Ejecutas un informe personalizado en tu herramienta de analítica. Dice "Este informe se basa en 100.000 sesiones. Datos sin muestrear: 1.250.000 sesiones". Tu informe usa estimaciones a partir del 8% de tus datos reales.
El muestreo de datos ocurre cuando las herramientas de analítica no pueden procesar todos tus datos y estiman en su lugar. La estimación suele ser bastante precisa, pero no son tus cifras reales.
Qué es el muestreo de datos y por qué lo usan las herramientas
El problema: demasiados datos que procesar
Las herramientas de analítica procesan millones de eventos por segundo en millones de sitios web. Procesar cada dato en tiempo real no es práctico. Cuando el tráfico es lo bastante alto, las herramientas pasan de contarlo todo a muestrear un subconjunto y extrapolar.
Cómo funciona el muestreo
La herramienta mira el 10% de tu tráfico. Calcula las métricas con ese 10%. Luego multiplica los resultados por 10 para estimar las métricas totales. Si la muestra muestra 5 conversiones, la herramienta estima 50 conversiones en total. Es una estimación matemática, no tus cifras reales.
La tasa de muestreo varía según la herramienta y el nivel de tráfico
Algunas herramientas empiezan a muestrear a partir de 100.000 sesiones al mes. Otras, a partir de 1 millón. Algunos niveles gratuitos muestrean de forma más agresiva que los de pago. Cuanto más tráfico tienes, más agresivo es el muestreo.
El muestreo es transparente (a veces)
Las buenas herramientas te avisan cuando están muestreando. Aparece una nota que dice "Estos datos están muestreados". Las malas no lo indican. Crees que miras cifras reales, pero en realidad miras estimaciones.
Cuándo se produce el muestreo de datos
En Google Analytics
El nivel gratuito de Google Analytics muestrea cuando creas informes personalizados que superan sus límites de procesamiento (normalmente alrededor de 1 millón de eventos). Los niveles premium muestrean con umbrales mucho más altos. Si tu informe incluye muchos datos, es probable que haya muestreo.
En los informes en tiempo real
Los datos en tiempo real casi siempre están muestreados, porque mostrar datos verdaderamente en tiempo real de cada evento sería imposible a nivel computacional. Los paneles en tiempo real muestran estimaciones actualizadas con frecuencia, no cifras exactas.
En informes personalizados complejos
Cuantas más dimensiones y métricas incluyes en un informe, más probable es el muestreo. Un informe sencillo de "tráfico por fuente" puede no estar muestreado. Un informe detallado que desglosa 10 dimensiones con métricas personalizadas puede estar muy muestreado.
El impacto del muestreo de datos
Las estimaciones suelen estar cerca de las cifras reales
Los algoritmos de muestreo son sofisticados. Una muestra del 10% extrapolada al 100% suele ser precisa con un margen de unos pocos puntos porcentuales. Para decisiones de visión general, las estimaciones son suficientes.
El muestreo falla con cifras pequeñas
Cuando muestreas el 10% y buscas conversiones de una fuente de tráfico concreta, puedes ver cero en la muestra aunque en realidad hubiera unas pocas. La estimación pasa a ser "cero conversiones" cuando de verdad hubo dos o tres. Las cifras pequeñas se distorsionan.
Las comparaciones son menos fiables
Comparar tasas de conversión entre dos fuentes de tráfico con datos muestreados es peligroso. Puedes concluir que la fuente A rinde mejor que la B cuando la diferencia es solo error de muestreo.
El análisis de tendencias es menos exacto
Seguir si las conversiones suben o bajan con datos muestreados añade ruido. ¿El descenso es real o es solo variación del muestreo? No puedes estar seguro.
Cómo trabajar con datos muestreados
Consigue datos sin muestrear si tu herramienta los ofrece
Los niveles premium de analítica suelen ofrecer datos sin muestrear. Google Analytics 360 ofrece informes sin muestrear. La mayoría de las herramientas de analítica de pago permiten exportar datos sin muestrear. Si vas a tomar decisiones importantes, mejora de nivel para tener cifras reales.
