Lo que los benchmarks de drop-off de embudo sí y no te dicen

¿Qué son los benchmarks de drop-off de embudo?

Publicados por proveedores, los benchmarks de drop-off de embudo son promedios entre empresas de cuántos usuarios abandonan cada paso de un flujo definido, reportados como porcentaje por paso o sobre la secuencia completa. Los proveedores los construyen agrupando los datos de eventos de los sitios de su plataforma y publicando después una mediana o una media por industria. El número que sale describe la base de clientes de ese proveedor durante esa ventana. No es un objetivo que tu embudo esté fallando en alcanzar.

Antes de leer cualquiera de las cifras de abajo, fija tus propias definiciones. La aritmética del drop-off y la diferencia entre la pérdida por paso y la de extremo a extremo están cubiertas en el desglose de la tasa de drop-off, y el método para construir el embudo está cubierto en análisis de embudos. Esta página solo trata la cuestión de cuánto vale un número externo una vez que tienes el tuyo.

¿Por qué los benchmarks de drop-off de embudo entre industrias son evidencia débil?

Los benchmarks de drop-off de embudo entre industrias comparan números que no se produjeron de la misma manera, así que la distancia entre tu tasa y la media publicada no aporta información sobre tu producto. Tres cosas difieren entre las empresas que hay dentro de cualquier media. Las definiciones de paso difieren: una empresa cuenta un registro cuando se envía el email, otra lo cuenta cuando el email se verifica, y los dos denominadores no son la misma población. La mezcla de tráfico difiere: un embudo alimentado por búsqueda de marca se comporta distinto de uno alimentado por social de pago, y la media publicada no dice cuál alimentó la muestra. Las reglas de secuencia difieren: algunas herramientas cuentan que un usuario llegó al paso tres solo si pasó por el paso dos en la misma sesión, otras admiten cualquier orden y cualquier ventana.

Contentsquare expone este problema con sus propios datos. Su Digital Experience Benchmark de 2026, construido sobre 99 mil millones de sesiones web y de app en 6,500 o más sitios y nueve industrias entre el Q4 de 2024 y el Q4 de 2025, reporta la tasa de conversión como una variación interanual de menos 5.1%, no como una tasa absoluta con la que puedas compararte. Un editor con 99 mil millones de sesiones que elige publicar variaciones en lugar de niveles te está diciendo cuánto viajan los niveles.

¿Qué benchmarks de embudo publican su metodología?

La tabla de abajo lista las cifras de embudo y conversión donde el editor revela lo suficiente sobre muestra y método para que el número se pueda comprobar. Cada fila se leyó en la propia página del editor.

Dos de las filas de Baymard no llevan año de publicación en la página donde aparecen. Merece la pena decirlo en voz alta en lugar de blanquearlo en una cita segura de sí misma.

¿Qué cubre realmente la media del 70.22% de abandono del carrito?

El 70.22% del Baymard Institute es una media de 50 estudios distintos sobre abandono del carrito de compra en ecommerce, publicada en una página actualizada por última vez el 22 de septiembre de 2025, con los estudios subyacentes abarcando de 2006 a 2025. Es el número más sólido de esta categoría porque Baymard muestra sus insumos y su recuento. También es una media a lo largo de dos décadas de una web muy distinta, lo que significa que describe la forma de la pérdida de carritos a largo plazo y no el estado de tu checkout este trimestre. La métrica más estrecha, y en qué se diferencia del abandono del checkout, está trabajada en la fórmula de la tasa de abandono del carrito.

El desglose de motivos del propio Baymard, tomado de una encuesta a compradores en línea de EE. UU. cuyo tamaño de muestra la página no revela, atribuye el 40% de los abandonos a que los costes extra son demasiado altos, el 20% a que la entrega es demasiado lenta y el 19% a no confiar la información de la tarjeta de crédito al sitio. Esos porcentajes son más accionables que la cifra de titular, porque una sorpresa en el coste de envío es algo que puedes encontrar en una grabación y eliminar esta semana.

¿Cuánto cambia el número la definición de un paso?

