La Diferencia Entre Correlación y Causalidad en Analítica de CRO
Por Emily Redmond, Analista de Datos en Emilytics · Abril 2026
TL;DR: GA4 muestra correlaciones (dos métricas moviéndose juntas). Solo las pruebas A/B prueban causalidad (este cambio causó ese resultado). No las confundas.
Una empresa notó que en días con más tráfico, tenían tasas de conversión más bajas.
Hipótesis: "El tráfico alto es malo para conversiones. Deberíamos reducir nuestro gasto en anuncios."
Incorrecto. Acababan de lanzar una nueva campaña de anuncios dirigida a audiencias amplias. Más tráfico, tráfico de menor intención, tasa de conversión más baja.
Dos métricas se movieron juntas, pero ninguna causó la otra. Un tercer factor (calidad del tráfico) causó ambos.
Esto es correlación vs. causalidad.
¿Cuál es la Diferencia?
Correlación: Dos cosas se mueven juntas
- Ejemplo: El tráfico sube, la tasa de rebote sube
Causalidad: Una cosa causa la otra
- Ejemplo: La carga lenta de página causa una tasa de rebote más alta
La correlación puede insinuar causalidad, pero no lo prueba.
Falsas Correlaciones Comunes en CRO
Falsa Correlación 1: Estacionalidad
Observación: Cada diciembre, la tasa de conversión sube. Enero baja.
Conclusión falsa: Nuestra campaña de noviembre es increíble. Noviembre causa conversiones de diciembre.
Razón real: Diciembre es temporada de compras navideñas (demanda estacional), enero está limitado por presupuesto (comportamiento estacional).
Prueba: Prueba una campaña de noviembre en julio. La conversión se mantiene plana (no es la campaña, es la temporada).
Falsa Correlación 2: Calidad vs. Volumen de Tráfico
Observación: A medida que el tráfico de social pagado aumenta, la tasa de conversión disminuye.
Conclusión falsa: Social pagado no funciona. Deja de comprarlo.
Razón real: Social pagado trae volumen, pero tráfico de menor intención. Mayor intención viene de la búsqueda orgánica.
Prueba: Orgánico 3% de conversión, social pagado 1% de conversión. No dejes de usar social pagado porque el volumen lo compensa (más visitantes × tasa más baja = mismos ingresos). En cambio, mejora la orientación de social pagado.
Falsa Correlación 3: Tiempo de Prueba
Observación: Ejecutaste una prueba de lunes a viernes y ganó. La versión de fin de semana perdió.
Conclusión falsa: El cambio es malo.
Razón real: Lunes a viernes tiene intención de tráfico diferente a los fines de semana (entre semana = profesional/investigación, fin de semana = navegación/casual).
Prueba: Ejecuta la misma prueba los fines de semana. Podría ganar o perder diferente. Prueba por día de semana por separado.
Falsa Correlación 4: Eventos Externos
Observación: La tasa de conversión subió el día en que tu CEO aparecía en Forbes.
Conclusión falsa: El artículo causó conversiones.
Razón real: Coincidencia. O el artículo atrajo una mezcla de tráfico diferente (más de alta intención).
Prueba: Rastrea conversiones durante la semana. Si están consistentemente arriba, el artículo importó. Si es solo un día, es ruido.
Cómo Detectar Falsas Correlaciones
Prueba 1: Desfase de tiempo
¿Las dos métricas se mueven juntas inmediatamente, o hay un desfase?
- Los cambios de tasa de conversión suceden inmediatamente (la gente comienza a convertir diferente)
- Los cambios de ingresos suceden con un desfase (la gente compra, luego aparece en contabilidad)
Si la conversión está arriba pero los ingresos planos durante una semana, tal vez las conversiones no estén pagando (o son de baja calidad).
Prueba 2: Segmenta los datos
¿La correlación se mantiene en todos los segmentos, o solo en uno?
Ejemplo: "El tráfico está arriba, la conversión está abajo"
Segmenta por fuente:
- Orgánico: tráfico arriba 10%, conversión plana
- Social pagado: tráfico arriba 30%, conversión abajo 20%
La correlación es real, pero solo para social pagado. Algo es diferente allí (tal vez desajuste de audiencia o cambio de algoritmo de plataforma).
Prueba 3: Busca un mecanismo
¿Puedes explicar CÓMO uno causó el otro?
"Tráfico arriba, conversión abajo" — ¿cómo funciona eso? Más visitantes generalmente no bajan la tasa de conversión a menos que:
- La página se hizo más lenta (sobrecarga de tráfico)
- Tráfico de menor calidad (audiencia equivocada)
- Problema técnico (rastreo roto)
Si no puedes explicar el mecanismo, probablemente sea correlación, no causalidad.
La Correlación Puede Ser una Señal, No Prueba
La correlación no es inútil. Es una señal para investigar.
Ejemplo: Notas: "Los días con profundidad de desplazamiento alta tienen tasa de conversión más alta."
Correlación = profundidad de desplazamiento y conversión se mueven juntas.