Entiende la tasa de muestreo
Cuando veas un informe muestreado, busca el porcentaje de muestreo. "Basado en 100.000 de 500.000 sesiones" significa un 20% de muestreo. Cuanto menor es el porcentaje, menos fiables son las cifras. Un muestreo del 50% o más es razonablemente fiable. Un muestreo del 5% no lo es.
Usa segmentos para reducir el volumen de datos
Los informes muestreados aparecen porque intentas procesar demasiados datos. Usa un intervalo de fechas o un segmento para reducir el conjunto de datos. Haz el informe de los últimos 7 días en vez de 90. Haz el informe de una fuente de tráfico en vez de todas. Es menos probable que se muestreen los conjuntos de datos pequeños.
Exporta los datos para analizarlos fuera de la herramienta
Si tu herramienta permite exportar datos sin muestrear, hazlo. Exporta a una hoja de cálculo o a una base de datos y haz tu análisis ahí. Así tienes cifras reales en lugar de estimaciones.
Crea informes automáticos con menos complejidad
En lugar de crear un informe complejo con 10 dimensiones, crea varios informes sencillos. Es menos probable que cada informe sencillo se muestree. Juntos te dan una visión sin muestrear de tus datos.
Se puede evitar el muestreo de datos
El muestreo de datos no siempre se puede evitar
Si tu tráfico es muy alto y quieres informes en tiempo real, puede que cierto nivel de muestreo sea inevitable. Puedes minimizarlo manteniendo los informes sencillos y centrados.
Las herramientas premium ofrecen umbrales más altos
Las herramientas de analítica de pago tienen umbrales de muestreo mucho más altos que las versiones gratuitas. Google Analytics 360 y otras plataformas premium pueden manejar volúmenes de datos mucho mayores sin muestreo.
La analítica del lado del servidor evita el muestreo
Si registras las conversiones en tu propia base de datos desde el servidor, controlas los datos y nunca muestreas. Tus datos de conversión son exactos. Este enfoque requiere más configuración técnica, pero te da cifras verdaderas.
Preguntas frecuentes
¿Los datos muestreados no son fiables?
No necesariamente. El muestreo estadísticamente válido es fiable para métricas de visión general. Pero con cifras pequeñas, comparaciones concretas y análisis detallados, los datos muestreados pierden exactitud. Úsalos para ver tendencias, no para cifras precisas. Con el creador de webs de WEMASY puedes configurarlo directamente en tu web.
¿Cómo sé si mis datos están muestreados?
Busca una nota en tu herramienta de analítica que diga "Los datos están muestreados" o "Basado en el X% de las sesiones". Si no ves ninguna nota, probablemente no están muestreados. La mayoría de las herramientas avisan cuando hay muestreo.
¿Debo mejorar de plan para evitar el muestreo de datos?
Solo si el muestreo está afectando a decisiones importantes. Si la mayoría de tus decisiones ya usan datos sin muestrear, puede que no merezca la pena mejorar solo por el muestreo. Identifica qué decisiones necesitan cifras reales y mejora si es significativo.
¿El muestreo de datos afecta a mis métricas de referencia?
Puede. Si tu panel principal usa datos muestreados, tu referencia es una estimación. Crea una vista aparte con informes menos complejos para obtener cifras sin muestrear de tus métricas principales.
¿Puedo sacar conclusiones estadísticamente válidas de datos muestreados?
Para tendencias agregadas, sí. Para comparaciones concretas, depende del tamaño de la muestra. Una muestra del 50% que analiza 1000 eventos puede respaldar conclusiones. Una muestra del 1% que analiza 100 eventos, no.
¿Cómo afecta el muestreo a los resultados de las pruebas A/B?
Las pruebas A/B necesitan datos sin muestrear para ser válidas. El muestreo añade ruido a los resultados. Si haces pruebas A/B, asegúrate de que tu herramienta de analítica no muestrea los datos de la prueba. La mayoría de las herramientas de pago no muestrean los datos de las pruebas A/B.