Hay un momento que todo analista acaba viviendo tarde o temprano.

Abrimos Adobe Analytics, revisamos conversiones y todo parece normal… hasta que alguien de negocio entra en la reunión y dice:

“Nosotros tenemos 12.000 ventas y Adobe muestra 10.800. ¿Qué está pasando?”

Nuestra primera reacción muchas veces es pensar que la implementación está rota. Pero con el tiempo entendemos algo importante: los datos rara vez coinciden al 100% entre herramientas distintas. Y no siempre significa que Adobe Analytics esté mal.

De hecho, las discrepancias entre Adobe Analytics, CRM, ERP, BI o incluso GA4 son uno de los problemas más comunes en cualquier equipo de analítica digital.

La clave no está en obsesionarse con que todo cuadre al céntimo. La clave está en entender:

• qué mide cada herramienta
• cómo lo mide
• y cuándo una discrepancia es normal… o peligrosa

La verdad incómoda: ninguna herramienta mide exactamente lo mismo

Este es el error conceptual más frecuente.

Muchos equipos comparan métricas que parecen iguales, pero que en realidad no lo son.

Por ejemplo:

• Adobe Analytics puede atribuir una compra a una sesión concreta.
• El CRM puede registrar la venta horas después.
• El ERP puede eliminar pedidos cancelados.
• BI puede trabajar con otra timezone.
• GA4 puede usar otro modelo de atribución.

Resultado: todos “tienen razón” y aun así los números no coinciden.

Negocio suele pensar en ingresos reales.
Analytics suele pensar en eventos medidos.
Y esas dos cosas no siempre son idénticas.

Cuando entendemos eso, dejamos de buscar una “fuente mágica de verdad” y empezamos a diagnosticar correctamente.

Las 5 causas más comunes de discrepancias en Adobe Analytics

1. Diferencias de atribución

Esta probablemente es la causa número uno.

Adobe Analytics puede atribuir una conversión al último canal de marketing, mientras que negocio o CRM usan:

• first touch
• last non-direct
• linear attribution
• ventanas temporales distintas

Imaginemos esto:

• Un usuario entra desde Google Ads.
• Vuelve dos días después desde email.
• Compra una semana más tarde escribiendo la URL directa.

Dependiendo del modelo:

• Adobe puede dar el mérito al email.
• CRM al paid media.
• BI al canal directo.

Todos los datos serán diferentes.

Y ninguno necesariamente incorrecto.

2. Consentimiento y pérdida de tracking

Cada vez más usuarios rechazan cookies.

Y eso tiene un impacto enorme en herramientas como Adobe Analytics.

Además:

• Safari bloquea tracking agresivo.
• Los adblockers eliminan requests.
• Algunas CMPs bloquean eventos antes de aceptarse consentimiento.

Negocio ve la venta porque existe en backend.
Adobe no siempre la ve porque el navegador nunca envió el hit.

Esto genera diferencias especialmente grandes en:

• mobile
• iOS
• mercados europeos
• tráfico Safari

Muchas veces el problema no es la herramienta. Es el ecosistema actual de privacidad.

3. Zonas horarias mal configuradas

Parece una tontería, pero provoca auténticas pesadillas.

Hemos visto casos donde:

• el ERP estaba en UTC
• Adobe Analytics en CET
• BigQuery en otra timezone distinta

Resultado:

• las ventas “desaparecían” durante ciertas horas
• los cierres diarios nunca coincidían
• los dashboards parecían rotos

Especialmente en ecommerce internacional, esto puede provocar diferencias enormes.

Antes de tocar nada técnico, conviene revisar:

• timezone del report suite
• timezone de backend
• timezone del dashboard
• timezone del CRM

Sorprendentemente, muchísimas discrepancias vienen de aquí.

4. Bots, adblockers y restricciones del navegador

Adobe Analytics no mide el 100% del tráfico real.

Y eso es normal.

Algunos usuarios:

• bloquean JavaScript
• usan extensiones de privacidad
• navegan con Brave
• bloquean requests de analytics

Además, los bots pueden afectar datos si no están filtrados correctamente.

Esto genera diferencias entre:

• logs servidor
• ERP
• CRM
• Adobe Analytics

Muchas veces negocio compara:

“pedidos reales”

contra:

“usuarios trackeados”

Y no son exactamente el mismo universo.

5. Implementaciones rotas o incompletas

Aquí sí entramos en problemas reales.

Hemos visto implementaciones donde:

• el evento purchase dispara dos veces
• el data layer cambia según el dispositivo
• el checkout rompe variables
• ciertas páginas no cargan Adobe Launch
• los eventos llegan sin IDs de transacción

En esos casos, sí hablamos de tracking defectuoso.

