultado.

Calculadora rápida de rendimiento ecommerce

Introduce tres métricas básicas de tu tienda. La calculadora obtendrá automáticamente conversión, ticket medio y revenue por sesión. Todo el cálculo se realiza en tu navegador.

Sesiones:

Pedidos:

Revenue (€):

Calcular KPIs

1. Revenue: facturar más no significa necesariamente ganar más

Revenue es el importe generado por las ventas durante un periodo determinado y probablemente sea el dato que más rápidamente consulta cualquier responsable de ecommerce. Tiene sentido: sin ventas no existe negocio. El problema aparece cuando se utiliza la facturación como indicador principal de salud económica.

Imagina dos meses consecutivos en los que una tienda pasa de 200.000 € a 260.000 €. Visualmente el dashboard mostraría un crecimiento del 30%. Puede parecer un resultado extraordinario. Pero todavía no sabemos si para conseguir esos 60.000 € adicionales la empresa ha tenido que invertir 55.000 € adicionales en publicidad, vender productos con menor margen, aumentar descuentos o asumir más devoluciones.

Revenue describe volumen comercial. No describe rentabilidad.

Qué deberías separar dentro del revenue

Ventas brutas.
Descuentos aplicados.
Devoluciones.
Ventas netas.
Revenue de cliente nuevo.
Revenue de cliente recurrente.
Revenue por canal.
Revenue por país.
Revenue por categoría.
Revenue por SKU.

Esta segmentación es especialmente importante cuando una empresa crece. Una subida del 20% en facturación adquiere un significado completamente diferente si procede de clientes que ya estaban en la base de datos, de una nueva campaña de adquisición, de la entrada en otro mercado o simplemente de un incremento del ticket medio.

2. Número de pedidos: descubre de dónde procede realmente el crecimiento

El número de pedidos debe analizarse junto al revenue porque permite separar crecimiento por volumen de crecimiento por valor. Dos ecommerce pueden facturar exactamente lo mismo y necesitar un número radicalmente distinto de operaciones para conseguirlo.

Métrica	Tienda A	Tienda B
Revenue	100.000 €	100.000 €
Pedidos	1.000	2.500
AOV	100 €	40 €

La segunda tienda necesita gestionar dos veces y media más pedidos para producir el mismo revenue. Si cada pedido implica packaging, picking, una transacción de pago, una consulta potencial de soporte y un coste logístico, la estructura económica puede ser completamente diferente.

Por eso resulta especialmente útil observar la evolución conjunta de tres variables: revenue, pedidos y AOV.

3. AOV: Average Order Value

El AOV o Average Order Value representa cuánto dinero genera de media cada pedido. Se calcula dividiendo la facturación entre el número de órdenes del periodo.

AOV = Revenue / Número de pedidos

Es una de las palancas más interesantes porque permite crecer sin necesidad de aumentar necesariamente el número de sesiones o el presupuesto publicitario. Mejorar el AOV puede conseguirse mediante bundles, cross-selling, upselling, umbrales de envío gratuito, packs, productos complementarios, suscripciones o estrategias de merchandising.

Caso real: Labellov pasó de 1.250 € a 1.650 € de AOV

Labellov es una plataforma de reventa de lujo con más de 40.000 productos únicos. Shopify recoge en uno de sus casos de estudio publicados en 2026 que, después de migrar desde Magento, el AOV de la compañía aumentó desde aproximadamente 1.250 € hasta 1.650 €.

Eso representa un incremento del AOV de:

(1.650 - 1.250) / 1.250 × 100 = 32%

Podemos realizar un ejercicio matemático para visualizar el efecto sin atribuir a Labellov ninguna cifra de pedidos que no haya publicado. Si una tienda cualquiera mantuviese 1.000 pedidos con esos dos niveles de AOV, el resultado sería:

	AOV 1.250 €	AOV 1.650 €
Pedidos hipotéticos	1.000	1.000
Revenue resultante	1.250.000 €	1.650.000 €
Diferencia matemática	-	+400.000 €

Los 1.000 pedidos son únicamente un escenario matemático para mostrar el efecto del cambio de AOV. No son datos publicados de Labellov.

Otro caso real: Blakely aumentó su AOV un 13%

La marca británica de moda Blakely también ofrece un buen ejemplo. Según el caso publicado por Shopify tras su migración, la empresa consiguió simultáneamente un incremento del 13% en AOV, un aumento de la conversión y un crecimiento de las ventas globales.

