Dos proveedores te dan dos dashboards. La sinergia no está en verlos juntos — está en respuestas que ningún dataset por separado puede producir.

El mercado se partió en dos anaqueles, y casi nadie los está midiendo a la vez

Hace dos años, "¿cómo medimos la presencia de marca en ecommerce?" tenía una sola respuesta: el anaquel del retailer. Posición orgánica en la búsqueda de Éxito, share of voice pagado en Jumbo, share of shelf en Olímpica. Esa pregunta hoy se respondió a la mitad.

La otra mitad es el anaquel agéntico — las recomendaciones que hacen ChatGPT, Perplexity, Gemini, las menciones que aparecen en los AI Overviews de Google. Los consumidores ya están consultando agentes antes de buscar en el retailer (1 a 3 semanas antes, dependiendo de la categoría), y las marcas ya están comprando un nuevo tipo de proveedor para medir ese flujo: los proveedores de AEO/GEO (Answer Engine Optimization / Generative Engine Optimization).

Los proveedores de AEO/GEO miden el anaquel agéntico. Los proveedores tradicionales de digital shelf y retail media (Profitero, Shalion, similares) miden el anaquel del retailer. Cada uno te da un dashboard. Los dashboards no se hablan, y el "ya, integramos los dos feeds" se rompe en la práctica por timestamp drift, mismatch de entidad y diferencias de cadencia que veremos al final.

La consecuencia ya es clara hoy: hay un grupo de preguntas — las que un CMO realmente hace — que ningún proveedor de un solo anaquel puede responder, sin importar cuánto suba sus features.

Una nota antes de seguir, porque la precisión importa: cuando este artículo dice "el PDP cayó de posición 3 a 9", el PDP no cayó. El PDP es la página; lo que cae es el ranking de ese PDP para una keyword en un retailer. La distinción es relevante porque la solución depende de cuál motor lo movió.

Las ocho preguntas que siguen no son "nice to have". Son las preguntas que cualquier CMO hace dentro de un trimestre — y ninguna se contesta limpia con un solo anaquel.

"¿Por qué perdimos el Q3?" — la única pregunta que tu CMO realmente quiere responder

La marca pierde 2.5 puntos de share en el trimestre. Tu CMO no quiere un dashboard. Quiere un párrafo descomponiendo el por qué, en partes que sumen.

Con datos co-localizados, el párrafo se ve así:

Eso es lo que un CMO necesita: cuatro líneas que sumen, con el motor responsable identificado en cada una y la palanca correctiva al lado.

Ningún proveedor de un solo anaquel produce ese párrafo. El proveedor de AEO/GEO ve la línea 2 y nada más. El proveedor de retail media ve la línea 1, una versión imprecisa de la 4, y no ve las otras dos. Stitching dos vendors no resuelve la línea 3 (distribución física), y en la línea 1 vs. la línea 2 — las dos más importantes — los coeficientes solo son defensibles si las dos series temporales son del mismo SKU, con el mismo reloj y la misma normalización de keyword.

El stack de un solo anaquel no es "incompleto pero útil". Es estructuralmente incapaz de producir la decomposición que tu CMO te va a pedir el día 1 del Q4. Y ese día, "tenemos cuatro proveedores, déjame agregarlo a mano en un Google Sheet" no es una respuesta.

Disambiguar por qué cayó el ranking orgánico

El ranking del PDP de tu producto para "leche deslactosada" en Éxito cayó de posición 3 a 9 en 14 días.

Tu proveedor de retail media te dirá: "no fue precio (estable), no fue agotado (disponible), no fue caída de tu SOV pagado (subió, incluso). Posiblemente sea acción del competidor." Hipótesis parcial. Tu proveedor de AEO/GEO ve, por su parte, que las citaciones del competidor en Perplexity y ChatGPT para prompts del clúster "leche deslactosada" subieron 22% en las últimas tres semanas. Hipótesis parcial.

