«¿Cuál es la conversión media en e-commerce?» es una pregunta que se hace miles de veces al mes y casi siempre lleva al sitio equivocado. Una media ajena mezcla sectores, tickets y modelos de negocio, así que mide a todos y a nadie. Esta guía explica por qué los benchmarks decepcionan, qué poner en su lugar (una norma propia y unos cuantos umbrales aritméticos) y cómo esa tabla de normas convierte las revisiones de resultados: de compararse con una leyenda a leer la propia tienda.
Demostración
Misma conversión, dos negocios distintos
Una cifra, dos tiendas, ninguna conclusión común:
Tienda A · accesorios, ticket de 15 €
Tienda B · muebles, ticket de 225 €
El mismo valor es una señal de alarma en una tienda y motivo de orgullo en la otra. Un benchmark que no conoce el ticket, el sector ni el tráfico no dice nada, y las medias publicadas no conocen ninguna de esas cosas.
Cinco variables
Cinco variables que invalidan la comparación
Sector y ciclo
Un suplemento se compra en minutos; un mueble, en semanas. La conversión por sesión mide procesos completamente distintos.
Ticket medio
Cuanto más caro el carrito, menor la conversión por naturaleza. Comparar sin el AOV es comparar peras con facturas.
Peso de la marca
El tráfico de búsquedas de marca convierte varias veces mejor. Una tienda con marca fuerte «gana» el benchmark sin tener mejor web.
Mix de dispositivos y fuentes
El móvil convierte distinto que el escritorio; las redes sociales, distinto que el buscador. La media de una tienda depende más del mix que de la calidad.
Metodología del informe
Qué tiendas, qué mercado, qué definición de sesión y qué periodo: normalmente no se sabe. Te comparas con una muestra que desconoces.
Sustituto
Norma propia: el único benchmark que conoce tu tienda
Definición de trabajo
La norma propia es el rango de valores típicos de una métrica calculado con el histórico de la tienda: el periodo comparable del año anterior y la media de los últimos periodos completos, respetando la temporada y el día de la semana. La tienda se compara consigo misma en un momento equivalente, porque solo ese «competidor» tiene exactamente el mismo sector, ticket, marca y mix de tráfico.
La tabla de normas en la práctica (tienda de lencería, septiembre, datos ilustrativos):
| Métrica | Mi norma (rango) | Mes actual | Lectura |
|---|---|---|---|
| Conversión móvil | 1,1–1,4% | 1,3% | dentro de la norma |
| Conversión escritorio | 2,2–2,6% | 1,8% | por debajo: revisa el checkout tras la actualización |
| Ticket medio | 24–27 € | 29,50 € | por encima: revisa el mix (¿se agotó un superventas barato?) |
| MER | 4,4–5,0 | 4,7 | dentro de la norma |
| Pedidos no pagados | 5–7% | 6,2% | dentro de la norma |
| Cobertura GA4 | 93–95% | 94% | dentro de la norma |
Fíjate en cómo cambia la conversación: en lugar de «¿1,8% está bien?» (una pregunta sin respuesta) surge «¿por qué el escritorio ha caído por debajo de su propio rango?» (una pregunta con procedimiento: descomposición y diagnóstico de la guía sobre cómo encontrar las causas de una caída). Las desviaciones respecto a la norma propia son también el mecanismo de alertas descrito en la guía de monitorización y anomalías.
Excepciones
Umbrales aritméticos: comparaciones externas que sí valen
Algunas referencias externas tienen sentido, porque salen de unas cuentas que se aplican a todos:
- Umbral de rentabilidad de ROAS y MER a partir de tu propio margen: 100 / margen% es el límite matemático de tu tienda. El cálculo completo está en la guía «¿Qué ROAS es bueno?».
- Coste de envío frente al ticket medio: la tarifa del transportista es objetiva; un pedido cuyo margen no cubre el envío es un problema con o sin benchmarks (cálculo del umbral: guía sobre el envío gratuito).
- Medición completa: una cobertura de GA4 cercana a tu propia norma y estados de producto en Merchant Center sin rechazos son condiciones básicas de higiene de la medición.
- Tendencia del mercado como referencia de dirección: si los datos públicos indican que el mercado crece y la tienda se mantiene estancada interanualmente, estás perdiendo cuota; para eso basta con la dirección, sin comparar métricas concretas.
El uso más caro de un benchmark
Decisiones forzadas por la media ajena: bajar precios «porque la conversión está por debajo de la media», rehacer la tienda «porque el ticket es demasiado bajo». Si tu norma es estable y se cumplen los umbrales físicos, ese cambio arregla un resultado que nadie había estropeado y estropea uno que funcionaba.
