Marketing analytics · Social media
Social Media
Performance
2025 vs 2024 · comparativa interanual de marketing en Power BI
scroll ↓
El problema
Cada KPI contaba una parte de la historia.
Al revisar el rendimiento de marketing, los principales KPIs se analizaban por separado. Esto hacía difícil entender cómo se relacionaban entre sí los resultados, la inversión y la eficiencia.
Mi objetivo fue reunirlos en un mismo análisis para poder comparar 2025 con 2024 utilizando el mismo criterio.
El objetivo
¿La inversión estaba funcionando mejor que el año anterior?
Quería responder una pregunta sencilla: ¿estábamos consiguiendo mejores resultados con la inversión realizada en 2025?
Para responderla, comparé los principales indicadores con 2024 y puse los KPIs bajo el mismo marco de referencia: impresiones, Alcance, Engagement, Clicks, CTR, Gasto, Conversiones, CPC y Conversiones €. Filtrados por plataforma, tipo de post, campaña y mes.
No buscaba únicamente ver si una cifra había subido o bajado, sino entender qué había detrás de ese cambio.
métricas analizadas juntas
formas de cruzar los datos
menos gasto, mismo resultado
Mi enfoque
Comparar KPIs es más útil cuando todos hablan el mismo idioma.
Uno de los primeros pasos fue definir un marco común para los indicadores. Revisé las métricas, sus definiciones y la forma en la que se calculaban para asegurar que la comparación entre años fuese coherente.
Así podía analizar diferentes KPIs sin perder de vista qué estaba midiendo cada uno.
Valor actual vs. año anterior
Cada KPI se muestra junto al mismo dato del año pasado. Así puedo ver enseguida si algo mejoró o empeoró, sin buscar el dato de comparación por separado.
Sparkline mensual
Un pequeño gráfico de tendencia dentro de cada tarjeta. Sirve para ver si un KPI llevaba tiempo subiendo o bajando, sin cambiar de página para comprobarlo.
Boosted vs. orgánico
Un filtro para separar los posts con inversión publicitaria de los que no la tienen. Mezclarlos puede ocultar un buen resultado orgánico detrás de una campaña pagada, o al revés.
Modelo de datos
Organicé los datos en un esquema en estrella.
Para poder analizar los resultados desde diferentes perspectivas, estructuré los datos en un modelo dimensional: una tabla de hechos (fact_table) y siete dimensiones: Calendario, Plataforma, Contenido, Campaña, TipoPost, Target Audiencia y Boosted. Para poder cruzar la información por plataforma, tipo de contenido, campaña y otras variables del análisis.
Esta estructura también me permitió mantener los cálculos de Power BI más ordenados y facilitar el análisis posterior.
No construí el modelo porque «un esquema en estrella es una buena práctica». Lo construí porque necesitaba analizar los KPIs desde diferentes perspectivas sin duplicar lógica ni perder consistencia.
Esquema
Visualización en Power BI
Nueve KPIs para leer el rendimiento desde la misma perspectiva.
Con el modelo preparado, reuní los principales indicadores en un mismo dashboard. La idea era que una persona pudiera pasar de una visión general a los detalles sin tener que cambiar de criterio entre métricas. El dashboard permite comparar los resultados con el periodo anterior y detectar rápidamente dónde se producen los principales cambios.
A primera vista, los resultados parecían peores. Al comparar dos cifras, la historia cambia.
Si miro únicamente las impresiones, el resultado parece negativo:
Impresiones −12,8%
Pero al compararlas con la inversión:
Gasto −26,3%
La lectura cambia: la inversión cayó más que las impresiones. Por eso, mirar una métrica de forma aislada podía llevar a una conclusión incompleta.
Este fue uno de los puntos que más me interesó del análisis: una cifra puede parecer negativa hasta que la ponemos en contexto.
Hallazgos clave
El volumen bajó, pero eso no significa automáticamente que la eficiencia empeorara.
Para evitar interpretar los resultados mirando una única métrica, separé dos conceptos:
Volumen
Mide cuánto resultado se consiguió. Es útil para saber si la actividad aumentó o disminuyó, pero por sí solo no explica cuánto costó conseguirla.
Eficiencia
Relaciona el resultado obtenido con la inversión realizada. Permite entender si estamos utilizando los recursos de forma diferente respecto al periodo anterior.
Por eso, en este análisis no me quedé únicamente con «los resultados han bajado». La siguiente pregunta fue: ¿cuánto hemos invertido para conseguirlos?
Herramientas
Las herramientas que utilicé
Para construir este análisis trabajé principalmente con:
Power BI
Para modelar los datos, crear las medidas y construir el dashboard completo.
DAX
Para escribir las medidas que comparan cada indicador con el año anterior.
Tabla desconectada
Para poder cambiar el periodo analizado sin romper la comparación entre años.
Esquema en estrella
Para organizar los datos con una tabla central y siete dimensiones, y poder cruzarlos desde distintos ángulos.
Sparklines
Para ver la tendencia de cada KPI de un vistazo, sin salir de la tarjeta.
Comparativa YoY
Para que cada métrica se lea siempre junto a su valor del año anterior.
Un detalle técnico
Una tabla desconectada me permitió simplificar la lectura de los KPIs.
Una de las partes que más me interesó del desarrollo fue utilizar una tabla desconectada en Power BI para controlar qué KPI se mostraba en determinadas visualizaciones. Esto permitió mantener una misma estructura visual y cambiar el indicador sin tener que crear un gráfico diferente para cada métrica.
Es un detalle técnico relativamente pequeño, pero me ayudó a mantener el dashboard más limpio y, sobre todo, a evitar repetir visualizaciones innecesariamente. También aprendí que nueve KPIs en una sola página solo funcionan si el diseño tiene una jerarquía clara Sin ella, la densidad de información paraliza al usuario en lugar de orientarlo.
De «los resultados cayeron» a entender qué estaba pasando realmente.
Este proyecto me sirvió para comprobar algo que intento aplicar cada vez que trabajo con datos: una métrica aislada rara vez cuenta toda la historia.
Al poner los indicadores en contexto pude diferenciar entre una caída en volumen y un cambio en eficiencia, y entender mejor qué podía estar detrás de los resultados.
Para mí, esa es una de las partes más interesantes del trabajo de un Data Analyst: pasar de observar números a encontrar la pregunta que hay detrás de ellos.
Dashboard interactivo publicado en Power BI Service
Portfolio completo de Power BI