La lección interesante no consiste en copiar una determinada acción de Blakely. Consiste en comprender que el AOV no debería optimizarse de forma aislada. Una tienda que incrementa AOV y conversión al mismo tiempo está generando un efecto multiplicador sobre el revenue por sesión.

4. Conversion Rate: no persigas un porcentaje sin contexto

La tasa de conversión indica qué proporción de las sesiones termina en compra.

Conversion Rate = Pedidos / Sesiones × 100

Si una tienda recibe 100.000 sesiones y genera 2.000 pedidos, su conversión es del 2%. Fácil de calcular; bastante más difícil de interpretar.

Como hemos visto antes, Shopify publica en 2026 diferencias sectoriales que van aproximadamente desde el 0,63% en lujo y joyería hasta el 5,70% en pet care. El precio, la frecuencia de compra, la intención del tráfico y el dispositivo alteran de forma enorme esta métrica.

Caso real: Blakely pasó del 1,4% al 2,6%

El caso de Blakely resulta especialmente interesante porque Shopify publica el porcentaje antes y después. La marca partía aproximadamente de una conversión del 1,4% y alcanzó el 2,6%. Esto supone una mejora relativa cercana al 86%, que Shopify presenta redondeada como un incremento del 85%.

Blakely	Antes	Después
Conversion Rate	1,4%	2,6%
Mejora relativa aproximada	-	+85,7%
AOV	-	+13%
Ventas globales	-	+49%

¿Qué significaría matemáticamente pasar del 1,4% al 2,6% manteniendo 100.000 sesiones? La tienda pasaría de 1.400 a 2.600 pedidos. Eso serían 1.200 pedidos adicionales sin incrementar el tráfico. De nuevo, 100.000 sesiones es un escenario didáctico nuestro y no una cifra publicada de Blakely.

Ésta es la razón por la que optimizar conversión suele ser una palanca tan potente. Si estás pagando por adquirir tráfico, cada mejora de conversión permite extraer más pedidos de la misma inversión.

Cómo diagnosticar una caída de conversión

No empieces inmediatamente cambiando el botón de “Añadir al carrito”. Una reducción de conversion rate puede originarse fuera de la interfaz. Antes de modificar la tienda revisa la composición del tráfico y compara periodos equivalentes.

Segmenta nuevo frente a recurrente. El tráfico recurrente suele comportarse de forma diferente.
Compara mobile y desktop. Littledata encontró en su muestra una media del 1,2% en mobile frente al 1,9% en desktop.
Revisa las fuentes de adquisición. Un pico de tráfico frío desde una campaña puede reducir el promedio global sin que la web haya empeorado.
Comprueba disponibilidad de producto. El tráfico hacia productos agotados puede afectar seriamente a la métrica.
Analiza el checkout. Gastos de envío inesperados, problemas de pago o fricción pueden aparecer después del add-to-cart.
Compara AOV. Una campaña que lleva tráfico hacia productos de ticket superior puede convertir menos y generar más revenue.

5. Revenue per Session: la métrica que evita obsesionarte con la conversión

Revenue per Session mide cuánto dinero produce de media cada sesión de la tienda.

Revenue per Session = Revenue / Sesiones

Es especialmente útil porque combina dos variables fundamentales: la capacidad de convertir y el valor medio de cada conversión.

	Ecommerce A	Ecommerce B
Conversion Rate	3%	1,8%
AOV	30 €	80 €
Revenue por 100 sesiones	90 €	144 €
Revenue por sesión	0,90 €	1,44 €

Si únicamente comparásemos conversión, el ecommerce A parecería muy superior. Sin embargo, B obtiene un 60% más de revenue de cada sesión. Esto no significa automáticamente que B sea más rentable —todavía faltan márgenes y costes de adquisición—, pero demuestra por qué un único KPI nunca debería dirigir la estrategia.

6. CPA: Cost per Acquisition

CPA suele utilizarse dentro de una plataforma publicitaria para indicar cuánto cuesta generar una acción atribuida, normalmente una compra cuando hablamos de ecommerce.