DataOrganizer
Cómo DataOrganizer compara la tienda con su propia norma
Compararse con uno mismo requiere una sola cosa: el historial de todas las métricas en un mismo lugar. DataOrganizer lo conserva a partir de las fuentes conectadas, de modo que los rangos de la norma, las comparaciones interanuales y entre temporadas y las anomalías respecto a tu propio patrón se calculan a partir de los datos. Una revisión mensual tiene este aspecto:
Septiembre frente a tu norma:
| Métrica | Hace un año | Media 3 meses | Ahora | Lectura |
|---|---|---|---|---|
| Ingresos | 103 mil | 108 mil | 117 mil | +14% interanual: por encima de la norma |
| Conversión escritorio | 2,4% | 2,3% | 1,8% | por debajo del rango: revisar el checkout |
| MER | 4,6 | 4,8 | 4,7 | dentro de la norma |
| Categoría: ropa de dormir | 16 mil | 14,5 mil | 12,3 mil | −23% interanual pese a la temporada: a revisar |
El total está por encima de la norma gracias a dos categorías, pero dos desviaciones a la baja merecen un diagnóstico: la conversión en escritorio lleva tres semanas por debajo de su propio rango (coincide con la actualización de la plantilla) y la categoría de ropa de dormir rinde menos que el año pasado pese a estar en plena temporada. Ninguna de estas observaciones ha necesitado una sola media ajena.
Nota metodológica: las cifras de los ejemplos son ilustrativas. La norma propia exige periodos comparables: tras cambios importantes (nueva plantilla, cambio en la política de precios, incorporación de un canal) los rangos se recalculan desde la fecha del cambio. Los benchmarks publicados pueden servir como curiosidad para el café; las decisiones se toman con la norma y los umbrales físicos.
Para recordar
La única tienda con el mismo sector, ticket, marca y mix de tráfico eres tú hace un año. Una tabla de normas propias más los umbrales físicos responden a cualquier «¿esto está bien?» que una media ajena no sabe responder.
FAQ
Preguntas frecuentes sobre benchmarks de e-commerce
¿Cuál es la tasa de conversión media en e-commerce?
Los valores publicados rondan el 1–3%, pero mezclan sectores, tickets y mercados, así que no responden a la pregunta sobre tu tienda. La referencia práctica es tu conversión en un periodo equivalente más la tendencia; una media ajena no toma ninguna decisión.
¿Por qué engañan los benchmarks?
Cinco variables desvirtúan la comparación: el sector y el ciclo de compra, el valor del ticket, el peso del tráfico de marca, el mix de dispositivos y fuentes y una metodología del informe desconocida. El resultado dice más de la muestra que de la tienda.
¿Con qué conviene compararse?
Con tu propia norma (rangos de periodos equivalentes: interanual, temporada, días de la semana, por categoría y dispositivo) y con los umbrales físicos: umbral de ROAS según el margen, coste de envío frente al ticket y medición completa. Estos dos marcos de referencia bastan para decidir.
¿Cómo se construye una norma propia?
Para cada métrica clave, define un rango a partir del historial: el periodo equivalente del año anterior más la media de los últimos periodos completos, desglosado por días de la semana cuando el ritmo importa. Los valores actuales se leen como: dentro de la norma / por encima / por debajo, y las desviaciones reciben un diagnóstico.
¿Cómo ayuda DataOrganizer?
Conserva el historial de métricas de todas las fuentes, de modo que los rangos de la norma y las comparaciones interanuales se calculan a partir de los datos, las anomalías se detectan sobre el patrón propio de la tienda y el chat responde a «¿es bueno este mes?» comparándolo con tu norma por categoría.
Resumen de toda la guía
En lugar de benchmarks: dos marcos de referencia
1. Norma propia. Rangos de métricas de periodos equivalentes (interanual, temporada, días de la semana), por categoría y dispositivo. El único benchmark que conoce tu ticket, tu marca y tu tráfico.
2. Umbrales físicos. Umbral de ROAS según el margen, coste de envío frente al ticket y medición completa: valores que salen del cálculo y se aplican a todos.
3. Decisiones sin medias ajenas. DataOrganizer guarda juntas las series históricas de todas las métricas, así que la tabla de normas, las comparaciones interanuales y las anomalías respecto a tu propio patrón se actualizan solas, y la pregunta «¿esto está bien?» obtiene respuesta con tus datos.
DataOrganizer · tienda comparada con su propia norma
Conecta tus fuentes: los rangos de la norma, las comparaciones interanuales por categoría y las anomalías respecto a tu propio patrón se calcularán a partir de los datos. Cuenta demo al instante; solo pagas por las fuentes conectadas.
