Las métricas predictivas de GA4 —probabilidad de compra, probabilidad de abandono e ingresos previstos— llevan disponibles en la plataforma desde 2021, pero la mayoría de las propiedades que las activan nunca llegan a ver una cifra. Google exige un volumen de datos muy concreto y buena parte de los negocios de Barcelona, sobre todo los que no venden online, se quedan por debajo. Sirven para anticipar qué usuario va a comprar en los próximos siete días, cuál va a dejar de visitar la web y cuánto va a generar cada uno, y alimentan directamente las audiencias predictivas que se activan en Google Ads. Antes de configurar nada conviene saber qué exige cada métrica y en qué sector es realista alcanzarla.
Las tres métricas predictivas de GA4
GA4 calcula tres métricas con aprendizaje automático a partir del comportamiento histórico de cada propiedad. La probabilidad de compra estima si un usuario activo en los últimos 28 días va a completar una compra en los próximos siete. La probabilidad de abandono calcula si alguien activo la última semana va a dejar de estarlo en la siguiente, y es la única de las tres que no necesita eventos de venta. Los ingresos previstos suman el dinero que va a generar cada usuario activo en los próximos 28 días a partir de sus compras. Las tres se recalculan cada día y aparecen como dimensiones y métricas normales en informes y exploraciones, listas para cruzarlas con canal, campaña o categoría de producto.
Google define la probabilidad de abandono como la «probabilidad de que un usuario que haya estado activo en su aplicación o sitio en los últimos 7 días no lo esté en los próximos 7 días».
| Métrica | Qué predice | Evento necesario | Usuarios mínimos en 28 días |
|---|---|---|---|
| Probabilidad de compra | Compra en los próximos 7 días | purchase (o in_app_purchase) | 1.000 con la condición y 1.000 sin ella |
| Probabilidad de abandono | Inactividad en los próximos 7 días | Ninguno: basta con usuarios activos | 1.000 con la condición y 1.000 sin ella |
| Ingresos previstos | Ingresos en los próximos 28 días | purchase con value y currency | 1.000 con la condición y 1.000 sin ella |
Los 1.000 usuarios que exige el modelo predictivo
El requisito no es de tráfico total sino de comportamiento repetido: Analytics necesita ver, en una ventana móvil de 28 días, al menos 1.000 usuarios recurrentes que hayan cumplido la condición —comprado, o dejado de estar activos— y otros 1.000 que no la hayan cumplido. Por debajo de ese umbral el modelo no llega a entrenarse y la métrica aparece vacía en el informe.
- Menos de 1.000 compras en 28 días, el motivo más habitual en negocios locales que no son grandes tiendas online.
- El evento purchase llega sin los parámetros value y currency, así que Analytics no lo cuenta como una compra válida.
- Campañas estacionales que concentran las ventas en unas semanas y dejan el resto del año por debajo del umbral.
El evento que hace falta para compra e ingresos previstos
Probabilidad de compra e ingresos previstos comparten el mismo requisito técnico: la propiedad tiene que enviar el evento purchase con los parámetros value y currency, o el evento in_app_purchase si la medición es de una aplicación. Sin ese evento configurado, Analytics no tiene con qué entrenar el modelo y las dos métricas no aparecen, por mucho tráfico que reciba la web. Es el motivo por el que una consultora que solo mide formularios de contacto nunca va a ver probabilidad de compra: no vende nada dentro de la web, así que no hay evento que registrar. La probabilidad de abandono no tiene esta limitación, y se explica en el apartado siguiente.
Ecommerce: el sector que mejor cumple los requisitos
Una tienda online con recurrencia de compra decente —moda, alimentación, cosmética— es el perfil que más rápido alcanza el umbral, porque cada venta genera de forma automática el evento purchase con value y currency. En una propiedad con varios miles de sesiones mensuales y una tasa de conversión del 1-2%, los 1.000 compradores en 28 días se alcanzan con un volumen de tráfico moderado, no hace falta ser un gran marketplace.