CPA = Ad Spend / Compras atribuidas

Si Meta Ads registra 20.000 € de inversión y 800 compras atribuidas, el CPA de plataforma será de 25 €. El error consiste en concluir que adquirir un cliente cuesta 25 €, porque varias de esas compras pueden proceder de clientes recurrentes y porque existen otros canales de adquisición que no forman parte de ese cálculo.

CPA es especialmente útil para optimizar campañas dentro de un mismo entorno, comparar conjuntos de anuncios o detectar deterioros en la eficiencia publicitaria. Para evaluar la economía global del cliente necesitamos avanzar hasta CAC.

7. CAC: cuánto cuesta realmente conseguir un cliente nuevo

Customer Acquisition Cost intenta medir el coste real de conseguir un nuevo cliente. Dependiendo de la profundidad financiera del análisis pueden incluirse únicamente los canales de adquisición directa o también costes asociados a equipos, tecnología, agencias, afiliación y producción creativa.

Una versión operativa sencilla es:

CAC = Costes de adquisición / Nuevos clientes

Coste de adquisición	Importe del periodo
Meta Ads	25.000 €
Google Ads	12.000 €
TikTok Ads	5.000 €
Afiliación	3.000 €
Total	45.000 €

Si en ese mismo periodo se incorporan 1.500 clientes nuevos:

CAC = 45.000 / 1.500 = 30 €

Este ejemplo es deliberadamente matemático. Lo importante es la metodología: comparar gasto de adquisición con clientes nuevos, no con todos los pedidos.

8. ROAS: importante, pero mucho menos de lo que parece

ROAS significa Return on Ad Spend y relaciona el revenue atribuido por una plataforma con la inversión publicitaria realizada.

ROAS = Revenue atribuido / Ad Spend

Una campaña que consume 10.000 € y a la que se atribuyen 40.000 € en ventas presenta un ROAS 4. Por cada euro invertido, la plataforma atribuye cuatro euros de revenue.

El problema es que esos cuatro euros no son beneficio. Dentro de ellos todavía está incluido el coste del producto, la logística, las comisiones de pago, los descuentos, las devoluciones, el packaging y otros costes variables.

Dos ecommerce con ROAS 3 pueden estar en situaciones opuestas.

	Ecommerce A	Ecommerce B
Revenue	30.000 €	30.000 €
Ad Spend	10.000 €	10.000 €
ROAS	3	3
Margen antes de publicidad	30%	70%
Margen disponible antes de Ads	9.000 €	21.000 €
Resultado después de Ads	-1.000 €	11.000 €

Exactamente el mismo ROAS; una empresa pierde dinero y la otra conserva 11.000 € antes de costes fijos.

9. Break-even ROAS: el ROAS que deberías conocer antes de escalar

Break-even ROAS es el nivel de ROAS en el que el margen disponible antes de publicidad queda completamente consumido por la inversión publicitaria. Dicho de otra forma: el punto aproximado en el que dejas de perder dinero y empiezas a generar contribución.

Si el margen disponible antes de publicidad es del 40%:

Break-even ROAS = 1 / 0,40 = 2,5

Con una estructura de margen del 70%:

Break-even ROAS = 1 / 0,70 = 1,43

Ésta es una de las razones por las que preguntar “¿un ROAS 2 es bueno?” sin hablar de márgenes carece de sentido. Para el segundo negocio puede ser perfectamente escalable; para el primero destruye rentabilidad.

Calculadora de Break-even ROAS y CPA máximo

AOV (€):

COGS sobre revenue (%):

Otros costes variables antes de Ads (%):

Calcular Break-even

10. MER o Blended ROAS: cuando quieres observar el negocio completo

MER, también utilizado en muchos equipos como Blended ROAS, elimina una parte importante del ruido de atribución porque relaciona el revenue total del ecommerce con el gasto publicitario total.

MER = Revenue total / Ad Spend total

Supongamos que Shopify registra 500.000 € de revenue durante un mes y el gasto agregado en Meta, Google y TikTok es de 125.000 €.

MER = 500.000 / 125.000 = 4

El cálculo no intenta descubrir qué plataforma fue responsable de cada venta. Responde a otra pregunta: por cada euro destinado a paid media, ¿cuántos euros está generando globalmente el ecommerce?

Esto resulta especialmente útil porque diferentes plataformas pueden atribuirse una misma conversión. Un usuario descubre el producto en Instagram, vuelve tres días después buscando la marca en Google y finalmente compra. Dependiendo de ventanas y modelos de atribución, Meta y Google pueden asignarse simultáneamente valor sobre esa transacción.

