La métrica «50+ conversiones al mes» en PMax es engañosa. ¿Qué es lo que realmente hace que una campaña esté madura?

Imagina una campaña de PMax que lleva 16 meses activa. Sin pausas, sin reinicios. Cada mes — un promedio de 306 conversiones. En total — 5,434 conversiones, 4.3 millones UAH de ingresos.

Por cualquier métrica de suma, esta es una campaña ejemplar. Cualquier experto internacional diría — todo está bien, esta campaña según todos los cánones es «madura», «entrenada», «predecible». Los blogs occidentales más populares repetirán que a partir de «60+ conversiones al mes» el algoritmo de PMax entra en una zona estable.

En abril de 2026, esta campaña dio 4 conversiones por semana. No 4 por día. Cuatro por semana. La tendencia de caída se mantenía desde hacía meses — desde un pico de 344 conv/semana en noviembre hasta prácticamente cero.

No por tu mala etiqueta. No por un presupuesto recortado. Sino porque la métrica con la que todos miden la «madurez» de una campaña de PMax — es un engaño.

Este artículo trata sobre lo que realmente hace madura a una campaña. Sin los típicos «vale la pena considerar» y «algunos expertos creen» de los blogs. Basado en 131 campañas de PMax de una sola cuenta, 16 meses de historia, 3.78 millones de filas de datos y 198 mil conversiones. Con una guía paso a paso para revisar tus propias campañas en 15 minutos.

Si gestionas PMax — lo que sigue será incómodo. Pero útil.

¿De dónde salió la cifra de 50/60?

La cifra no está sacada de la nada. Tiene lógica — y por eso todos la repiten. En la mayoría de las guías del sector, seminarios web y análisis de expertos se repite el mismo umbral — «50–60 conversiones al mes — y la campaña entra en una zona estable». La cifra varía ligeramente — algunos dicen 30, otros 50, otros 90 — pero la mecánica siempre es la misma:

Smart Bidding es un algoritmo que optimiza conversion_value/cost. El algoritmo necesita volumen de conversiones para identificar patrones estables — hora, dispositivo, audiencia, contexto. Si una campaña tiene 5 conversiones al mes — el algoritmo no tiene con qué aprender. Puja a ciegas.

Y esta es una tesis formalmente correcta. El propio Google en su documentación sobre Smart Bidding destaca que el algoritmo necesita un volumen de datos estadísticamente significativo para optimizarse correctamente. Esto no es marketing — son matemáticas. Si la muestra tiene tres puntos, cualquier regresión dará un resultado absurdo.

Entonces, ¿dónde está el engaño? El engaño está en la conclusión que se saca de este hecho.

La lógica del autor suena así: «El algoritmo necesita volumen → por lo tanto 60+ conv/mes → por lo tanto la campaña es madura → por lo tanto predecible». Las dos primeras flechas son correctas. La tercera sustituye los conceptos.

«El algoritmo tiene suficientes datos» ≠ «La campaña es madura».

Lo primero trata sobre la posibilidad de aprendizaje estadístico. Lo segundo trata sobre la resistencia a los cambios. Son propiedades diferentes. Una campaña de PMax puede tener 100 conversiones al mes en tu informe, ser «formalmente madura» según la tesis del autor, y sin embargo esas 100 conversiones pueden venir de tres o cuatro SKU que desaparecerán del feed la próxima semana. El lunes, tu campaña «madura» se convierte en «muerta».

Una métrica de suma solo ve el agregado final: 100 este mes, otras 100 el siguiente, otras 100. Lo que pasa dentro — le es indiferente. Y lo más importante está precisamente dentro.

Todas las fuentes occidentales callan sobre esto. No porque sea un secreto — sino porque para ellas el umbral de «60+ conv» cierra la conversación. Artículo publicado, lector satisfecho, se puede vender la siguiente herramienta.

Llegué a la tesis sobre el engaño del umbral no desde la teoría — sino desde campañas concretas que gestiono. Cuando una y otra vez ves cómo campañas con hermosas 250+ conversiones al mes se desploman en dos semanas — empiezas a dudar de la métrica. Lo verifiqué sistemáticamente, en 131 campañas durante 16 meses. El panorama resultó ser incluso peor de lo que esperaba.

A continuación — metodología y cifras.