El caso de una tienda con tráfico estable
Una tienda de accesorios con unas 40.000 sesiones mensuales y una tasa de conversión del 1,3% genera en torno a 520 compras al mes, unas 1.040 en 28 días si el ritmo se mantiene estable: justo por encima del umbral. El problema típico no es el volumen total sino su reparto: si la mitad de las ventas se concentra en un Black Friday y el resto del año se queda en 300-400, el modelo se entrena en noviembre y deja de actualizarse en febrero. Conviene revisar la métrica cada mes, no darla por activada una vez y olvidarla, porque el umbral se mide con una ventana móvil, no con un histórico acumulado.
El obstáculo del B2B para activar predicciones
Una consultora, un despacho de arquitectura o un fabricante industrial que vende por presupuesto no generan el evento purchase dentro de la web: la venta se cierra por teléfono o en una reunión, no en un carrito. Eso deja fuera, de raíz, la probabilidad de compra y los ingresos previstos, por muchas visitas que reciba la web.
La probabilidad de abandono funciona sin ventas
La probabilidad de abandono no exige el evento purchase: le basta con usuarios que hayan estado activos en los últimos siete días, así que una consultora de Barcelona que mida visitas recurrentes a su blog o a su área de cliente sí puede entrenarla, aunque cierre cero ventas dentro de la web. El umbral de 1.000 usuarios con la condición y 1.000 sin ella sigue aplicando, así que hace falta un volumen de usuarios recurrentes que muchas webs B2B, con tráfico mayoritariamente nuevo, no alcanzan. Donde sí suele funcionar es en propiedades con área de cliente, portal de soporte o comunidad, porque generan las visitas repetidas que el modelo necesita para distinguir quién se va a ir de quién se va a quedar.
Audiencias predictivas en Google Ads y Looker Studio
Las tres métricas no se quedan en el informe: GA4 las usa para construir audiencias predictivas, un tipo de audiencia que agrupa a los usuarios con más probabilidad de compra o más riesgo de abandono y que se puede exportar directamente a Google Ads para pujar más alto por quien está a punto de comprar o para recuperar a quien va a dejar de visitar la web. También están disponibles como dimensión en la técnica de exploración Tiempo de vida de los usuarios, donde se pueden cruzar con canal de adquisición, categoría de producto o región para ver en qué segmento conviene invertir más presupuesto. Para una empresa con varias líneas de negocio —por ejemplo, una que atiende tanto a industria como a distribución— esto permite tratar cada audiencia de forma distinta en lugar de aplicar la misma puja a todo el tráfico. Antes de activar campañas sobre estas audiencias conviene revisar la configuración de analítica web del sitio: si el evento purchase no lleva bien los parámetros value y currency, la audiencia se construye con datos incompletos y las pujas se optimizan sobre una base equivocada.
Preguntas frecuentes sobre métricas predictivas de GA4
¿Cuánto tarda GA4 en activar las métricas predictivas?
En cuanto la propiedad supera los 1.000 usuarios con la condición y 1.000 sin ella en una ventana de 28 días, Analytics empieza a entrenar el modelo de forma automática, sin que haga falta activar nada en la configuración. La métrica suele aparecer en los informes entre uno y varios días después de cruzar el umbral.
¿Se puede forzar la probabilidad de compra sin el evento purchase?
No. Analytics necesita el evento purchase con los parámetros value y currency, o in_app_purchase en aplicaciones, para entrenar ese modelo concreto. Sin ninguno de los dos, la métrica no se calcula por mucho tráfico o mucha conversión de leads que registre la propiedad.
¿Qué pasa si la propiedad deja de cumplir el umbral?
Analytics conserva el histórico ya calculado, pero deja de actualizar la predicción hasta que el volumen de usuarios recurrentes vuelve a superar los 1.000 con la condición y 1.000 sin ella en la ventana móvil de 28 días. No hay que reactivarla a mano: se retoma sola en cuanto se recupera el dato.
¿Las audiencias predictivas cuestan más en Google Ads?
No tienen coste adicional: se configuran igual que cualquier otra audiencia de GA4 vinculada a la cuenta de Google Ads. Lo que cambia es la puja, porque el anunciante decide invertir más en usuarios con alta probabilidad de compra o de recuperar a los que el modelo marca con riesgo de abandono.