Fuente	Revenue mostrado
Meta Ads	320.000 € atribuidos
Google Ads	240.000 € atribuidos
TikTok Ads	80.000 € atribuidos
Suma de plataformas	640.000 €
Revenue real de tienda del ejemplo	500.000 €

Sumar directamente los 640.000 € atribuidos sería un error. El MER parte del revenue real de la tienda y del gasto real, evitando esa duplicidad a nivel de lectura global.

11. COGS: Cost of Goods Sold

COGS representa el coste directamente asociado a los productos que has vendido. Si un artículo se vende por 100 € pero comprarlo o fabricarlo cuesta 35 €, esos 35 € forman parte del COGS.

Parece elemental, pero ignorar este dato es una de las formas más rápidas de sobrevalorar campañas publicitarias. Un dashboard que únicamente combina revenue y ad spend puede mostrar crecimiento mientras oculta que se está vendiendo un mix de productos con margen muy inferior.

Además, COGS debería analizarse por SKU. Dos productos vendidos al mismo precio pueden tener una economía completamente distinta.

	Producto A	Producto B
PVP	80 €	80 €
COGS	20 €	48 €
Gross Profit	60 €	32 €
Gross Margin	75%	40%

Si Meta consigue vender ambos productos con un CPA de 30 €, la campaña puede parecer idéntica desde Ads Manager. Económicamente no lo es.

12. Gross Margin: cuánto queda después del producto

Gross Profit es la diferencia entre revenue y COGS.

Gross Profit = Revenue - COGS

Y el porcentaje de margen bruto:

Gross Margin % = Gross Profit / Revenue × 100

Una tienda que factura 200.000 € y tiene 80.000 € de COGS presenta 120.000 € de Gross Profit y un Gross Margin del 60%.

Pero esos 120.000 € todavía no son beneficio. A continuación tienen que financiar publicidad, logística, payment fees, devoluciones, packaging y posteriormente toda la estructura fija del negocio.

13. Contribution Margin: una de las métricas más importantes del ecommerce

Contribution Margin permite acercarse mucho más a la economía real de cada venta porque descuenta los costes variables necesarios para generarla y entregarla. La definición exacta puede variar según la estructura financiera de cada empresa, pero normalmente se construye utilizando COGS, publicidad, fulfillment, shipping subsidiado, packaging, fees, comisiones, descuentos y devoluciones.

Podemos representarlo de forma simplificada:

Contribution Profit = Revenue - COGS - Ads - logística - payment fees - devoluciones - otros costes variables

Un coste real que muchas estimaciones olvidan: el procesamiento del pago

Stripe publica actualmente para España una tarifa estándar de 1,5% + 0,25 € por transacción para tarjetas estándar del Espacio Económico Europeo. Esto permite entender el impacto de una comisión aparentemente pequeña cuando se aplica a miles de pedidos.

Tomemos un escenario de 100.000 € de facturación distribuida entre 2.000 pagos de 50 €. Aplicando únicamente esa tarifa como referencia matemática:

1,5% de 100.000 € = 1.500 €.
2.000 operaciones × 0,25 € = 500 €.
Coste total teórico = 2.000 €.

En este escenario, aproximadamente un 2% del revenue desaparecería solamente en procesamiento de pagos. El importe real de cualquier comercio dependerá de tarjetas utilizadas, mercados, condiciones comerciales, métodos de pago, divisas y otras variables.

Calculadora de Contribution Profit

Revenue (€):

COGS (€):

Publicidad (€):

Logística y fulfillment (€):

Fees de pago (€):

Devoluciones / costes asociados (€):

Otros costes variables (€):

Calcular rentabilidad

14. LTV: cuánto vale realmente un cliente

Lifetime Value intenta medir el valor económico generado por un cliente durante su relación con la empresa. Una versión extremadamente sencilla puede calcularse multiplicando AOV, frecuencia de compra y duración media de la relación, aunque en modelos maduros resulta preferible trabajar con cohortes reales y margen en lugar de proyectar únicamente revenue.

