GA4 y Meta Ads muestran conversiones diferentes: ¿cuál es correcto?

Una venta puede aparecer de forma diferente en cada plataforma

Imagina este recorrido:

Día 1
Instagram Ads
    ↓
El usuario conoce la marca
Día 7
Google orgánico
    ↓
El usuario vuelve a buscar
Día 15
Instagram orgánico
    ↓
Nuevo contacto
Día 25
Google
    ↓
El usuario vuelve al sitio
Día 30
Meta Ads — Remarketing
    ↓
El usuario ve el anuncio
Día 32
Acceso directo
    ↓
Compra

Existe solamente una venta.

Pero existen varios puntos de contacto.

Meta tiene información sobre algunas de esas interacciones.

Google Analytics tiene información sobre otras.

Tu checkout, por su parte, puede simplemente saber:

Pedido #9281
Producto: Kit Premium
Valor: R$ 897
Estado: Aprobado

Cada sistema está observando una parte diferente de la misma historia.

Tu checkout normalmente es la mejor referencia para saber cuántas ventas ocurrieron realmente

Antes de hablar de atribución, conviene separar dos preguntas.

La primera es:

¿Cuántas ventas ocurrieron?

La segunda:

¿De dónde vinieron esas ventas?

Son problemas diferentes.

Si hablamos de facturación y pedidos efectivamente aprobados, normalmente tiene más sentido comenzar por el sistema donde realmente existe la transacción:

• checkout;
• plataforma de pagos;
• e-commerce;
• ERP;
• sistema de pedidos.

Si se aprobaron 81 ventas, tuviste 81 ventas.

El hecho de que Meta Ads muestre 100 conversiones atribuidas no crea otras 19 ventas en tu base de datos.

De la misma forma, si GA4 solamente observó 63, las otras 18 ventas no dejaron de existir.

Esto nos da una regla importante:

una conversión atribuida y una venta real no son necesariamente la misma métrica.

Entonces, ¿por qué Meta Ads puede mostrar más ventas?

Porque Meta no necesita necesariamente estar presente en el último clic para atribuir participación en una conversión.

Imagina:

Meta Ads
   ↓
El usuario conoce la marca
   ↓
3 días después
Google
   ↓
Sitio
   ↓
Compra

Dependiendo de las condiciones y de las reglas de atribución utilizadas por la plataforma, Meta puede reconocer que ese usuario tuvo contacto con un anuncio antes de la conversión y atribuir la venta a esa campaña.

GA4 puede interpretar esa misma secuencia de otra manera.

Ahora añade más canales:

Meta Ads
   ↓
Google
   ↓
Email
   ↓
Instagram
   ↓
Remarketing
   ↓
Venta

La pregunta “¿quién generó esta venta?” deja de tener una respuesta obvia.

Y cada plataforma dispone de datos y modelos diferentes para responderla.

Las plataformas no ven exactamente los mismos datos

Este es uno de los puntos más importantes para entender por qué los números no coinciden.

Meta Ads conoce en profundidad las interacciones que ocurren dentro del ecosistema de Meta.

GA4 observa aquello que llega a tu implementación de Analytics.

Tu checkout conoce la transacción.

Ninguno de estos sistemas tiene necesariamente una visión perfecta de todo.

Imagina un recorrido como este:

Instagram
   ↓
Sitio
   ↓
Sale del sitio
   ↓
Google
   ↓
Sitio
   ↓
WhatsApp
   ↓
3 días después
Acceso directo
   ↓
Checkout
   ↓
Venta

El checkout conoce muy bien el final.

Meta conoce determinados contactos con Instagram y sus anuncios.

GA4 conoce los eventos que consiguió registrar en el sitio.

Pero el recorrido real es mayor que cualquiera de estas visiones por separado.

La ventana de atribución cambia el resultado

También existe una cuestión de tiempo.

Imagina que alguien hace clic hoy en un anuncio y compra dentro de 20 días.