Un cambio en la definición de un paso mueve una tasa de drop-off reportada en dos dígitos sin que ningún usuario se comporte distinto. Toma dos empresas SaaS que publican ambas un 62.00% de drop-off entre el registro y la activación.

La empresa A define el registro como email enviado. 10,000 usuarios envían un email, 3,800 activan.

(10,000 - 3,800) / 10,000 x 100 = 62.00%

La empresa B define el registro como email verificado. 10,000 usuarios envían un email, 6,500 verifican, 2,470 de esos activan.

(6,500 - 2,470) / 6,500 x 100 = 62.00%

Ambas reportan 62.00%. Medida desde la misma población de partida de 10,000 envíos de email, la empresa A pierde el 62.00% y la empresa B pierde el 75.30%. El benchmark publicado esconde 13.3 puntos de diferencia real detrás de una única cifra idéntica, y ningún lector del benchmark puede ver qué definición la produjo.

¿Con qué deberías comparar tu embudo en su lugar?

Compara tu embudo con tu propio embudo de un periodo anterior, con las definiciones de paso congeladas. Una línea base de cuatro semanas sobre tus propios datos controla la mezcla de tráfico, los límites de los pasos y las reglas de secuencia que las medias externas dejan sin definir, lo que convierte un cambio en el número en evidencia sobre un cambio que hiciste. Fija la línea base antes de lanzar nada, luego lee cada paso contra ella y trata cualquier movimiento mayor que tu variación normal de semana a semana como una señal que merece investigarse.

Los benchmarks externos aún se ganan un trabajo: dimensionar el premio. El hallazgo de Baymard de que un sitio de ecommerce a gran escala puede ganar un 35% de aumento de conversión con trabajo de usabilidad en el checkout, basado en 4,400 o más sesiones de participantes en pruebas a lo largo de 25 rondas, es un argumento para financiar un proyecto de checkout. No es un argumento de que tu checkout esté roto. Para convertir una pérdida medida en un paso en un cambio lanzado, consulta optimización del embudo de marketing y el orden de lectura de la guía del informe de embudo.

¿Cómo convierte Flowsery una cifra de drop-off en una causa?

Flowsery empareja el embudo con las grabaciones de los usuarios que lo abandonaron. Su analítica web integrada cubre embudos, objetivos, tráfico en tiempo real, ingresos por fuente y recorridos de usuario, así que el paso donde los usuarios se van y las sesiones detrás de ese paso viven en un solo producto. El análisis de embudos en Flowsery muestra la pérdida; el session replay muestra con qué se topó el usuario.

La detección corre en cada sesión. Flowsery encuentra rage clicks, dead clicks, errores de JavaScript, drop-offs y flujos rotos de forma automática, agrupa las sesiones coincidentes en un solo issue y ordena los issues por cuántos usuarios los sufren. Cada issue llega a Slack, Linear o Jira con el replay y los pasos de reproducción adjuntos, y mencionar a @flowsery en Slack abre un borrador de pull request en tu repositorio de GitHub. Las señales detrás de esas agrupaciones están descritas en señales de frustración.

Preguntas frecuentes

¿Cuál es una buena tasa de drop-off de embudo?

No hay ninguna cifra publicada entre industrias que responda a esto, porque los estudios que la definirían no comparten definiciones de paso. El ancla defendible más cercana es la media del 70.22% de abandono documentado del carrito del Baymard Institute, extraída de 50 estudios entre 2006 y 2025, que aplica a carritos de ecommerce y a nada más. Para cualquier otro embudo, tu propio periodo anterior es la única comparación que controla cómo se trazaron los pasos.

¿Por qué dos herramientas de analítica reportan drop-off distinto para el mismo embudo?

Las herramientas aplican reglas de secuencia y atribución distintas a los mismos eventos. Una cuenta a un usuario en el paso tres solo si el paso dos ocurrió antes en la misma sesión, otra cuenta cualquier orden dentro de una ventana de retrospectiva, y una tercera deduplica por usuario mientras la segunda cuenta sesiones. Lee la configuración de embudo de cada herramienta antes de tratar la distancia como un problema de calidad de datos.

