Respuesta corta: para crear un dashboard útil en Power BI, conecta cada fuente a un modelo semántico con hechos a granularidad conocida, dimensiones compartidas y definiciones de KPI acordadas con marketing y ventas. Si una campaña, un contacto y una oportunidad se unen solo por nombres o fechas aproximadas, el gráfico puede ser atractivo y seguir contando mal el pipeline.
Qué problema resuelve Power BI en marketing y ventas
Power BI es una herramienta de Microsoft para preparar datos, construir un modelo semántico y publicar informes. En un equipo B2B puede unir gasto de campañas, eventos web, formularios y CRM para observar el recorrido hasta una oportunidad. La utilidad no está en mostrar más cifras: está en que ambos equipos compartan la misma definición de lead, oportunidad, importe y periodo.
Este enfoque encaja con RevOps como sistema de datos y procesos compartidos. El informe revela desacuerdos que conviene resolver antes de automatizar: dos fechas de creación distintas, oportunidades duplicadas o estados comerciales que cada equipo interpreta de otra manera.
1. Formula primero las preguntas de negocio
Antes de conectar una fuente, escribe qué decisión debe facilitar el informe. Por ejemplo: ¿qué canales aportan oportunidades aceptadas por ventas?, ¿en qué etapa se pierden contactos?, ¿cuánto tarda una oportunidad en pasar de creada a ganada? Cada pregunta exige una unidad de análisis y un periodo: campaña por mes, contacto por cohorte u oportunidad por fecha de creación.
Acuerda también quién es dueño de cada definición. Marketing puede medir captación, pero ventas debe validar qué significa «oportunidad aceptada». Una tasa sin denominador ni fecha de corte no es comparable. Si el objetivo es priorizar personas concretas, el modelo de lead scoring B2B responde otra pregunta: a quién revisar ahora, no qué canal generó más ingresos.
2. Inventaría fuentes, claves y límites
| Fuente | Granularidad útil | Clave y precaución |
|---|---|---|
| Plataformas publicitarias | Campaña, día y plataforma | ID de campaña; moneda, zona horaria y cambios de nombre |
| GA4 o analítica web | Evento o sesión, según el uso | UTM y fecha; una visita no es una persona ni una oportunidad |
| Formularios y marketing automation | Envío o evento por contacto | ID propio y consentimiento; deduplicar sin perder el evento |
| CRM | Cuenta, contacto, oportunidad y cambios de etapa | IDs estables; mantener separado el histórico de etapas del estado actual |
| Facturación, si existe | Factura o línea de pedido | ID de cliente y oportunidad conciliados; ingresos no equivalen a importe previsto |
Registra para cada campo su origen, propietario, fecha de extracción y regla de transformación. En GA4, Google recomienda etiquetar campañas con utm_source, utm_medium y utm_campaign. Ese etiquetado ayuda a clasificar tráfico, pero no crea por sí solo una unión fiable entre una sesión anónima y un negocio del CRM.
3. Diseña hechos y dimensiones antes de crear visuales
En un modelo en estrella, las tablas de hechos guardan eventos o importes medibles y las dimensiones describen entidades para filtrar y agrupar. Microsoft recomienda mantener una granularidad consistente en cada tabla de hechos y usar las relaciones para que los filtros lleguen a las medidas. Mezclar oportunidades y clics en una única tabla «maestra» suele duplicar importes cuando una oportunidad tiene varios contactos o interacciones.
DimFecha · DimCampaña · DimCuenta · DimContacto → HechoGasto / HechoLead / HechoOportunidad / HechoCambioEtapa
- HechoGasto
- Una fila por campaña, plataforma y día; inversión y, si procede, impresiones y clics.
- HechoLead
- Una fila por alta o evento de captación, con ID de contacto y fuente documentada.
- HechoOportunidad
- Una fila por oportunidad; importe, estado actual, fecha de creación y cierre.
- HechoCambioEtapa
- Una fila por transición de etapa; permite reconstruir el funnel histórico.
El esquema anterior es ilustrativo, no un proyecto ni resultados de un cliente. Define claves estables en origen y una tabla de correspondencias para IDs entre sistemas. Un email puede cambiar o compartirse; el nombre de empresa puede tener variantes. Mantén la relación cuenta–contacto–oportunidad explícita, y revisa con cuidado las relaciones muchos a muchos. Microsoft desaconseja relacionar directamente dos tablas de hechos mediante muchos a muchos como solución general.
4. Convierte el funnel en eventos medibles
Un funnel B2B no debería inferirse solo del estado actual del CRM. Si hoy una oportunidad está ganada, el informe necesita sus fechas anteriores para calcular tiempo en etapa y conversión por cohorte. Guarda eventos de creación, aceptación, cambio de etapa, pérdida y cierre. Usa una definición explícita para cada transición y conserva el motivo de descarte.
