Qué registran los datos de clickstream, fila a fila

¿Qué son los datos de clickstream?

Cada fila de datos de clickstream es una interacción de un visitante en un momento, guardada sin agregar, con el identificador, la marca de tiempo y la URL todavía adjuntos. No se ha contado, promediado ni consolidado nada. Un informe te dice que 4.812 sesiones aterrizaron en /pricing la semana pasada. El clickstream bajo ese informe son 4.812 filas separadas, cada una nombrando un visitante, un segundo en el tiempo y una página, más decenas de columnas que describen el dispositivo y la fuente de tráfico.

El nombre viene de la forma de la cosa. Ordena esas filas por identificador y luego por marca de tiempo y obtienes un flujo de clics: la secuencia literal de lo que hizo una persona, en orden, en tu sitio. Esa secuencia es la materia prima a partir de la cual se calcula cualquier otro número de analítica. Es también la razón por la que la analítica de comportamiento existe como disciplina separada del reporte, porque las preguntas sobre orden y secuencia no se pueden responder desde una tabla de totales.

¿Qué hay en un solo registro de clickstream?

Un registro de clickstream lleva una marca de tiempo, un identificador de visitante, un identificador de hit, la URL, el referente, el dispositivo y los valores de cada variable personalizada que se fijó en ese hit. Adobe Analytics publica la lista completa de columnas de sus data feeds, y estas son sus propias descripciones:

Columna	Descripción de Adobe
hit_time_gmt	"The timestamp of the hit Adobe data collection servers received the hit, based in UNIX time."
hitid_high	"Used with hitid_low to identify a hit."
visid_high	"Used with visid_low to uniquely identify a visitor."
visit_num	"Starts at 1, and increments each time a new visit starts per visitor."
page_url	"The URL of the hit."
post_page_url	"Stripped for link tracking image requests."
page_event	"The type of hit that is sent in the image request (standard hit, download link, custom link, exit link)."
user_agent	"The user agent string sent in the HTTP header of the image request."
ip	"The IPv4 address, based on the HTTP header of the image request."
geo_city	"The name of the city that the hit came from, based on IP."
referrer	"The Referrer dimension."
post_evar1	Variable personalizada 1 tras el procesamiento del lado del servidor, una de eVar1 a eVar250

Adobe describe todo el mecanismo en una línea: "Data feeds are a powerful way to get raw data out of Adobe Analytics", entregados "in hourly batches at the conclusion of each hour, or in daily batches at the conclusion of each day", es decir, en lotes por hora o por día.

Google Analytics 4 envía la misma idea con otros nombres mediante su exportación a BigQuery. Ahí los campos a nivel de fila son event_timestamp, "the time (in microseconds, UTC) when the event was received by Google Analytics"; event_name, "the name of the event"; y user_pseudo_id, "the pseudonymous id (e.g., app instance ID) for the user. A unique identifier that is assigned to a user when they first open the app or visit the site." Los parámetros cuelgan de cada fila como pares repetidos event_params.key y event_params.value.string_value, y geo.city se rellena "based on IP address".

Dos vocabularios, una estructura. Adobe cuenta hits, GA4 cuenta eventos, y los dos te dan una línea por cada cosa que pasó.

¿En qué se diferencian los datos de clickstream de la analítica agregada?

La analítica agregada responde preguntas que escribiste antes de recolectar; los datos de clickstream responden preguntas que se te ocurren después. Ese es todo el canje. Un informe ya decidió qué dimensiones se emparejan con qué métricas, y un número que nunca se calculó no se puede recuperar de él. Las filas en bruto no han tomado esa decisión, así que puedes unirlas, filtrarlas y resecuenciarlas como pida una pregunta nueva.

	Informe agregado	Exportación de clickstream
Granularidad	Una fila por combinación de dimensiones	Una fila por hit o evento
Identificador	Eliminado o con umbral	Presente en cada fila
Secuencia	Perdida	Conservada por marca de tiempo
Preguntas nuevas	Necesitan un plan de recolección nuevo	Se responden con una consulta nueva
Tamaño para 1 millón de sesiones al mes	Kilobytes	Decenas de gigabytes
Quién lo lee	Cualquiera con la interfaz	Cualquiera con SQL y acceso al almacén

Google impone la separación en su propio producto. Su ajuste de retención de datos ofrece "2 months" o "14 months" para datos a nivel de usuario y de evento, y Google afirma que "the data retention setting does not affect standard aggregated reports (including primary and secondary dimensions) in your Google Analytics property", o sea que la retención no afecta a los informes agregados estándar. Los agregados sobreviven a las filas de las que salieron, que es justo el punto: los agregados dejaron de ser datos personales y las filas nunca lo dejaron de ser. Mira la retención de datos de Google Analytics para saber qué caduca y cuándo.