Revenue LTV = AOV × frecuencia de compra × vida del cliente

Supongamos un AOV de 60 €, tres pedidos anuales y una relación media de dos años:

Revenue LTV = 60 × 3 × 2 = 360 €

Pero si el Contribution Margin después de costes variables es del 30%, el valor económico disponible es mucho menor:

Contribution LTV = 360 × 30% = 108 €

La segunda cifra es mucho más útil para decidir cuánto puede invertirse en adquisición.

Caso real: Heist Studios y la importancia de la recompra

Klaviyo publicó que la marca británica Heist Studios alcanzó una repeat purchase rate del 44%. Además, cerca del 50% de los ingresos procedían de repetición y el AOV aumentaba aproximadamente un 11% desde la primera hasta la segunda compra.

Este caso muestra por qué evaluar una campaña únicamente mediante la economía de la primera compra puede resultar engañoso. Si una proporción significativa de los clientes vuelve a comprar y, además, aumenta el valor de su siguiente pedido, el CAC máximo sostenible puede ser muy superior al que sugeriría un análisis basado exclusivamente en la primera transacción.

Caso real: Half Magic multiplicó por cinco los compradores recurrentes

Otro caso publicado por Klaviyo es Half Magic, marca de belleza fundada por Donni Davy. Según el estudio, el número de compradores recurrentes creció 5 veces interanualmente durante los últimos doce meses analizados; los ingresos procedentes de automatizaciones crecieron un 110% y los pedidos atribuidos a Customer Hub presentaron un AOV dos veces superior durante el periodo señalado por el estudio.

La enseñanza no es que una determinada herramienta produzca automáticamente esos resultados, sino que retención, personalización y comportamiento post-compra pueden alterar radicalmente el valor económico de una base de clientes.

15. LTV:CAC: cuánto valor obtienes por cada euro destinado a captar clientes

Una vez calculado el valor económico del cliente podemos compararlo con su coste de adquisición.

LTV:CAC = LTV / CAC

Si el Contribution LTV es de 120 € y el CAC es de 40 €:

LTV:CAC = 3

Es decir, se generan aproximadamente tres euros de contribution value a lo largo de la relación con el cliente por cada euro destinado a adquirirlo.

Aun así, el ratio no debería analizarse sin observar el tiempo. Dos negocios pueden presentar un LTV:CAC de 3 y tener necesidades de financiación completamente diferentes si uno recupera el CAC durante la primera semana y el otro necesita doce meses.

Calculadora de LTV y LTV:CAC

AOV (€):

Compras medias por año:

Duración media del cliente en años:

Contribution Margin (%):

CAC (€):

Calcular LTV

Dos métricas adicionales que no deberías perder de vista

Aunque hemos limitado la estructura principal a 15 KPIs, existen dos indicadores que completan especialmente bien el análisis de un ecommerce: repeat purchase rate y cart abandonment rate.

Repeat Purchase Rate

Repeat Purchase Rate representa el porcentaje de clientes que ha comprado más de una vez durante un periodo determinado.

Repeat Purchase Rate = Clientes recurrentes / Clientes totales × 100

Klaviyo sitúa como orientación general una repeat purchase rate saludable aproximadamente entre el 20% y el 30%, aunque insiste en que debe interpretarse según el producto. Alimentación, cosmética de consumo recurrente o suplementos deberían generar comportamientos diferentes a electrónica, mobiliario o lujo.

El ejemplo de Heist Studios que hemos visto anteriormente ayuda a contextualizar el dato: la marca publicó una tasa del 44%, muy por encima de ese rango orientativo general.

Cart Abandonment Rate

Baymard Institute mantiene desde hace años una de las recopilaciones de referencia sobre abandono de carrito. Su agregación actual de 50 estudios sitúa el abandono medio documentado alrededor del 70,22%.

Esto no significa que el 70% pueda recuperarse optimizando el checkout. Una parte importante de esos usuarios simplemente estaba investigando, comparando precios o guardando productos para más tarde. De hecho, la investigación de Baymard muestra que el motivo y el momento del abandono son fundamentales para determinar qué parte del problema puede realmente resolverse mediante UX.

Por tanto, utilizar “70% de abandono” como argumento para rediseñar inmediatamente el checkout sería otra interpretación simplista de una métrica. Primero hay que localizar dónde abandona el usuario, identificar los motivos y separar problemas corregibles de comportamientos naturales de compra.

