Todos los meses alguien de tu equipo arma el mismo reporte a mano: junta números de dos o tres proveedores, los cruza en una planilla y los presenta como si fuera un análisis propio. No lo es. Es el resumen que otro decidió mostrarte, calculado con la definición que otro decidió usar. Si mañana ese proveedor cambia su metodología, tu histórico se rompe y nadie te consultó.
Ese es el síntoma de un cambio más de fondo. Durante veinte años, comprar datos de mercado significó comprar un análisis: un informe producido una vez y vendido a todos los que pagaran la licencia. Ese modelo está perdiendo terreno. Lo que las empresas más sofisticadas piden ahora es el dato a nivel evento, en su propio poder, con un modelo de análisis diseñado para su negocio y nadie más. El valor se corrió del análisis hacia el dato, y todavía muy pocas empresas ajustaron su forma de comprar información en consecuencia.
Si la métrica no te pertenece, no tenés voto
El problema principal del modelo empaquetado es la dependencia. Si la definición de tu métrica la fija un tercero, cualquier revisión metodológica te llega sin aviso y sin posibilidad de objetarla. Es lo que le acaba de pasar a toda la industria de medición de TV en Estados Unidos: uno de los principales medidores de audiencia confirmó siete cambios metodológicos que entran en vigor a fin de mes y van a modificar en conjunto las estimaciones sobre las que se negocian los presupuestos publicitarios de la temporada. Ninguna marca que compra sobre esos números tuvo voz en la decisión.
El caso es de TV, pero el mecanismo se repite en cualquier industria donde una empresa reporta sobre un número que no controla: retail sobre paneles de consumo, canal sobre datos de partners, marketing sobre benchmarks de agencia. La pregunta que vale la pena hacerse no es si el proveedor es bueno. Es ¿qué pasa el día que cambia de criterio?
YouTube lo mostró dos veces en menos de dos años, y en direcciones opuestas. En agosto de 2026 empezó a contar una vista pública desde el primer frame, sin el piso mínimo de segundos que usaba antes (YouTube, 2026): los números subieron de un día para el otro sin que hubiera más audiencia real detrás, y quien comparaba contra su propio histórico se quedó sin poder hacerlo. Un año antes había pasado lo contrario: la plataforma empezó a filtrar impresiones que venía contando como vistas, y varios canales vieron caer su conteo público a la mitad de la noche a la mañana, con la facturación y el engagement real sin moverse. Suba o baje, el mecanismo es el mismo, y no es exclusivo de YouTube: Meta, Google y el resto de las plataformas cerradas deciden puertas adentro qué es un clic, qué es un lead o qué es una vista, sin auditoría externa posible. En el caso puntual de YouTube y de Google Ads, el propio registro de transparencia de log-files de la industria publicitaria les puso la calificación más baja, justo por no compartir ese nivel de detalle.
Los compradores dejaron de pedir reportes y empezaron a pedir el log
La respuesta lógica a esa dependencia es pedir el dato crudo en vez del reporte terminado, y ya es una tendencia consolidada entre los compradores más grandes de medios digitales. Varias de las plataformas de compra programática más importantes lanzaron productos de datos a nivel evento —cada impresión, con su detalle completo— pensados para que el anunciante construya su propio análisis en vez de depender del reporte estándar del proveedor.
El obstáculo hoy es contractual. Un relevamiento de la industria publicitaria sobre acceso a datos de log encontró que, de 67 anunciantes que mostraron interés inicial en obtener sus propios registros, solo 21 terminaron consiguiéndolo (AdExchanger, 2023). La razón más citada: la mayoría no tenía derecho contractual a acceder a un dato que generó con su propia inversión. A veces la cláusula está en el contrato con la agencia, a veces el proveedor directamente no tiene el producto para entregarlo.
Ahí está el punto que conviene subrayar: pagar para generar un dato y no tener derecho a verlo no es un problema técnico. Es lo primero que hay que revisar antes de asumir que "el dato es tuyo" porque lo pagaste.