La pregunta es:

¿El anuncio de hace 20 días todavía debería recibir crédito por esa venta?

Eso depende de la ventana de atribución utilizada.

Ahora imagina que la compra ocurre 45 días después.

O 90 días después.

Cuanto más largo sea el ciclo de compra, más importante se vuelve esta discusión.

Para una venta directa:

Anuncio
   ↓
5 minutos
   ↓
Compra

la divergencia tiende a ser menos relevante.

Para un recorrido largo:

Anuncio
   ↓
Contenido
   ↓
Búsqueda
   ↓
Email
   ↓
Remarketing
   ↓
45 días
   ↓
Compra

la ventana de atribución puede cambiar significativamente qué campañas reciben crédito.

First click, last click y otros modelos también cambian la respuesta

Aunque dos herramientas tuvieran exactamente los mismos datos, podrían llegar a conclusiones diferentes.

Imagina:

Meta Ads
   ↓
Google orgánico
   ↓
Email
   ↓
Google Ads
   ↓
Venta

Con first click:

Meta Ads → Venta

Con last click:

Google Ads → Venta

Si analizamos el recorrido:

Meta Ads
→ Google orgánico
→ Email
→ Google Ads
→ Venta

los cuatro participaron.

Por eso no basta con preguntar:

¿Qué herramienta tiene razón?

También necesitamos preguntar:

¿Qué regla está utilizando cada herramienta para decidir quién recibe el crédito?

Una misma venta puede ser atribuida por dos plataformas

Este es uno de los problemas más importantes cuando analizamos el rendimiento directamente desde los paneles publicitarios.

Imagina una única venta de R$ 1.000.

Antes de comprar, el cliente interactuó con Meta Ads y Google Ads.

Meta puede informar:

Ingresos atribuidos: R$ 1.000

Y Google:

Ingresos atribuidos: R$ 1.000

Si simplemente sumas ambos paneles:

Meta:   R$ 1.000
Google: R$ 1.000
----------------
Total:  R$ 2.000

Pero tu checkout dice:

Venta real: R$ 1.000

No existen R$ 2.000 de facturación.

Existe una venta de R$ 1.000 con un recorrido en el que participó más de una plataforma.

Por eso, sumar conversiones atribuidas por diferentes plataformas puede producir una visión inflada de la operación.

50 ventas en Meta + 50 ventas en Google no significa que conozcas las 100 ventas

Existe otra consecuencia de este problema que suele generar mucha confusión.

Imagina que tu checkout tiene exactamente 100 ventas:

Ventas reales: 100

Al abrir las plataformas encuentras:

Meta Ads:   50 ventas atribuidas
Google Ads: 50 ventas atribuidas

Es tentador pensar:

50 + 50 = 100
Por lo tanto, conocemos el origen de las 100 ventas.

Pero esa conclusión puede estar completamente equivocada.

Las 50 ventas atribuidas por Meta y las 50 atribuidas por Google no tienen que ser 100 ventas diferentes.

Pueden ser exactamente las mismas 50 ventas.

Por ejemplo:

100 ventas reales
├── 50 ventas con recorridos observados
│      ├── Meta participó en las 50
│      └── Google participó en esas mismas 50
│
└── 50 ventas sin recorrido identificado

En este escenario:

Meta informa:   50
Google informa: 50
Suma aparente: 100

Pero tu cobertura real de tracking puede ser:

50 de 100 ventas = 50%

Las otras 50 continúan sin información suficiente sobre su adquisición.

Ahora imagina números aún mayores:

Ventas reales: 100
Meta Ads:   80
Google Ads: 60

Sumar los paneles daría:

80 + 60 = 140

Obviamente no tuviste 140 ventas.

Lo que no resulta tan obvio es cuánto se superponen esas dos poblaciones.

Sin identificar individualmente las ventas detrás de esos números, los datos agregados de las plataformas no muestran esa intersección.

Y eso significa que tampoco muestran tu cobertura real.