La sesionización es la otra diferencia que vale la pena nombrar. Un archivo de clickstream no contiene ninguna sesión, solo hits ordenados; la sesión es una regla aplicada a esos hits más tarde. Cambia la regla y el recuento de sesiones cambia sin que se mueva una sola fila, que es el mecanismo detrás de qué cuenta como sesión.

¿Qué obligaciones de privacidad se adhieren a los datos de clickstream?

Los datos de clickstream son datos personales en la UE porque cada fila lleva un identificador en línea. El artículo 4(1) del RGPD define los datos personales como "any information relating to an identified or identifiable natural person", donde una persona identificable "is one who can be identified, directly or indirectly, in particular by reference to an identifier such as a name, an identification number, location data, an online identifier". El considerando 30 quita la ambigüedad sobre qué es un identificador en línea: "Natural persons may be associated with online identifiers provided by their devices, applications, tools and protocols, such as internet protocol addresses, cookie identifiers or other identifiers." Tu columna visid_high y tu columna user_pseudo_id son esos identificadores, y la columna ip está nombrada en el considerando sin rodeos. El punto se trabaja en si una dirección IP es un dato personal.

California llega al mismo sitio por otra ruta. El Código Civil 1798.140(v)(1)(F) lista entre las categorías de información personal "Internet or other electronic network activity information, including, but not limited to, browsing history, search history, and information regarding a consumer's interaction with an internet website application, or advertisement". Un archivo de clickstream es historial de navegación en el sentido más literal disponible.

De ahí salen tres deberes directos. El artículo 5(1)(c) exige que los datos personales sean "adequate, relevant and limited to what is necessary in relation to the purposes for which they are processed", lo que convierte cada columna que recoges porque venía en el esquema por defecto en una columna que tienes que justificar. El artículo 5(1)(e) exige que los datos se conserven "in a form which permits identification of data subjects for no longer than necessary", lo que convierte la retención de una decisión de coste de almacenamiento en una decisión legal. El artículo 17(1) da al interesado "the right to obtain from the controller erasure of personal data concerning him or her without undue delay", lo que significa que necesitas una forma de encontrar cada fila de un identificador en cada partición, copia de almacén y respaldo que hiciste.

¿Recogerlos exige consentimiento?

Almacenar o leer el identificador en el dispositivo del visitante exige consentimiento en la UE con independencia de si el dato es personal. El artículo 5(3) de la Directiva 2002/58/CE cubre "the storing of information, or the gaining of access to information already stored, in the terminal equipment of a subscriber or user", y lo permite "only on condition that the subscriber or user concerned has given his or her consent, having been provided with clear and comprehensive information". La regla se adhiere al acto de tocar el dispositivo, no a la sensibilidad de lo que averigües.

El mismo artículo recorta dos excepciones: almacenamiento o acceso "for the sole purpose of carrying out the transmission of a communication over an electronic communications network, or as strictly necessary in order for the provider of an information society service explicitly requested by the subscriber or user to provide the service". La medición analítica no es el servicio que el visitante pidió explícitamente, y por eso la medición basada en cookies vive detrás de un banner. Una recolección que no lee nada del dispositivo no activa el artículo 5(3) en absoluto, que es el argumento estructural del seguimiento sin cookies.

¿Puedes quitar la identidad y quedarte el archivo?

Quitar los identificadores directos produce datos seudonimizados, no datos anónimos, y los datos seudonimizados siguen dentro del ámbito. Hashear visid_high sigue dejando una clave estable que enlaza entre sí cada fila del historial de una persona, y una clave estable que permite el enlace es la definición de seudónimo y no de borrado. Solo una agregación irreversible que haga irrecuperables las filas de una sola persona saca un archivo del ámbito, y eso es una operación destructiva por diseño. La distinción, y lo que cada una te cuesta analíticamente, está expuesta en seudonimización frente a anonimización.