Cómo saber qué está fallando sin mirar cincuenta dashboards

El verdadero valor de un sistema de KPIs no consiste en acumular decenas de gráficos. Consiste en crear relaciones de causa y efecto que permitan reducir rápidamente el número de hipótesis cuando aparece un problema.

Problema observado	Primera métrica	Después revisaría	Hipótesis habituales
Revenue cae	Sesiones	Conversión y AOV	Menos tráfico, peor conversión, menor ticket, stock
Revenue sube pero profit cae	Contribution Margin	COGS, Ads, descuentos, devoluciones	Crecimiento no rentable
ROAS cae	CPA	CPM, CTR, CPC, CVR, AOV	Problema creativo, tráfico, web o mix de producto
CPA sube	CPC y CVR	CPM, CTR y landing	Tráfico más caro o peor conversión
Conversión cae	Mix de tráfico	Device, producto, checkout	Más tráfico frío, UX, stock, precio
AOV cae	Mix de productos	Descuentos y clientes nuevos/recurrentes	Venta de productos baratos o promociones
CAC sube	Nuevo vs recurrente	CPA por canal	Menor eficiencia de captación
MER empeora	Ad Spend vs Revenue	Incrementalidad por canal	Paid media crece más rápido que ventas
LTV cae	Repeat Purchase Rate	AOV recurrente y frecuencia	Peor retención o pedidos posteriores más pequeños

Ejemplo de diagnóstico: el ROAS cae de 4 a 3

Imaginemos que Meta Ads pasa de ROAS 4 a ROAS 3 de una semana a otra. Una interpretación demasiado rápida sería pensar que las creatividades se han agotado. Puede ser cierto, pero todavía no existe suficiente información.

La secuencia lógica debería ser algo parecida a ésta:

¿Ha aumentado CPM?
¿Ha cambiado CTR?
¿Ha aumentado CPC?
¿Ha cambiado el porcentaje de usuarios que llegan correctamente a la landing?
¿Ha caído la conversión ecommerce?
¿Ha cambiado el AOV?
¿Hay productos agotados?
¿Ha cambiado el mix de prospecting y retargeting?
¿Existe alguna promoción diferente respecto al periodo comparado?
¿Coincide la caída de ROAS de plataforma con el deterioro del MER global?

Puede ocurrir que Meta muestre peor ROAS mientras el MER global permanece estable. Eso indicaría que antes de recortar inversión convendría estudiar atribución, branded search, direct traffic y comportamiento cross-channel.

Ejemplo de diagnóstico: revenue +25%, contribution profit -20%

Éste es probablemente uno de los escenarios más peligrosos porque superficialmente parece positivo. La tienda crece, el equipo celebra un récord de ventas y el dashboard principal está lleno de indicadores verdes. Sin embargo, cuando se reconstruye la economía real del periodo aparece otra historia.

Métrica	Mes 1	Mes 2
Revenue	200.000 €	250.000 €
COGS	70.000 €	95.000 €
Ad Spend	55.000 €	85.000 €
Logística + pagos + variables	25.000 €	30.000 €
Contribution Profit	50.000 €	40.000 €
Contribution Margin	25%	16%

Revenue ha aumentado un 25%, pero Contribution Profit ha caído un 20%. La tienda está trabajando más, procesando más negocio y probablemente asumiendo más riesgo de inventario para ganar menos dinero.

Este ejemplo es una simulación financiera, no un caso atribuido a una empresa real. Precisamente por eso resulta útil separar claramente los escenarios pedagógicos de los casos publicados de marcas concretas.

Qué medir diariamente, semanalmente y mensualmente

Dashboard diario

El control diario debería servir principalmente para detectar anomalías operativas. No necesitas analizar LTV completo cada mañana.

Revenue.
Pedidos.
AOV.
Conversion Rate.
Ad Spend.
CPA o CAC operativo.
MER.
Contribution Profit estimado.

Revisión semanal

Revenue nuevo vs recurrente.
Ad Spend por canal.
ROAS por plataforma.
MER global.
CAC de nuevo cliente.
Conversion Rate por device.
Conversion Rate por canal.
AOV por canal.
Margen por producto.
Productos más vendidos frente a productos más rentables.
Devoluciones.
Contribution Margin.