Con los dos feeds en la misma línea de tiempo, la pregunta se vuelve forense: ¿qué pasó primero? Si las citaciones agénticas del competidor saltaron tres días antes de que su rank orgánico subiera en Éxito, la causa no es retail media — es demand-shaping aguas arriba (el agente está enviando shoppers a Éxito a buscar el producto del competidor por nombre). Tu palanca correcta deja de ser "subir el bid en Éxito" y pasa a ser "arreglar la legibilidad agéntica de tu PDP" — atributos estructurados, esquema, claims factuales que el agente pueda citar limpiamente. Es una palanca distinta, con un equipo distinto y un presupuesto distinto.

Lo que vuelve este caso de uso imposible para un buyer con dos vendors no es la falta de datos — es la alineación de timestamps. Los proveedores de AEO/GEO crawlean LLMs en cadencias semanales (porque generar respuestas a escala es costoso); los de retail media crawlean retailers cada 2-6 horas. Sin el mismo reloj, el orden de los eventos se vuelve ambiguo y el diagnóstico se queda en "ambas cosas pasaron, no sabemos cuál fue primero". La co-localización resuelve eso porque los dos feeds salen del mismo crawler stack con un timestamp único.

ROAS ajustado — la única lectura honesta de incrementalidad disponible hoy

Esta es la pregunta tensionada en la sección §02 del propio sitio: hoy no hay una fuente independiente de incrementalidad que se sostenga sin un experimento geo. El anaquel agéntico es la primera candidata real.

La razón es simple: el tráfico que el agente envía al retailer no es atribuible al retail media pagado. El shopper le preguntó a ChatGPT por "la mejor leche deslactosada para niños sin lactosa", el agente recomendó tu producto, el shopper fue a Éxito y compró. Tu retail media estaba prendido en paralelo y se llevó el crédito de la conversión — pero la conversión hubiera ocurrido sin la pauta. El "ROAS reportado" tiene un piso prestado del canal agéntico.

El cálculo natural: ROAS ajustado = ROAS reportado − baseline atribuible al lift agéntico. Si tus citaciones en LLMs subieron 14% en el período de la campaña, una porción del ROAS observado vino de ahí, no del bid. Restar esa porción te da la incrementalidad real de la pauta — la que defenderías frente a un CFO escéptico.

Un buyer con dos vendors literalmente no puede correr este cálculo. El proveedor de AEO/GEO no sabe cuándo abriste y cerraste la ventana de campaña en Éxito. El proveedor de retail media no ve la curva de citaciones que coincide con la ventana. Aunque mandaras los archivos por correo cada lunes, el join no funciona: los dos miden cosas distintas (tu marca como entidad agéntica vs. tu SKU como ítem de retailer) y el match de entidades es trabajo manual cada quincena.

Con un stack que ve los dos anaqueles en el mismo grafo de SKUs, el ROAS ajustado es un campo, no un proyecto.

Ediciones de PDP con doble ROI (y advertencias de doble daño)

Una misma edición en el PDP tiene efecto distinto en cada anaquel. A veces los efectos van en direcciones opuestas — y esa es la pieza que rompe la lógica del "una edición, una recomendación".

El output prescriptivo que solo un stack de dos anaqueles puede dar:

"Si agregas el grupo de atributos 'apto para X dieta' al PDP: +2 posiciones de ranking orgánico promedio en Jumbo y Olímpica, +14% de citaciones en Perplexity para el clúster de prompts de la categoría. ROI estimado conjunto: 3.2× el costo del retoque editorial."

O el inverso:

"La expansión de copy SEO que estás considerando va a sumar 380 palabras al bloque de descripción. Eso te dará +1 posición en el motor de Google (intent coverage) pero va a degradar tu legibilidad agéntica: los agentes prefieren esquemas factuales compactos y descartan PDPs cuyo ratio claim/palabra cae bajo cierto umbral. Net efecto modelado: −7% citaciones en LLMs."

Un proveedor de PDP/retail media no modela el impacto agéntico — no tiene los datos. Un proveedor de AEO/GEO no modela el efecto sobre el ranking del retailer — no observa el SERP. Una recomendación con doble ROI, o con advertencia de doble daño, es estructuralmente imposible sin los dos feeds. No es una cuestión de cuánto se esfuerce el proveedor — es que el modelo que produce el número necesita ambos datasets co-entrenados sobre los mismos SKUs.

