Cómo crear un ad decision ledger para campañas con AI Max y saber qué cambió entre el brief y la conversión

Paso 1 — Trata el brief como una configuración versionada. Guarda una copia estructurada cada vez que cambien audiencia, propuesta de valor, tono, mensajes, exclusiones u ofertas. Asigna briefversion, fecha, owner y motivo. Aunque AI Brief permita escribir contexto en lenguaje natural, conviene extraer campos estables para comparar versiones y detectar cambios sustantivos. No sobreescribas la versión anterior. Vincula cada periodo de campaña con el brief vigente. Así, si el mix de búsquedas o creativos cambia después de una modificación, puedes investigar con evidencia. El objetivo no es burocracia; es evitar que una optimización importante dependa de recordar qué frase se cambió dos semanas atrás.

Paso 2 — Construye una fila de trayectoria por interacción agregada útil. Cuando el reporting lo permita, captura término o categoría de búsqueda, asset o conjunto creativo, landing page, campaña, timestamp y outcome disponible. Respeta privacidad y evita almacenar identificadores personales innecesarios. Si el volumen es alto, trabaja con agregaciones que conserven suficiente granularidad para encontrar patrones. Añade briefversion a cada grupo. Esta tabla funciona como lineage comercial: muestra qué interpretación hizo la plataforma y cómo se materializó frente al usuario. No necesita replicar cada log de Google; necesita una llave estable que permita unir intención, ejecución y resultado.

Paso 3 — Define métricas por etapa antes de pedir recomendaciones. Para búsqueda, mide relevancia y calidad comercial; para creativo, interacción y consistencia de promesa; para landing, conversión, calidad de lead y abandono. Separa métricas tempranas de outcomes de negocio. Una alta tasa de clics puede ser mala si atrae intención incorrecta. Cuando el cliente dispone de CRM, enlaza conversiones posteriores mediante mecanismos permitidos y seguros. Define ventanas temporales para que una venta tardía no se atribuya con prisa. El agente analítico debe conocer qué métricas son diagnósticas y cuál representa el outcome final que realmente importa.

Paso 4 — Agrupa trayectorias y busca rupturas, no culpables. Clusteriza recorridos por intención, mensaje y destino. Busca grupos con suficiente volumen donde un paso deteriora claramente el resultado. Por ejemplo, intención fuerte con asset genérico, promesa específica con landing amplia o tráfico barato que produce leads de baja calidad. Genera hipótesis concretas y evidencia asociada. Evita recomendaciones vagas como “mejorar creatividad”. Una recomendación útil dice qué segmento, qué combinación, qué problema observado y qué variable cambiar. Mantén una categoría unknown cuando no exista señal suficiente; forzar explicación en cada caso crea falsa precisión.

Paso 5 — Convierte cada recomendación importante en experimento o cambio trazable. Crea changeid, variable modificada, hipótesis, fecha, población y criterio de éxito. Cuando sea posible, usa A/B testing, holdout o una comparación temporal controlada. Si el cambio es pequeño y no permite experimento formal, registra igualmente baseline y ventana de observación. No realices cinco modificaciones simultáneas y después atribuyas el resultado a una sola. El ledger debe enlazar recomendación con implementación y resultado. Esta disciplina convierte reporting en aprendizaje acumulativo y reduce la costumbre de “optimizar” por intuición sin saber qué intervención produjo la mejora.

Paso 6 — Presenta el ledger como historia operativa, no como dashboard infinito. Una vista ejecutiva puede mostrar brief vigente, principales trayectorias, rupturas detectadas, experimentos abiertos y decisiones recientes. Cada elemento permite profundizar hasta evidencia. En Goatify, este addecisionledger puede alimentar un agente que prepara la revisión semanal y propone prioridades, mientras una persona aprueba cambios relevantes de mensaje o presupuesto. El producto no compite con Google Ads; convierte datos de la plataforma en memoria de decisiones para la marca. Con el tiempo, el cliente puede responder qué cambió, por qué, qué aprendió y qué patrón se ha repetido, sin reconstruir la historia desde hojas de cálculo dispersas.