Revisión mensual

Evolución del CAC.
Repeat Purchase Rate.
Cohortes de clientes.
LTV.
LTV:CAC.
CAC Payback.
Margen por categoría.
Contribution Margin global.
Rentabilidad por canal.
Rentabilidad por país.
Dependencia de paid media.
Evolución del MER.

No compares ventas; compara cohortes

A medida que un ecommerce madura, los promedios empiezan a ocultar más información de la que revelan. Imagina que el repeat purchase rate global es del 27%. Puede parecer razonable, pero ese promedio no indica si los clientes adquiridos durante los últimos seis meses presentan un comportamiento mucho peor que los de hace un año.

Una cohorte agrupa clientes según un criterio común, normalmente el momento de adquisición. Puedes comparar, por ejemplo, clientes captados en enero, febrero y marzo y observar cuánto revenue o contribution value han generado después de 30, 60, 90, 180 y 365 días.

Cohorte	Compra inicial	30 días	90 días	180 días
Enero	100%	118%	143%	171%
Febrero	100%	115%	138%	164%
Marzo	100%	108%	124%	145%

En un escenario como éste, el problema podría permanecer oculto durante meses si solo observamos revenue global. Las nuevas cohortes están generando menos valor post-compra que las anteriores. Quizá la empresa está escalando paid media hacia audiencias de menor calidad, quizá ha cambiado el producto de entrada o quizá la estrategia de retención funciona peor.

Productos más vendidos no significa productos más rentables

Otra transformación importante en la analítica ecommerce consiste en abandonar rankings basados únicamente en unidades o revenue y añadir la dimensión del margen.

Producto	Revenue	Unidades	Gross Margin	Contribution Profit
Producto A	80.000 €	2.000	35%	8.000 €
Producto B	55.000 €	900	70%	19.000 €
Producto C	40.000 €	700	65%	15.000 €

El Producto A domina cualquier informe de revenue, pero B genera más del doble de contribution profit. Si la empresa decide asignar inversión únicamente según ventas, podría estar escalando precisamente el producto menos interesante económicamente.

Por qué Shopify, Meta Ads y Google Ads pueden mostrar cifras diferentes

No deberías esperar que todas las herramientas reproduzcan exactamente los mismos números porque no están respondiendo a la misma pregunta. La plataforma ecommerce registra pedidos. Las plataformas publicitarias intentan atribuir conversiones a interacciones publicitarias. Una solución de analítica web interpreta sesiones, usuarios y eventos bajo sus propias reglas. Las ventanas de atribución y los modelos utilizados también pueden diferir.

Por eso conviene separar dos capas de análisis.

Métricas de plataforma

ROAS de Meta.
CPA de Meta.
ROAS de Google.
CPA de Google.
CTR.
CPM.
CPC.
Conversiones atribuidas.

Métricas de negocio

Revenue real.
Nuevos clientes.
CAC blended.
MER.
COGS.
Contribution Margin.
LTV.
Profit.

Las primeras ayudan principalmente a operar y optimizar los canales. Las segundas ayudan a decidir si la empresa está creando valor.

La jerarquía que utilizaríamos para analizar un ecommerce

En lugar de colocar cincuenta métricas con idéntico peso en un dashboard, resulta más útil construir una jerarquía. Cada capa responde a una pregunta diferente y conduce naturalmente hacia la siguiente.

Nivel 1: demanda y ventas

Sesiones.
Conversion Rate.
Pedidos.
AOV.
Revenue.

Pregunta: ¿estamos generando actividad comercial?

Nivel 2: adquisición

Ad Spend.
CPA.
CAC.
ROAS.
MER.

Pregunta: ¿cuánto cuesta producir ese crecimiento?

Nivel 3: economía de la venta

COGS.
Gross Margin.
Payment fees.
Logística.
Devoluciones.
Contribution Margin.
Break-even ROAS.

Pregunta: ¿cuánto dinero permanece después de generar y entregar la venta?

Nivel 4: economía del cliente

Repeat Purchase Rate.
LTV.
LTV:CAC.
CAC Payback.
Cohortes.

Pregunta: ¿cuánto valor crea el cliente después de la primera transacción?

Qué nos enseñan juntos los casos reales de Blakely, Labellov y Heist

Los tres ejemplos muestran problemas diferentes y, precisamente por eso, resultan más útiles que intentar buscar una única “métrica mágica”.