Para profundizar en por qué el motor del retailer y el motor del agente premian cosas distintas, ver el artículo previo sobre el PDP en el mundo agéntico.

Agotados que te siguen costando después de reabastecer

Un agotado en el retailer ya no es solo un evento operacional. Es una señal que el ranker del retailer aprende — y que el agente también aprende, con una memoria más larga.

El agente lo aprende por dos vías. Primero, el embedding cacheado: si un LLM "recordó" hace dos semanas que tu producto estaba out of stock al recolectar el contexto del PDP, esa información sobrevive aunque el stock haya vuelto. Segundo, los ciclos de retrieval del agente (especialmente en RAG) pueden estar usando un snapshot anterior del catálogo. La memoria del modelo persiste más allá del restock.

El uso resultante: "Tu agotado en Éxito hace 12 días te sigue deprimiendo las citaciones agénticas un 8% en la categoría. Playbook de limpieza: refresh del PDP → solicitud de re-crawl al motor → actualización explícita de schema con disponibilidad."

¿Por qué no puede un buyer con dos vendors armar este playbook? El proveedor agéntico ve la caída de citaciones, pero no tiene un evento del retailer al que pueda atarla causalmente — para él, las citaciones bajaron y ya. El proveedor de retail media cerró el ticket el día que volvió el stock; "ese problema se acabó". Ninguno de los dos produce un alert de "el daño persiste, este es el paso 1".

Esto importa más en categorías sensibles a confianza (mascotas, baby, deslactosados, sin gluten) donde los agentes funcionan como filtro: si te marcaron como poco confiable hace dos semanas, te están omitiendo en los listados ahora — y el efecto sobre tu ranking orgánico recién aparece en la semana cuatro.

El anaquel agéntico como leading indicator de 14 días

Las recomendaciones agénticas preceden a las búsquedas de marca en el retailer entre 1 y 3 semanas, según la categoría. El consumidor le pregunta a un agente, decide qué marca quiere, va al retailer a comprar. La búsqueda de marca dentro del retailer es la consecuencia, no la causa.

El uso forecast: "El share of voice agéntico de tu competidor X subió 18% en las últimas dos semanas. Espera que su conversión orgánica en Jumbo suba en los próximos 14 días. Anticípate ahora — sube tu bid en las keywords donde compites con él, refresca el PDP, agrega un claim diferenciador antes de que su mejora se cristalice."

Esto es forecasting, no reporting. Y solo es viable si controlas los dos feeds: si confías en que la curva agéntica de la semana pasada y la curva orgánica de las próximas dos semanas están medidas con el mismo reloj, la misma definición de SKU y la misma normalización de prompts. Si los dos feeds vienen de proveedores distintos, el lag observado no es la verdadera relación temporal — es la suma del lag real más el desalineamiento entre crawlers, y ese ruido suele ser mayor que la señal.

Un buyer con dos vendors puede ver ambas curvas en una hoja de cálculo, pero no puede usarlas para anticipar nada con confianza. La predicción requiere alineación causal, y la alineación es lo primero que se pierde cuando los datos vienen de pipelines distintos.

Distribución vs. descubrimiento — el árbol de decisión

Tu share de marca cayó. Hay tres causas posibles: perdiste ranking orgánico, perdiste menciones agénticas, perdiste distribución física. Lo importante es que la palanca correctiva es distinta para cada una, y cada diagnóstico requiere un dato diferente.

El árbol, asumiendo los tres feeds:

Un proveedor de un solo anaquel puede medir uno de los tres ejes y dejarte adivinando los otros dos. El árbol completo solo se corre con los tres feeds en la misma instancia. Y la conclusión opuesta es real: la misma caída de share puede llevarte a tres acciones distintas, con dos de ellas siendo opuestas en presupuesto y equipo. Equivocarse del eje cuesta el trimestre.

Calendario promocional con coordinación cross-shelf

Un detalle conocido por todo brand manager pero rara vez instrumentado: los precios promocionales caen en el retailer, pero los agentes citan el list price viejo durante semanas. La razón es trivial — el training/retrieval del modelo va atrasado vs. el cambio en el PDP. La consecuencia no es trivial.