La arquitectura que hizo esto posible
Nada de esto sería viable a un costo razonable si no hubiera cambiado la infraestructura por debajo. Tres cambios lo explican:
- El dato dejó de mudarse al proveedor. La discusión sobre si los datos del cliente viven en su propio warehouse o en un almacén propietario del vendor ya se resolvió, y ganó el warehouse. Identidad, almacenamiento y activación se separaron en piezas que se ensamblan en vez de comprarse como paquete cerrado.
- La data se entrega como producto, con dueño. Las organizaciones más avanzadas tratan sus datos igual que tratan el software: con responsable asignado, esquema explícito y niveles de servicio definidos.
- La capa semántica es donde vive la diferenciación. El problema casi nunca es falta de métricas; es que la misma métrica se define distinto en cada área. Revenue tiene una fórmula en finanzas, otra en ventas y una tercera en el dashboard de marketing.
Ese tercer punto explica el costo oculto de comprar un dataset empaquetado: comprás también la taxonomía de otro. Un estudio de consumo citado con frecuencia en la industria del branding lo ilustra bien: Una marca de cerveza y un energizante reconocido se habrían topado con un techo si hubieran aceptado la definición obvia de su categoría: cerveza blanca estilo belga, bebida energética premium. En cambio, entendieron que competían en un terreno mucho más amplio —un consumidor puede cambiar una cerveza por una margarita, o un energizante por un café o una barrita energética— y esa lectura les permitió crecer su penetración en el mercado estadounidense por encima del 5% y del 14% de la población adulta, respectivamente (Bain & Company, vía Koji, 2026). Ninguna jerarquía de categorías de un dataset sindicado iba a mostrar eso: la margarita no vive en la categoría cerveza, ni el café en la de energizantes. Para verlo hacía falta preguntarle a la gente qué tenía realmente en la cabeza al elegir, y esa es una pregunta que solo responde la investigación a medida.
Por qué esto se volvió urgente ahora
Todo lo anterior era cierto hace cinco años y nadie corría. Lo que cambió el ritmo es la IA, que convirtió un problema de calidad de datos en un cuello de botella de negocio visible: un modelo de datos genérico produce resultados genéricos, y eso deja de ser competitivo el día que tu competencia entrena sobre datos propios y gobernados. Investigaciones recientes de McKinsey sobre adopción de agentes de IA en empresas muestran el mismo patrón una y otra vez: casi dos tercios ya experimentaron con agentes, pero menos de una de cada diez los escaló a un uso real, y ocho de cada diez señalan la limitación de datos como el principal obstáculo (McKinsey, vía Covasant, 2026).
Lo que este modelo no resuelve
Conviene decirlo con la misma franqueza, porque construir a medida tampoco es gratis. Tres costos reales:
- Un modelo cien por ciento propio es una muestra de uno: no hay con qué comparar, ni un número que un tercero esté obligado a aceptar. Por eso lo sindicado no desaparece; sigue siendo el estándar de transacción del mercado.
- Tener el dato crudo sin capacidad de modelarlo genera una falsa sensación de control. La propia industria lo reconoce: la data a nivel evento existe, pero explotarla pide recursos técnicos que la mayoría todavía no tiene.
- El derecho contractual al dato no viene incluido por pagar el medio. Se negocia, y hay que revisarlo antes de firmar, no después.
El modelo correcto no es necesariamente reemplazar todo lo sindicado por algo propio. Al final, se trata de saber qué conviene comprar empaquetado —lo que necesita ser comparable— y qué construir a medida —lo que necesita ser exclusivo.
Tres preguntas para hacerle a tus proveedores esta semana
¿Tengo derecho contractual al dato a nivel evento que genera mi propia inversión? ¿Quién define las métricas sobre las que tomo decisiones? ¿El análisis que estoy comprando se lo están vendiendo también a mi competencia?
En Portinos venimos ayudando a empresas a convertir datos dispersos en decisiones propias, con modelos y paneles diseñados para su negocio.