Marca	Dato publicado	Qué podemos aprender
Blakely	Conversión 1,4% → 2,6%; AOV +13%; ventas globales +49%	Conversión y AOV pueden multiplicar conjuntamente el rendimiento del tráfico.
Labellov	AOV 1.250 € → 1.650 €	El valor de cada pedido puede ser una palanca enorme incluso sin hablar de más tráfico.
Heist Studios	44% repeat purchase rate; cerca del 50% del revenue recurrente; segundo pedido con AOV +11%	La primera compra no representa necesariamente el valor completo de un cliente.
Half Magic	5× compradores recurrentes YoY; +110% revenue de automatizaciones	Retención y comportamiento post-compra pueden modificar sustancialmente la economía del negocio.

Ninguno de estos datos demuestra por sí solo causalidad universal ni significa que otra tienda vaya a reproducir el mismo resultado aplicando las mismas herramientas. Son casos reales que sirven para entender qué ocurre cuando una empresa mueve de forma significativa determinadas variables económicas.

El dashboard que debería ayudarte a tomar una decisión en menos de cinco minutos

Un buen dashboard ecommerce no debería obligarte a navegar por una colección infinita de gráficas. En la primera pantalla tendría que existir suficiente información para detectar rápidamente si ventas, eficiencia publicitaria y rentabilidad están evolucionando en la misma dirección.

KPI	Hoy	Ayer	Últimos 7 días	Últimos 30 días	Periodo anterior
Revenue	-	-	-	-	-
Orders	-	-	-	-	-
AOV	-	-	-	-	-
Conversion Rate	-	-	-	-	-
Ad Spend	-	-	-	-	-
CAC	-	-	-	-	-
MER	-	-	-	-	-
Contribution Profit	-	-	-	-	-
Contribution Margin	-	-	-	-	-

Después, cada KPI debería poder abrirse para explicar por qué se ha movido. Si cae revenue, separar tráfico, conversión y AOV. Si empeora CAC, separar canales y clientes nuevos. Si cae Contribution Margin, abrir COGS, descuentos, inversión, logística y devoluciones.

Ésta es precisamente la filosofía sobre la que tiene sentido construir una capa de analítica moderna: no añadir más información, sino reducir el tiempo que existe entre detectar una anomalía y entender qué la está provocando.

Más dashboards no solucionan un problema de datos fragmentados

En un ecommerce actual los datos pueden estar distribuidos entre Shopify o WooCommerce para transacciones, Meta Ads y Google Ads para adquisición, GA4 para comportamiento, una pasarela como Stripe para pagos, herramientas de email para retención, Search Console para SEO y posiblemente un ERP, una hoja de cálculo o un sistema interno donde residen costes de producto, logística o inventario.

Cada una de estas herramientas puede ser excelente dentro de su función. El problema aparece cuando el responsable del negocio necesita reconstruir manualmente la relación entre todas ellas para responder una pregunta aparentemente sencilla: “¿cuánto hemos ganado realmente esta semana y qué canal, producto o grupo de clientes explica el resultado?”

Vekts Analytics nace alrededor de esa necesidad: conectar las señales de ventas, marketing, adquisición, costes y rentabilidad para evitar que la lectura estratégica dependa de abrir plataformas independientes y reconciliar números manualmente.

No se trata de sustituir Meta Ads, Google Ads, Shopify o GA4. Cada herramienta sigue teniendo un enorme valor operativo. Se trata de disponer de una capa superior desde la que interpretar el negocio completo.

La pregunta que debería responder tu ecommerce mañana por la mañana

Si al abrir tu dashboard únicamente puedes decir cuánto vendiste ayer, todavía te falta una parte importante de la fotografía. Deberías ser capaz de saber cuánto revenue generaste, cuánto gastaste para conseguirlo, qué porcentaje vino de clientes nuevos, cuál fue el AOV, cómo evolucionó la conversión, cuál fue el CAC, qué MER obtuviste, cuánto costó la mercancía vendida y qué contribution profit quedó después de los principales costes variables.

Y cuando cualquiera de esas métricas cambie, el sistema debería ayudarte a bajar un nivel y encontrar la causa: canal, dispositivo, producto, cliente, campaña, margen, devolución o comportamiento de recompra.

Porque la diferencia entre mirar datos y utilizar analítica no está en tener más gráficos. Está en poder convertir una variación numérica en una decisión de negocio.