Cobertura de tracking y atribución son cosas diferentes

Este punto merece una separación.

Imagina nuevamente 100 ventas reales.

Si conseguiste relacionar 75 de ellas con sus respectivos recorridos, tu cobertura observable es aproximadamente:

75 ventas con recorrido identificado
------------------------------------ = 75%
100 ventas reales

Eso es diferente de decir:

Meta atribuyó 80 ventas.

La cantidad de ventas que una plataforma se atribuye no representa necesariamente la cantidad de ventas cuyo recorrido puedes reconstruir.

Una cosa es la atribución reportada por la plataforma.

Otra es la cobertura observable de tus ventas reales.

Confundir estos dos conceptos puede llevar a conclusiones equivocadas.

¿Necesitas rastrear el 100% de las ventas para tomar decisiones?

No necesariamente.

Desde un punto de vista técnico, lo ideal sería poder relacionar todas las ventas con sus respectivos recorridos.

En la práctica, los sistemas de tracking funcionan en un entorno imperfecto.

Los usuarios pueden bloquear determinados mecanismos de rastreo.

Los identificadores pueden perderse.

Las personas pueden cambiar de navegador o dispositivo.

Algunos recorridos simplemente no pueden reconstruirse.

Por eso, exigir un 100% de cobertura antes de considerar útil cualquier análisis puede crear una expectativa poco realista.

Imagina:

100 ventas reales
80 ventas con recorrido identificado
20 ventas sin información suficiente

Las 20 ventas sin recorrido conocido no dejan de existir.

Y tampoco deberíamos inventarles un origen.

Simplemente son:

Origen desconocido

Pero eso no significa automáticamente que las otras 80 hayan perdido su valor analítico.

Si la parte observada es suficientemente grande y no está fuertemente sesgada con respecto al resto de las ventas, puede ofrecer una muestra útil del comportamiento de adquisición.

Entre los recorridos observados podemos descubrir, por ejemplo, que:

• determinadas campañas aparecen con frecuencia en las ventas;
• un canal participa principalmente en el descubrimiento;
• otro aparece más cerca de la conversión;
• determinadas combinaciones de canales se repiten;
• algunas campañas reciben muchos clics, pero rara vez aparecen en recorridos que terminan en venta;
• determinados contenidos aparecen repetidamente antes de la compra.

Esto ya puede producir información mucho más útil que simplemente comparar números agregados de los paneles.

¿Un 70% u 80% de cobertura siempre es suficiente?

No existe un porcentaje mágico.

Tener un 80% de cobertura parece excelente, pero todavía necesitamos hacer una pregunta importante:

¿Las ventas que conseguimos observar son razonablemente representativas de las ventas que no conseguimos observar?

Imagina que puedes rastrear el 80% de las ventas totales, pero pierdes prácticamente todas las ventas procedentes de un canal determinado.

En ese caso, tu muestra tiene un sesgo importante.

Por otro lado, si las pérdidas de tracking están distribuidas de forma relativamente normal por la operación, una cobertura parcial puede seguir proporcionando señales muy útiles.

Por lo tanto, el objetivo no debería ser simplemente:

100% o nada

La pregunta más útil es:

¿Tengo suficientes datos y son suficientemente representativos para tomar esta decisión?

Esto también evita un error frecuente en proyectos de analytics: invertir una enorme cantidad de esfuerzo intentando recuperar los últimos puntos porcentuales de cobertura sin evaluar antes si eso realmente cambiará alguna decisión de marketing.

Lo desconocido también es un dato

Un buen análisis no necesita fingir que conoce aquello que no pudo observar.

Podemos tener:

100 ventas reales
├── 78 con recorrido identificado
└── 22 sin atribución confiable

Esto es mucho más saludable que forzar las 22 ventas restantes hacia algún canal simplemente para llegar al 100%.

“Desconocido” es una respuesta válida.