Las señales más típicas son:

• diferencias superiores al 20-30%
• caídas repentinas
• picos imposibles
• métricas inconsistentes entre dispositivos

Cuando pasa esto, hay que auditar la implementación cuanto antes.

El error más común: comparar métricas que no son equivalentes

Este punto merece una sección propia.

Muchísimas discusiones vienen simplemente de comparar cosas distintas.

Ejemplos clásicos:

• sesiones vs usuarios
• pedidos vs ingresos
• conversiones atribuidas vs conversiones reales
• visitas vs visitantes únicos

Una vez entendemos esto, cambia completamente la forma de validar datos.

Antes pensamos:

“Los números deberían coincidir.”

Ahora pensamos:

“¿Estamos comparando exactamente la misma definición?”

Y esa pregunta suele resolver media discusión.

Checklist para diagnosticar discrepancias paso a paso

Cuando negocio dice:

“Los datos no cuadran”

nosotros seguiríamos este orden.

Revisar el data layer

Primero:

• ¿los valores existen?
• ¿llegan correctamente?
• ¿hay nulls?
• ¿hay cambios por entorno?

El problema muchas veces empieza aquí.

Comparar frontend vs backend

Hay que entender:

• qué genera el navegador
• qué registra el servidor

Si backend tiene más conversiones que Adobe, probablemente hay pérdida de tracking.

Validar eventos de compra

Comprobar:

• purchase events
• transaction IDs
• currency
• duplicados
• timing de disparo

Muchísimas discrepancias vienen de eventos mal configurados.

Revisar filtros y segmentos

Un simple segmento mal aplicado puede cambiar totalmente los datos.

Especialmente:

• tráfico interno
• bots
• países
• dispositivos
• entornos QA

Auditar reglas de atribución

Aquí suele esconderse gran parte del problema.

Conviene revisar:

• attribution windows
• marketing channels
• expiration settings
• processing rules

Adobe Analytics es extremadamente flexible. Y precisamente por eso puede generar diferencias enormes si no se gobierna bien.

Caso real: cómo detectamos una discrepancia del 18% en conversiones

En un proyecto ecommerce, negocio reportaba unas 14.000 conversiones mensuales mientras Adobe mostraba poco más de 11.500.

Al principio parecía un problema grave.

La primera hipótesis fue pensar que Adobe estaba perdiendo datos. Pero después de revisar:

• consent
• adblockers
• timezone
• bots

descubrimos el verdadero problema.

El evento purchase no se disparaba correctamente en ciertos flujos de PayPal mobile.

El usuario completaba la compra.
El ERP registraba el pedido.
Pero el navegador nunca enviaba el evento final a Adobe.

Resultado:

• negocio veía la venta
• Adobe no

La discrepancia desapareció casi por completo después de corregir el flujo.

Y sí: aquel día entendimos que las discrepancias rara vez tienen una única causa.

Cuándo debes preocuparte de verdad

No todas las diferencias son peligrosas.

De hecho, pequeñas discrepancias son completamente normales.

Como referencia general:

• diferencias del 5-10% suelen ser aceptables
• más del 15-20% requiere investigación
• cambios bruscos repentinos casi siempre indican problemas

Lo importante es:

• entender la tendencia
• detectar anomalías
• y mantener consistencia

Perseguir una coincidencia del 100% entre sistemas suele ser una pérdida de tiempo.

---

Cómo explicarle estas diferencias a negocio sin perder credibilidad

Esta parte es casi más importante que la técnica.

Porque el problema no siempre es el dato.
Muchas veces es la confianza.

Algo que ayuda muchísimo es evitar frases como:

“Adobe está mal.”

Y empezar a hablar en términos de:

• modelos de medición
• diferencias metodológicas
• tracking frontend vs backend
• atribución

Cuando explicamos bien por qué los datos difieren, la conversación cambia completamente.

Negocio deja de pensar:

“Analytics falla.”

Y empieza a entender:

“Cada sistema responde preguntas distintas.”

Conclusión

Las discrepancias en Adobe Analytics no son una excepción. Son parte normal del trabajo en analítica digital.

El problema es que mucha gente intenta resolverlas buscando una única “verdad absoluta”, cuando en realidad cada plataforma mide desde perspectivas distintas.

La clave está en:

• entender cómo funciona cada fuente
• validar correctamente la implementación
• y saber distinguir entre discrepancias normales y errores reales

Porque al final, el analyst que aporta valor no es el que consigue números idénticos.

Es el que sabe explicar por qué no coinciden.