Lo que hice — metodología

Sin una metodología precisa, cualquier tesis es solo una opinión. Por eso registro los parámetros básicos de la investigación:

Bloque de metodología · datos estructurados

De 131 campañas, filtré aquellas que nunca superaron el umbral de «50+ conv/mes» en 16 meses. Quedaron 62 campañas — nuestra muestra de campañas «formalmente maduras» según el criterio del autor. Con ellas es que verifico su tesis.

Para cada una de las 62 campañas, calculé: – cuántos meses la campaña tuvo ≥50 conv (de 1 a 16) – la distribución de conversiones por SKU dentro de cada mes (participación top-1, top-3, top-5) – la cantidad de SKU con ≥3 conversiones (métrica aproximada de «profundidad de surtido») – catástrofes — meses en los que la campaña perdió ≥50% de conversiones después de al menos un mes con ≥50 conv – en paralelo — la dinámica mensual de volumen de toda la cuenta, para distinguir «cayó junto con todo» de «cayó sola»

Los nombres de las campañas y productos están enmascarados (Campaña A, B, C, D, E, F).

Limitaciones de la muestra. Esto es un estudio piloto en una sola cuenta. Los resultados proporcionan hipótesis sólidas, no estándares definitivos. Publico la metodología ahora porque es lo suficientemente convincente como piloto — y estoy recopilando datos de otras cuentas para una investigación más amplia. Si tienes datos de tus propias campañas de PMax — únete, los contactos están al final del artículo.

Ahora — lo que encontré.

Primer shock — el 95% de las campañas «maduras» colapsaron

La primera hipótesis que verifiqué era simple: «Si la métrica de 50+ conv/mes es mala, entonces las campañas que la superaron caerán igual que las que no lo hicieron. El umbral no ofrece protección».

Esperaba ver una diferencia del 60% vs 80%, o algo por el estilo. La realidad resultó ser más extrema.

De las 62 campañas que superaron el umbral de 50+ conv/mes al menos en un mes: – 59 (95%) cayeron ≥50% al menos una vez después de volverse «maduras» – 15 (24%) están efectivamente muertas en los últimos 3 meses de observación (cero o casi cero conversiones) – En total — 112 catástrofes individuales en 62 campañas (un promedio de 1.8 caídas por campaña en 16 meses)

El 95% no es «tesis parcialmente confirmada». Es un colapso completo de la hipótesis de protección. El umbral de 50+ conv/mes no protege contra caídas de ninguna manera estadísticamente significativa. Una de cada 20 campañas no cayó en 16 meses. Las 19 restantes cayeron al menos una vez.

En este punto, debería escribir triunfalmente «¿ven? el umbral es un engaño» y pasar a las conclusiones. Pero entonces hice una segunda verificación, que esperaba con sospecha — y fue la que dio la parte más importante de la historia.

La segunda hipótesis: «Quizás las campañas con baja concentración de conversiones (top-3 SKU tienen menos del 30%) — caerán con menos frecuencia». La lógica es simple — si la campaña se sostiene en muchos SKU, la desaparición de uno o dos no debería derribarla.

Verifico: – de 13 campañas con alta concentración (top-3 ≥ 30%) — cayeron 12. Eso es el 92%. – de 49 campañas con baja concentración (top-3 < 30%) — cayeron 47. Eso es el 96%.

96% contra 92%. La baja concentración tampoco protege.

En ese momento, la primera versión de este artículo se desmoronó. Se suponía que sería una historia simple: «miren, la métrica de diversidad salva donde el umbral de 50+ no salva». Los datos dijeron otra cosa — la diversidad por sí sola tampoco salva.

Las investigaciones honestas tienen momentos en los que hay que detenerse y preguntarse: ¿estoy haciendo la pregunta correcta? Lo pregunté honestamente. Y comprendí que estaba haciendo la pregunta incorrecta.

La pregunta «¿cayó la campaña o no?» es binaria y no explica nada. La pregunta que tiene sentido es cómo cayó. Porque si una cayó junto con toda la cuenta (recortaron el presupuesto), y otra cayó sola en un período en que el resto de la cuenta vivía normalmente — son caídas diferentes con causas diferentes.

Rehice el análisis desde cero. Esta vez clasifiqué cada una de las 112 catástrofes por señales diagnósticas. Lo que resultó de esto — en la siguiente sección.