¿Es la tasa de abandono del carrito lo mismo que el drop-off de embudo?

No. La tasa de abandono del carrito es una medición concreta de drop-off de extremo a extremo en un flujo concreto, de la creación del carrito al pedido completado. El drop-off de embudo es el caso general y se puede medir en cualquier paso de cualquier secuencia definida. Los dos se calculan de forma lo bastante distinta como para que la página de la tasa de abandono del carrito los trate por separado.

¿Qué tamaño de muestra necesito para que las cifras de mi embudo signifiquen algo?

Usuarios suficientes en el paso más estrecho como para que un puñado de personas no pueda mover el porcentaje. Si tu paso final ve 40 usuarios a la semana, un vaivén de cuatro personas es un movimiento de 10 puntos y no te dice nada. Amplía la ventana hasta que el paso más pequeño cargue unos cientos de usuarios, y lee la tendencia en lugar de la semana suelta.

¿Debería citar alguna vez un benchmark de la industria a mi equipo?

Cítalo para dimensionar una oportunidad, no para calificar tu embudo. El 6.6% de tasa de conversión mediana de landing page de Unbounce, salido de 41,000 o más páginas y 57 millones de conversiones en 2024, es una forma justa de argumentar que el trabajo en landing pages compensa. No es evidencia de que una página concreta tuya rinda por debajo.

¿Qué hago primero cuando un paso muestra una caída grande?

Mira las sesiones que terminaron en ese paso antes de cambiar nada. Una cifra de drop-off te dice dónde se van los usuarios y nunca por qué, y el porqué está en la grabación: un campo de formulario que rechaza una entrada válida, un botón que no hace nada, un error de script en un navegador concreto. Flowsery agrupa esas sesiones en un solo issue ordenado para que leas el patrón en lugar de diez replays sueltos.

¿Por qué Contentsquare reporta un cambio interanual en lugar de una tasa de conversión absoluta?

El Digital Experience Benchmark 2026 de Contentsquare se basa en 99 mil millones de sesiones web y de app en 6.500 o más sitios web y nueve industrias entre el Q4 2024 y el Q4 2025, y reporta la tasa de conversión como un cambio interanual de menos 5,1% en lugar de un nivel absoluto. Que un publisher con tantos datos elija publicar un delta en vez de una tasa absoluta indica que los niveles varían demasiado dentro de la muestra como para ser útiles. Lee la tendencia que reporta, no un número con el que medir tu propio embudo.

¿Qué causa la mayoría de los abandonos de carrito?

La encuesta de Baymard Institute a compradores online en EE. UU. atribuye el 40% de los abandonos a costos extra como envío, impuestos y tarifas, el 20% a una entrega demasiado lenta y el 19% a la desconfianza en dar los datos de la tarjeta al sitio. La página no revela el tamaño de la muestra de la encuesta. Los costos extra son el motivo individual más grande, y a diferencia de la cifra titular del 70,22%, este desglose señala algo que puedes encontrar en una grabación de sesión y arreglar esta misma semana.

¿Cuál es una tasa de conversión típica para una tienda Shopify?

El estudio de Littledata de 2023 sobre 2.800 tiendas Shopify encontró una tasa de conversión promedio del 1,4%. Esa cifra tiene las mismas limitaciones que cualquier promedio entre empresas. No dice nada sobre cómo esas tiendas definieron una conversión ni qué tráfico las alimentaba. Trátala como una referencia general de la industria, no como una meta para tu propia tienda.

¿Cuánto debería durar mi período de referencia para comparar cambios en el embudo?

Usa una línea base de cuatro semanas sobre tu propio embudo, con las definiciones de paso congeladas antes de lanzar cualquier cambio. Esa ventana controla la mezcla de tráfico, los límites de los pasos y las reglas de secuenciación que un benchmark externo deja sin definir, así que cualquier movimiento posterior mayor que tu variación semanal normal merece investigarse. Fija la línea base primero y luego lee cada paso contra ella después de lanzar el cambio.