Entre esos polos existen mitigaciones prácticas. Trunca el octeto de la IP antes de escribir la fila y no después. Elimina user_agent si de él solo lees el nombre de navegador ya analizado. Fija en la tabla en bruto una retención más corta que en los agregados derivados. Cada una de esas cosas es una respuesta directa al artículo 5(1)(c), y cada una es más fácil de hacer en el momento de la recolección que de retroajustar en todo un almacén.

Del identificador al anonimato

visid_high

Clave pseudónima con hash

Filas agregadas

Fuera del ámbito

Preguntas frecuentes

¿Los datos de clickstream son datos personales bajo el RGPD?

Sí, siempre que cada fila lleve un identificador estable de visitante o una dirección IP. El artículo 4(1) del RGPD cuenta a quien sea identificable "indirectly" a través de "an online identifier", y el considerando 30 nombra las direcciones de protocolo de internet y los identificadores de cookie de forma explícita como ejemplos de esos identificadores.

¿Cuál es la diferencia entre datos de clickstream y un registro de servidor?

Un registro de servidor recoge las peticiones que el servidor atendió; los datos de clickstream recogen las interacciones que observó la etiqueta de analítica. El registro se pierde las páginas cacheadas, los eventos de scroll, los clics que no generan petición y cualquier variable personalizada, mientras que el clickstream se pierde los bots y los recursos que la etiqueta nunca vio.

¿Cuántos datos de clickstream produce un sitio mediano?

El volumen escala con los hits, no con los visitantes. Un sitio con una media de seis hits por sesión y un millón de sesiones al mes escribe seis millones de filas al mes, y tanto los data feeds de Adobe como la exportación a BigQuery de GA4 llevan bastante más de cien columnas por fila antes de añadir ninguna variable personalizada.

¿Los informes agregados sobreviven cuando se borran las filas en bruto?

En Google Analytics 4 sí. Google afirma que el ajuste de retención de datos "does not affect standard aggregated reports (including primary and secondary dimensions) in your Google Analytics property", así que los agregados calculados antes de la caducidad siguen siendo legibles después de que desaparezcan las filas a nivel de evento.

¿Se aplica la ley de consentimiento si nunca almaceno una cookie?

El artículo 5(3) de la Directiva ePrivacy se adhiere a "the storing of information, or the gaining of access to information already stored, in the terminal equipment" del usuario. Una recolección que ni escribe ni lee en el dispositivo no activa ese artículo, aunque el RGPD siga gobernando cualquier dato personal que proceses del lado del servidor.

¿Qué columnas son las primeras que conviene eliminar?

Empieza por ip y user_agent. Las dos están nombradas o implicadas en la lista de identificadores del considerando 30, las dos se consumen normalmente solo en forma analizada como ciudad y navegador, y las dos se pueden reducir en el momento de la recolección sin cambiar ningún informe posterior.

¿Con qué frecuencia entregan datos de clickstream las plataformas de analítica?

Adobe entrega sus data feeds, según su propia descripción, "en lotes por hora al cierre de cada hora, o en lotes diarios al cierre de cada día". GA4 entrega el mismo nivel de detalle a través de su exportación a BigQuery, con la misma estructura de una fila por evento, solo que con otros nombres de columna.

¿Cuál es la diferencia entre un hit y un evento en los datos de clickstream?

En Adobe, cada fila se llama hit, y la columna page_event indica si fue un hit estándar, un enlace de descarga, un enlace personalizado o un enlace de salida. GA4 llama evento a esa misma fila y guarda su nombre en la columna event_name. El vocabulario cambia, pero el grano es idéntico, una fila por cada cosa que ocurrió.

¿Se pueden mapear entre sí las exportaciones de clickstream de Adobe y GA4?

Las anclas encajan a grandes rasgos: hit_time_gmt corresponde a event_timestamp, en segundos frente a microsegundos, visid_high corresponde a user_pseudo_id, y page_url corresponde al parámetro page_location. Ambos conservan las mismas tres anclas, una marca de tiempo, un identificador y una URL o un nombre de evento, solo que con otras etiquetas.

¿Una fila de clickstream revela qué dispositivo usó un visitante?

Las filas de Adobe llevan la cadena user_agent en bruto además de decenas de columnas de dispositivo y fuente de tráfico, mientras que la exportación a BigQuery de GA4 entrega campos de dispositivo ya procesados. La columna user_agent de Adobe guarda esa cadena tal como llegó en la cabecera HTTP, antes de que un informe la traduzca en un nombre de dispositivo. Nada de esto está agregado, así que el dispositivo detrás de una sola visita queda visible fila por fila.