LTV en paid media: cómo dejar de optimizar solo a corto plazo

La mayoría de las cuentas de paid media que auditamos optimizan bien un número equivocado. El ROAS del último clic te dice qué campaña generó ingresos esta semana, pero no te dice si esos clientes van a comprar una vez o diez. Y esa diferencia, multiplicada por miles de conversiones al mes, es la que separa una cuenta rentable de una que solo parece rentable en el dashboard.

El problema no es nuevo, pero se ha vuelto más urgente. Con la desaparición progresiva de cookies de terceros, las restricciones de tracking en iOS y el auge del smart bidding automatizado, las plataformas —Google, Meta, TikTok— optimizan hacia la señal que reciben: conversiones a corto plazo, normalmente la primera compra. Si tu negocio depende de la recurrencia (suscripción, e-commerce con recompra, servicios), estás entrenando el algoritmo para traerte clientes baratos y de bajo valor, no clientes rentables. El LTV en paid media no es una métrica de reporting bonita para el board: es una palanca de bidding que la mayoría de las cuentas todavía no usa.

Por qué el ROAS a corto plazo maquilla la realidad

El ROAS de 7 o 30 días es una fotografía, no una película. Compara dos campañas con el mismo ROAS a 30 días: una capta clientes que compran una vez y no vuelven; la otra capta clientes que repiten compra cada dos meses durante un año. En el dashboard son idénticas. En la cuenta de resultados, no tiene nada que ver.

Esto se agrava con el full-funnel mal medido: los canales de prospección (Meta, TikTok, display programático) suelen tener peor ROAS aparente que el retargeting o el search de marca, precisamente porque captan al cliente antes en el journey. Si repartes presupuesto solo por ROAS de última milla, estás desfinanciando de forma sistemática la adquisición de los clientes de mayor valor futuro.

Cómo calcular el LTV sin depender de una atribución perfecta

No hace falta un modelo de atribución perfecto para empezar a usar el LTV en las decisiones de inversión. Basta con conectar cuatro piezas de datos que la mayoría de las marcas ya tiene, aunque estén dispersas:

• Valor histórico por cohorte de adquisición: ingresos acumulados a 90, 180 y 365 días, segmentados por canal de primer contacto.
• Margen de contribución real, no solo ingresos — el LTV sin margen es una métrica de vanidad.
• Tasa de recompra o retención por segmento, para proyectar el valor futuro de las cohortes recientes sin esperar doce meses de datos.
• Coste de adquisición por canal, cruzado con el LTV proyectado para calcular un ratio LTV:CAC real, no aproximado.

Con esto se puede construir un LTV predictivo simple —una regresión o incluso reglas por cohorte— sin necesitar un equipo de data science dedicado. La clave no es la sofisticación del modelo, es que exista y se actualice cada mes.

Optimizar paid media solo por ROAS a corto plazo es como dirigir una empresa mirando solo la caja diaria: parece prudente, pero lleva a decisiones que destruyen valor a medio plazo.

De LTV a bidding: cómo activarlo en Google Ads y Meta

Tener el dato de LTV no sirve de nada si se queda en un informe trimestral. Las dos plataformas que concentran la mayoría del paid media en España permiten activarlo directamente en la puja.

En Google Ads, el value-based bidding con tROAS permite subir el valor de conversión declarado según el LTV proyectado del segmento, en lugar de usar el valor de la primera transacción. En Meta, enviar eventos de valor de conversión ajustado por LTV vía Conversions API entrena el algoritmo hacia el cliente correcto, no solo hacia el clic barato. En ambos casos, el requisito no es tecnológico —es tener el pipeline de datos que calcula ese LTV con la frecuencia suficiente para alimentar el bidding sin desfase.

El contexto europeo no es una excusa para no medir

Es cierto que el marco de RGPD y ePrivacy en España complica el tracking cross-device y la ventana de atribución larga que necesita un modelo de LTV robusto. Pero esto no es una excusa para renunciar a medir: es una razón para invertir en first-party data, consentimiento bien implementado y modelos agregados por cohortes —no usuario a usuario— que no dependan de identificar a cada persona durante 365 días. Las marcas que esperan a tener "atribución perfecta" para actuar sobre el LTV, simplemente, nunca actúan.

En Latitude Media tratamos la inversión en paid media como una decisión de negocio, no de canal: medimos incrementalidad real, conectamos el dato de LTV con el bidding y tomamos decisiones de presupuesto full-funnel basadas en lo que un cliente vale de verdad, no en lo que factura la primera semana. Esa es la diferencia entre optimizar un dashboard y optimizar una cuenta de resultados.