Cómo conectamos Google Ads, Meta, LinkedIn y GA4 con un único agente, y qué se hizo visible cuando los datos dejaron de vivir en sitios separados.
Uno de los grandes problemas a la hora de analizar campañas de marketing es la fragmentación de la información.
Cada plataforma publicitaria ofrece sus propios datos de rendimiento y, en muchos casos, utiliza modelos de atribución que tienden a favorecer a la propia plataforma. Herramientas como Analytics, por su parte, pueden ofrecer una lectura distinta de esos mismos resultados. Obtener una visión global y coherente del rendimiento de las campañas resulta, en consecuencia, complejo.
En este proyecto la discrepancia no fue sutil. Durante los mismos 91 días, Google Ads declaró 2.287 conversiones mientras GA4 registraba 1.075 eventos clave en todo el sitio: la plataforma reclamaba más del doble de los resultados medibles de todos los canales juntos.
Los agentes de inteligencia artificial nos permiten abordar el problema de otra forma. A través de uno o varios MCPs conectamos el agente directamente con las distintas fuentes de datos, accedemos a la información mediante lenguaje natural y la analizamos del mismo modo.
En este ejemplo hemos utilizado el MCP de Coupler.io, que centraliza en una única plataforma la información procedente de nuestras diferentes fuentes de marketing.
Una vez conectados los datos, podemos incorporar Skills especializados: conjuntos de instrucciones que el agente lee y aplica de forma consistente.
Un Skill de visualización de datos construye una visión detallada y unificada del rendimiento de las campañas, con independencia de la plataforma de origen. Además impone reglas que a mano es fácil saltarse: entre ellas, que el color nunca se juzga a ojo, se mide. Aplicada aquí, rechazó nuestra primera paleta por ser demasiado parecida para distinguirse con fiabilidad, y la sustituimos.
El gasto sale de Google Ads, Meta y LinkedIn. Las sesiones, los eventos clave y los ingresos salen de GA4, medidos igual para todos los canales — que es lo que permite ponerlos en las mismas filas.
| Canal | Gasto | Sesiones | Eventos clave | Tasa | Ingresos | € / sesión |
|---|---|---|---|---|---|---|
| Google Ads · pago | 15.415 € | 13.513 | 614 | 4,54 % | 27.772 € | 2,06 € |
| Meta · pago | 14.596 € | 8.367 | 292 | 3,49 % | 100 € | 0,01 € |
| LinkedIn · pago | 8.665 USD | 13.762 | 19 | 0,14 % | 0 € | 0,00 € |
| Directo | — | 10.880 | 269 | 2,47 % | 72.570 € | 6,67 € |
| Búsqueda orgánica | — | 4.903 | 238 | 4,85 % | 17.998 € | 3,67 € |
| Referral | — | 1.825 | 75 | 4,11 % | 10.741 € | 5,89 € |
| Social orgánico | — | 1.491 | 83 | 5,57 % | 1.391 € | 0,93 € |
A partir de ahí, un Skill de Marketing Analytics lleva el análisis mucho más lejos: cruzar métricas entre plataformas, detectar patrones, identificar anomalías y descubrir insights que la fragmentación hacía muy difíciles —o directamente imposibles— de obtener.
Las tres plataformas compraron un número parecido de clics — entre 19.898 y 21.691 — con presupuestos del mismo orden. A partir de ahí no se parecen en nada. Siguiendo el mismo embudo en las tres, cada una se rompe en un sitio distinto, y una de ellas no se rompe hasta el final.
de los clics de LinkedIn se registra como sesión, el mejor dato de las tres plataformas. Por delante de Google Ads, que se queda en 65,0 %.
de esas sesiones llega a convertir. Google Ads está en 4,54 % y Meta en 3,49 %: entre 25 y 32 veces por encima.
de inversión en LinkedIn durante el periodo, para 19 eventos clave y 0 € de ingresos atribuidos.
El objetivo no es únicamente comprender qué ha ocurrido. Sobre ese mismo análisis, el agente propone acciones concretas orientadas a optimizar la inversión, corregir ineficiencias y mejorar el rendimiento de las campañas.
Pasamos de analizar cada plataforma por separado a una capa inteligente que conecta los datos, los interpreta en conjunto y los convierte en decisiones. Y el primer hallazgo no estaba en ninguna plataforma: estaba en la que faltaba.