Caso: corres una promo en Jumbo a 22% off. Tu unified system flagea: "Los agentes siguen citando tu precio full; el competidor de precio-everyday-bajo está siendo recomendado como 'el más barato de la categoría' aunque tu precio efectivo durante la promo lo derrota. Acción: actualización forzada del schema de precio en el PDP + boost temporal de retail media para capturar al shopper price-aware que viene del referral agéntico."

Sin los dos feeds en el mismo stack, este flag no existe. El proveedor de retail media lanzó la promo y bajó la guarda; "promo en marcha, todo bien". El proveedor agéntico ve que tu marca sigue siendo citada al precio viejo, pero no tiene el evento de precio para conectar. La oportunidad — capturar al shopper price-aware durante la ventana — pasa sin que nadie se entere.

Las marcas que ya tienen los dos feeds notan esto entre la primera y la segunda promo. Es uno de los hallazgos más rápidos en delivery cuando se enciende la observabilidad cruzada.

Por qué stitching dos vendors no es la salida

A esta altura el argumento puede sonar a "necesitas todos los datos". La objeción razonable: "compro dos proveedores y los integro." En el papel funciona. En la práctica falla por cuatro razones estructurales que ninguna integración resuelve:

1. Drift de timestamp. Los proveedores de AEO/GEO crawlean LLMs en cadencias semanales (porque generar respuestas a escala es costoso); los de retail media crawlean retailers cada 2-6 horas. Cuando preguntas "¿qué pasó primero, la subida agéntica o la subida del rank orgánico?", el orden depende del reloj del crawler, no del evento real. Toda secuencia causal se vuelve ambigua.

2. Mismatch de resolución de entidad. Tu SKU en Éxito es un código (e.g., 1234567890123); tu marca-producto en el grafo de conocimiento de un LLM es una entidad ligeramente distinta ("Marca X Leche Deslactosada 1L sabor original"). Hacer match entre las dos requiere una capa de resolución que ningún feed solo provee. Mantenerla actualizada cuando los retailers cambian SKUs y los modelos rebuilden embeddings es trabajo recurrente, no una vez.

3. Cadencia. Los datos del retailer son near-real-time; los de LLMs son discretos (paneles semanales, prompts curados). Cualquier modelo que cruce ambos tiene que decidir cómo agregar el lado del retailer hasta la cadencia agéntica, perdiendo resolución, o cómo interpolar el lado agéntico hasta la cadencia del retailer, inventando datos.

4. Ausencia de un puente causal. Lewis & Rao (2015) ya mostraron que la varianza en datos de marketing es alta y la señal real es chica. Cualquier estimación de incrementalidad, leading-indicator, o decomposición de share necesita un N grande de eventos co-observados con el mismo reloj y la misma SKU. Un join semanal entre dos vendors no genera ese N — genera un dataset frágil que se rompe cada vez que un crawler tiene un retraso.

La respuesta de mercado a esto no es un mejor BI tool. Es un proveedor que vea los dos anaqueles desde la misma capa de adquisición.

ePerfectStore opera así: el mismo crawler stack alimenta el anaquel del retailer y el anaquel agéntico, el mismo grafo de SKUs resuelve entidades una sola vez, el mismo timestamp clock estampa todos los eventos. Las ocho preguntas de este artículo no son features adicionales — son consultas naturales sobre un dataset co-localizado. La diferencia con un proveedor de AEO/GEO no está en el sticker — está en lo que la arquitectura permite preguntar.

Un proveedor de un solo anaquel te puede dar los mejores dashboards de su categoría. Lo que no te puede dar, y nunca podrá darte, es el párrafo de cuatro líneas que tu CMO va a pedirte el primer día del trimestre que viene.

Fuentes

¿Tu stack de medición ve solo el anaquel del retailer o solo el agéntico? ePerfectStore.com mide los dos en la misma instancia, sobre el mismo grafo de SKUs y con el mismo reloj — la única forma de responder las preguntas que un CMO realmente hace.

Volver al Blog