Y hay algo más importante: seguir este porcentaje a lo largo del tiempo ayuda a entender la calidad de la propia medición.

Si normalmente conseguimos relacionar el 80% de las ventas con un recorrido y de repente ese porcentaje cae al 45%, puede existir un problema de tracking que necesita ser investigado.

De esta forma, la cobertura también se convierte en una métrica de salud de la medición.

¿Esto significa que el ROAS de Meta está equivocado?

No necesariamente.

Significa que necesitamos entender qué representa ese ROAS y, principalmente, qué parte del recorrido estamos analizando.

Existe una complicación adicional cuando varias campañas de la misma plataforma participan en la misma adquisición.

Imagina un recorrido de 45 días:

Meta Ads
Campaña de Descubrimiento
        ↓
Contenido orgánico
        ↓
Meta Ads
Campaña de Consideración
        ↓
Google
        ↓
Email
        ↓
Meta Ads
Campaña de Remarketing
        ↓
Venta de R$ 1.000

Existe solamente una venta de R$ 1.000.

Pero tres campañas diferentes de Meta participaron en ese recorrido.

Cuando observamos cada campaña de forma aislada dentro de la plataforma, podemos perder precisamente esa relación.

Dependiendo de las reglas de atribución y de cómo se analicen los informes, la misma conversión puede aparecer asociada a diferentes interacciones o campañas, creando la impresión de que cada campaña tiene su propio resultado económico independiente.

El riesgo es interpretar algo como:

Campaña de Descubrimiento
→ participó en R$ 1.000 de ingresos
Campaña de Consideración
→ participó en R$ 1.000 de ingresos
Campaña de Remarketing
→ participó en R$ 1.000 de ingresos

como si eso significara:

R$ 1.000
+
R$ 1.000
+
R$ 1.000
=
R$ 3.000 de facturación

Pero la empresa no facturó R$ 3.000.

Facturó:

UNA VENTA
R$ 1.000

Las tres campañas participaron en la adquisición de la misma venta.

Para entender la economía real de ese recorrido, una posibilidad es invertir el cálculo.

En lugar de preguntar individualmente:

¿Cuántos ingresos se atribuyó cada campaña?

podemos preguntar:

¿Cuánto costaron todas las acciones de marketing que participaron en la adquisición de esta venta?

Imagina:

Campaña de Descubrimiento
Costo: R$ 80
Campaña de Consideración
Costo: R$ 50
Campaña de Remarketing
Costo: R$ 70

El costo observado de ese recorrido sería:

R$ 80 + R$ 50 + R$ 70
=
R$ 200

para una venta real de:

R$ 1.000

Entonces, desde esta perspectiva del recorrido:

Ingresos reales: R$ 1.000
Costo de las campañas participantes: R$ 200
ROAS del recorrido = 5

Esto es conceptualmente diferente de asignar los mismos R$ 1.000 íntegramente a cada campaña y calcular tres retornos independientes.

Y este problema no ocurre solamente entre plataformas diferentes.

Podemos tener superposición entre:

Meta × Google

pero también entre:

Campaña Meta A
      ×
Campaña Meta B
      ×
Campaña Meta C

e incluso entre diferentes anuncios, conjuntos de anuncios y puntos de contacto dentro de la misma plataforma.

Cuanto más largo sea el recorrido, mayor será la posibilidad de que diferentes acciones de marketing participen en la misma venta.

Por eso, una pregunta especialmente útil deja de ser:

¿Qué campaña ganó esta venta?

y pasa a ser:

¿Qué campañas participaron en esta venta y cuánto costó construir esta adquisición?

Esto no vuelve inútil el ROAS presentado por la plataforma.

Sigue siendo una métrica importante para la optimización dentro de ese ecosistema.

El cuidado está en no interpretar automáticamente:

ROAS reportado por cada campaña
=
retorno financiero independiente generado por cada campaña

cuando varias de esas campañas pueden estar participando en las mismas ventas.