Causalidad = AÚN NO probada. Podría ser:
- La profundidad de desplazamiento causa conversiones (el compromiso conduce a comprar)
- Las conversiones causan profundidad de desplazamiento (leen más porque están interesados)
- La intención causa ambas (personas de alta intención se desplazan más Y convierten)
Cómo probar causalidad: Ejecuta una prueba A/B forzando profundidad de desplazamiento:
- Control: página normal
- Variante: página con desplazamiento forzado (la página es más alta, requiere desplazamiento)
Si el desplazamiento forzado mejora la conversión, la profundidad de desplazamiento causa conversión. Si no, la correlación era un signo de intención, no la causa.
Cómo las Pruebas A/B Prueban Causalidad
Las pruebas A/B son la ÚNICA forma de probar causalidad en CRO.
¿Por qué?
Una prueba A/B aísla la variable:
- Control: página original (profundidad de desplazamiento: natural)
- Variante: página nueva (solo una cosa cambió: profundidad de desplazamiento forzada)
Si la variante convierte mejor, ese cambio la causó.
Los datos de GA4 solo muestran correlaciones (dos cosas moviéndose juntas). Las pruebas A/B prueban causalidad (este cambio causó ese resultado).
A/B Testing GA4: Mide el Ganador cubre cómo ejecutar pruebas adecuadas.
Errores Comunes
Error 1: Asumir que Correlación Significa que Tu Cambio Funcionó
Escenario: Optimizaste la velocidad de página la semana pasada. Esta semana, las conversiones están arriba 5%.
Conclusión equivocada: La velocidad de página causó la mejora.
Mejor conclusión: Existen correlaciones. ¿Algo más cambió? ¿La fuente de tráfico cambió? ¿Ejecutaste nuevos anuncios? ¿Había estacionalidad?
Solo una prueba A/B adecuada (velocidad antigua vs. velocidad nueva) prueba que la velocidad de página la causó.
Error 2: Solo Mirar Una Métrica
Escenario: Los envíos de formulario están arriba 20%.
Podría significar: Tu formulario mejoró. O... más visitantes = más envíos (sin mejora de tasa de conversión). O... leads de menor calidad (envíos altos, conversión baja a cliente).
Siempre rastrea múltiples métricas:
- Cantidad de envíos
- Tasa de envíos (por visitante)
- Conversión posterior (¿compran?)
Error 3: Confundir "Correlacionado" con "Predictivo"
Escenario: "Los usuarios que visitan 3+ páginas convierten al 10%, los usuarios que visitan 1 página convierten al 1%. Entonces las visitas multi-página predicen conversiones."
Verdadero. Pero ¿visitar más páginas CAUSA mayor conversión? ¿O los usuarios de alta intención visitan más páginas Y convierten?
Prueba: Fuerza a usuarios a visitar 3+ páginas (fricción), luego mide conversión. Si baja, las visitas multi-página son un signo de intención, no una causa.
Significancia Estadística y Causalidad
Importante: Significancia estadística ≠ causalidad
Significancia estadística significa: "Es poco probable que este resultado sea aleatorio (confianza 95%+)."
Ejemplo:
- 50,000 usuarios en prueba
- Control: 2% de conversión
- Variante: 2.1% de conversión
- Significancia estadística: 95%
Esto es estadísticamente significativo (no aleatorio). ¿Pero el cambio lo causó? Solo si cambiaste UNA variable y controlaste todo lo demás.
Si cambiaste titular, color de botón e imagen todos a la vez, la significancia estadística te dice que ALGO funcionó, no qué.
Preguntas Frecuentes
P: ¿Cómo sé si una correlación es real o aleatoria? R: Mira el tamaño de muestra y la consistencia. Una instancia de correlación = ruido. Correlación consistente a través de muchos puntos de datos = podría ser real. Pero siempre verifica con una prueba A/B.
P: Si veo una correlación, ¿debería probarla? R: Solo si es de alto impacto. "Tráfico arriba, tasa de rebote arriba" es común (variación de calidad de tráfico). Prueba solo si tienes una hipótesis (p. ej., "páginas lentas causan rebote más alto").
P: ¿Puedo usar solo datos de GA4 para probar causalidad? R: No. GA4 muestra correlaciones. Las pruebas A/B prueban causalidad. Usa ambas.
P: ¿Y si mi resultado de prueba A/B contradice mi correlación de GA4? R: Confía en la prueba A/B. Es un experimento controlado. Las correlaciones de GA4 pueden ser engañosas debido a variables confundidas.
La Conclusión
Los datos de GA4 te muestran qué pasó. Las pruebas A/B te muestran POR QUÉ pasó.
No confundas correlación con causalidad. Dos métricas moviéndose juntas es interesante, pero no es prueba.
Siempre prueba tus hipótesis. Solo las pruebas A/B prueban causalidad.
Emily Redmond es analista de datos en Emilytics — agente de analítica AI que monitorea tu GA4, Search Console y datos de Bing las 24 horas. 8 años de experiencia. Hola →