Cohorte es el conjunto de registros que entró en una etapa durante un periodo definido, por ejemplo las oportunidades creadas en septiembre. Su conversión a cierre se calcula sobre esa misma cohorte, indicando hasta qué fecha se observa. No dividas cierres de octubre entre leads de octubre si no pertenecen al mismo grupo. Una oportunidad abierta todavía no es una pérdida.
5. Define KPIs con denominador y fecha
| KPI | Definición operativa | Lectura correcta |
|---|---|---|
| Coste por lead | Gasto atribuible / leads válidos de la misma campaña y periodo | Controla captación; no demuestra calidad comercial |
| Aceptación por ventas | Leads aceptados / leads entregados en una cohorte | Mide acuerdo entre equipos; documenta exclusiones |
| Conversión a oportunidad | Oportunidades creadas / leads de la cohorte | Requiere una regla estable para vincular contacto y oportunidad |
| Pipeline creado | Suma del importe de oportunidades creadas en el periodo | Es potencial, no ingreso realizado; define moneda y duplicados |
| Win rate | Oportunidades ganadas / oportunidades cerradas (ganadas + perdidas) | Filtra por cohorte y fecha de corte; separa abiertas |
| Ciclo de venta | Mediana de días desde creación hasta cierre en oportunidades cerradas | La mediana resiste mejor los casos extremos |
Estas fórmulas son definiciones de trabajo, no valores de referencia universales. Un negocio puede necesitar medir por cuenta en vez de por lead, o usar ingreso contratado en lugar de facturación. Documenta cada cambio y su efecto en series anteriores.
6. Atribución: declara el método y sus límites
La atribución asigna crédito a interacciones previas a un resultado. No existe una unión automática y completa entre clics, contactos del CRM y ventas. Para un primer informe, distingue origen registrado del lead, campaña vinculada a la oportunidad y modelo de atribución de GA4; responden preguntas distintas. Si falta un ID fiable, informa «origen desconocido» en lugar de repartir ingresos artificialmente.
Google explica que la atribución basada en datos de GA4 distribuye crédito entre interacciones según el modelo de cada evento clave. No debe presentarse como equivalencia directa con el pipeline del CRM. La exportación de eventos a BigQuery permite análisis adicional, pero requiere reglas propias de identidad, transformación y conciliación.
7. Actualización, calidad y permisos
Define un calendario de actualización acorde con la decisión: un reporte semanal de pipeline quizá no necesita refrescarse cada hora. En modo Import, Power BI almacena una copia de datos que debe actualizarse; según la fuente, puede necesitar una puerta de enlace para acceder a sistemas locales. La documentación de Microsoft sobre actualización distingue modos de almacenamiento, conexión y errores de refresco. Revisa credenciales, última actualización y avisos de fallo.
Antes de publicar, compara conteos y sumas con cada sistema de origen: leads por mes, oportunidades abiertas y cerradas, importes por moneda y registros sin clave. Añade fecha de actualización visible. Si hay datos personales o comerciales sensibles, limita el acceso según roles y minimiza los campos incluidos en el informe.
Ejemplo de dashboard mínimo
Una primera página puede responder cinco preguntas: inversión por canal y mes; leads válidos por cohorte; porcentaje aceptado por ventas; oportunidades y pipeline creado; y tiempo desde alta hasta aceptación. Añade filtros de periodo, canal y segmento, una nota con las definiciones y la hora de última actualización. Una segunda página de calidad de datos debe mostrar duplicados, campos sin ID y oportunidades sin origen.
El orden de construcción es sencillo: valida una sola fuente de gasto y el CRM, reconcilia los IDs, prueba tres métricas con ventas y amplía después. Si los datos requieren limpieza recurrente, un workflow de normalización y alertas puede preparar la entrada del modelo, siempre con registro de errores y responsable.
Errores de modelado que cambian la conclusión
- Duplicar importes: unir una oportunidad a varios contactos y sumar el importe tras la unión.
- Perder el histórico: conservar solo la etapa actual y calcular una conversión retrospectiva inexistente.
- Comparar periodos distintos: gasto por fecha de clic frente a pipeline por fecha de cierre sin indicarlo.
- Confundir identidad: tratar sesión, contacto, cuenta y oportunidad como si fueran la misma entidad.
- Ocultar desconocidos: forzar una campaña a registros sin procedencia verificable.
- Medir todo a la vez: añadir visuales sin una decisión o responsable que los use.
Un buen informe no elimina la incertidumbre. La hace visible y permite decidir qué dato corregir primero.
Fuentes primarias consultadas
- Microsoft Learn — modelo en estrella y granularidad de hechos.
- Microsoft Learn — relaciones muchos a muchos.
- Microsoft Learn — actualización de modelos semánticos.
- Google Analytics Help — parámetros UTM, atribución y exportación a BigQuery.
Publicado y actualizado el 22 de octubre de 2026. El esquema y los KPIs son ejemplos metodológicos, no datos ni resultados atribuidos a clientes de Iván Salamanca.