Para una operación sencilla:

Campaña
   ↓
Anuncio
   ↓
Compra

esa diferencia puede ser lo suficientemente pequeña como para no importar.

Pero en una operación con descubrimiento, consideración, contenido, remarketing y múltiples puntos de contacto, analizar el recorrido permite ver algo que una campaña aislada no muestra:

el costo combinado de las acciones de marketing necesarias para transformar a una persona que todavía no estaba preparada para comprar en una venta real.

¿Y si GA4 muestra menos conversiones que tu checkout?

Eso tampoco significa automáticamente que GA4 esté “equivocado”.

GA4 depende de su capacidad para observar eventos.

Existen varias razones por las que una venta real puede no aparecer correctamente en una herramienta de analytics:

• implementación incompleta;
• problemas de etiquetado;
• cambio de dominio;
• checkout externo;
• bloqueadores;
• consentimiento;
• pérdida de identificadores;
• fallos en el envío de eventos;
• usuarios que regresan desde otro contexto o dispositivo.

El punto importante es:
una herramienta de analytics no debería tratarse automáticamente como tu base financiera de ventas.

Si tu checkout tiene 81 ventas aprobadas y GA4 registró 63 eventos de compra, la primera pregunta debería ser:

¿Por qué no conseguimos observar o relacionar las otras 18?

y no:

¿Realmente ocurrieron esas otras 18 ventas?

Comparar Meta Ads directamente con GA4 puede ser la pregunta equivocada

Cuando alguien coloca ambos paneles uno al lado del otro:

Meta Ads: 100 conversiones
GA4:       63 conversiones

es tentador concluir que existe un error del 37%.

Pero esa comparación mezcla problemas diferentes.

Antes de buscar el error, necesitamos saber:

• ¿ambos están analizando el mismo período?
• ¿la definición de conversión es la misma?
• ¿ambos utilizan la misma fecha para registrar la venta?
• ¿las ventanas de atribución son equivalentes?
• ¿el modelo de atribución es el mismo?
• ¿los eventos llegan correctamente a ambos sistemas?
• ¿existe deduplicación?
• ¿la venta ocurre en otro dominio?
• ¿estamos comparando ventas reales o conversiones atribuidas?
• ¿cuántas ventas aparecen simultáneamente en ambas plataformas?

Sin responder estas preguntas, la diferencia numérica por sí sola dice muy poco.

El primer número que deberías comprobar es el número de ventas reales

Una forma más segura de comenzar el análisis es invertir la lógica.

En lugar de empezar por los paneles publicitarios:

META ADS
   ↓
¿Cuántas ventas?
GOOGLE ADS
   ↓
¿Cuántas ventas?
GA4
   ↓
¿Cuántas ventas?

comienza por la realidad transaccional:

CHECKOUT / SISTEMA DE PAGO
        ↓
81 ventas reales
        ↓
¿Qué recorridos terminaron en estas ventas?

Ahora podemos analizar esas 81 ventas.

Para cada una queremos entender cosas como:

Venta #9281
R$ 897
Primer contacto:
Meta Ads
Puntos intermedios:
Google orgánico
Email
Último contacto:
Google Ads
Tiempo hasta la conversión:
37 días

Y algunas simplemente pueden aparecer como:

Venta #9304
R$ 597
Recorrido:
no identificado

Eso no invalida las demás.

La pregunta deja de ser:

¿Cuántas ventas dice Meta que generó?

y pasa a ser:

De las ventas que realmente ocurrieron, ¿qué recorridos conseguimos observar y qué canales participaron en ellos?

Parece un cambio pequeño, pero modifica por completo la forma de analizar la adquisición.

Aquí es donde una capa independiente de atribución marca la diferencia

En una venta directa:

Meta Ads → Checkout → Compra

quizás no necesites nada de esto.

Si prácticamente toda la adquisición ocurre dentro de un único canal y la conversión sucede poco después del clic, el propio panel de la plataforma publicitaria puede ofrecer información suficiente para tomar decisiones.

Ahora considera:

Meta Ads
   ↓
Instagram orgánico
   ↓
Google
   ↓
Blog
   ↓
Email
   ↓
Google Ads
   ↓
Remarketing en Meta
   ↓
Venta 60 días después

En este escenario, depender exclusivamente de cada plataforma para explicar la adquisición significa pedirle a cada participante que cuente su propia versión de la historia.

Una capa independiente permite comenzar por la conversión real y reconstruir el recorrido que llevó hasta ella.

Y existe otra diferencia importante: permite saber qué ventas realmente estamos consiguiendo observar, en lugar de inferir la cobertura sumando los números presentados por diferentes plataformas.

Cómo Vestige Metrics aborda este problema

Vestige Metrics parte de la relación entre el recorrido de adquisición y la conversión real.

Una venta recibida mediante una integración no tiene que existir solamente como un número agregado dentro de un panel.

Puede relacionarse con los accesos que ocurrieron antes.

Por ejemplo:

VENTA #9281
R$ 897
        ↓
Recorrido de 37 días
        ↓
Meta Ads
        ↓
Google orgánico
        ↓
Email
        ↓
Google Ads
        ↓
Venta

Esto permite analizar diferentes perspectivas sin fingir que solamente existió un punto del recorrido.

Podemos preguntar:

• ¿quién inició la adquisición?
• ¿cuál fue el último punto de contacto?
• ¿qué canales participaron en el medio?
• ¿cuánto tiempo tardó en ocurrir la venta?
• ¿qué campañas aparecen en recorridos que convierten?
• ¿cuántas ventas reales tuvieron participación de un determinado canal?
• ¿qué porcentaje de las ventas tiene un recorrido identificado?
• ¿cuántas ventas todavía no tienen información suficiente?

La idea no es decidir que Meta o GA4 están “equivocados”.

Tampoco es prometer que todos los recorridos pueden conocerse perfectamente.

La idea es tener una referencia independiente para comprender qué conseguimos observar antes de las conversiones reales, qué cobertura tiene esa información y qué patrones aparecen en esos recorridos.

Entonces, ¿cuál es correcto: GA4 o Meta Ads?

Si la pregunta es:

¿Cuántas ventas ocurrieron realmente?

comienza por el sistema donde realmente ocurrió la transacción.

Si la pregunta es:

¿Cuántas ventas atribuyó Meta a mis campañas?

mira Meta Ads.

Si la pregunta es:

¿Cómo atribuyó GA4 las conversiones que consiguió observar?

mira GA4.

Y si la pregunta es:

¿Cuál fue el recorrido de los clientes que compraron y qué canales participaron?

entonces necesitas relacionar las conversiones reales con los puntos de contacto anteriores.

No necesitas fingir que conoces el 100% de los recorridos para empezar a aprender de ellos.

Una parte de las ventas puede continuar sin atribución.

Lo importante es conocer tu cobertura, entender los posibles sesgos y disponer de una muestra suficientemente representativa para la decisión que quieres tomar.

Y, principalmente, no confundir:

Meta: 50 ventas
+
Google: 50 ventas

con:

100 ventas diferentes identificadas

Las mismas ventas pueden estar presentes en ambos grupos.

De la misma forma, varias campañas dentro de la propia Meta pueden haber participado en una misma venta.

Por eso, cuando GA4 y Meta Ads muestran números diferentes, la pregunta más útil normalmente no es:

¿Cuál de los dos está equivocado?

Es:

¿Qué está midiendo exactamente cada número, qué ventas existen detrás de él y cuánto se superponen esas poblaciones?

Cuando conseguimos responder esto, la divergencia deja de parecer un defecto misterioso.

Pasa a revelar la diferencia entre ventas reales, cobertura de tracking y atribución: tres cosas que pueden parecer iguales cuando observamos solamente los números de los paneles, pero que representan problemas completamente diferentes.