Clasificación de caídas de PMax — tres clases de caídas

Lo que voy a describir ahora — es mi desarrollo basado en el estudio de 131 campañas. Le doy a este método un nombre — PMax Crash Classification (PCC para abreviar) — para tener algo a qué referirme en artículos futuros y en tu práctica. Es un marco de clasificación, no una panacea. Su valor está precisamente en que distingue diferentes mecanismos de caída, en lugar de medir todo con una sola métrica.

PMax Crash Classification (PCC) es un marco diagnóstico que clasifica las caídas de las campañas de Performance Max en tres mecanismos (sistémico, estructural, contextual) basándose en dos ejes diagnósticos: cambios en el volumen de conversiones de toda la cuenta y el estado de actividad de los top-3 SKU de la campaña.

Para cada una de las 112 catástrofes, observé dos señales simultáneamente:

1. ¿Qué pasó con toda la cuenta en el mismo mes? Si la cuenta perdió ≥25% del volumen de conversiones — probablemente la causa es sistémica (presupuesto, reestructuración, evento externo). Si la cuenta vivía normalmente — la causa está en la propia campaña.
2. ¿Qué pasó con los top-3 SKU de esta campaña? Si desaparecieron del feed (impressions = 0) o dejaron de recibir conversiones — fragilidad estructural. Si todavía están activos — la causa está en otro lado.

La combinación de estas dos señales dio una imagen clara de tres mecanismos diferentes de caída.

Caídas sistémicas — 68% (76 de 112)

Esto es cuando no cae una sola campaña — cae toda la cuenta simultáneamente. En esta cuenta hubo cinco colapsos sistémicos en 16 meses: abril 2025 (-30% de volumen), julio 2025 (-38%), octubre 2025 (-32%), enero 2026 (-47%), abril 2026 (-41%, mes actual incompleto).

Las causas son conocidas para dos de ellos: abril 2025 — el cliente redujo presupuestos, enero 2026 — reestructuración del feed. El resto — parcialmente caídas estacionales, parcialmente eventos externos desconocidos.

Lo interesante: los top-3 SKU de las campañas que cayeron sistémicamente siguen vivos — hay impresiones, hay clics. El algoritmo simplemente no muestra anuncios con la misma agresividad porque las condiciones a nivel de cuenta cambiaron. Esto está fuera del control de la estructura de la campaña. La métrica de diversidad no cura las caídas sistémicas — no se pueden «curar» en absoluto, solo se pueden diagnosticar y explicar al cliente.

Caídas estructurales — 20% (23 de 112)

Esto es cuando el resto de la cuenta está viva, pero la campaña colapsa porque la sostenían 2-3 SKU que desaparecieron. En 16 casos, los SKU desaparecieron físicamente del feed (almacén agotado, nuevo reemplazó al viejo, el SKU se retiró de la venta). En 7 casos, los SKU están formalmente en el feed, pero el algoritmo dejó de mostrarlos — cayó el CTR, disminuyó el ranking, o simplemente los competidores los desplazaron.

Esta es la fragilidad que la métrica de «50+ conv/mes» oculta. Una campaña puede tener 250 conv/mes durante diez meses seguidos, ser «formalmente madura» — y todo ese tiempo sostenerse prácticamente en tres artículos. El mes en que esos tres artículos desaparezcan, la campaña se anula.

Las caídas estructurales son el mejor caso para una métrica de diversidad. Si los top-3 SKU tienen ≤25%, la campaña tiene al menos 10 SKU con ≥3 conversiones, entonces la desaparición de uno o dos artículos no derriba la campaña — el algoritmo tiene a qué cambiarse. Esta es la parte más manejable de los riesgos de PMax.

Caídas contextuales — 4% (4 de 112)

Esta es la clase más rara, pero conceptualmente importante. Los top-SKU todavía están en el feed, hay impresiones, hay clics — pero no hay compras. La temporada terminó. La tendencia pasó. El competidor superó el precio. El algoritmo sigue ejecutando la campaña porque técnicamente el tROAS lo permite — pero no llegan resultados.

La diversidad ayuda parcialmente aquí: si la campaña no se sostiene en productos estacionales sino en un surtido amplio, la caída contextual es menos probable. Pero si todo el segmento está en declive — no es un problema de diversidad, es la realidad del marketing.

Mixtas — 8% (9 de 112)

Casos donde se superponen varias causas simultáneamente: un mes sistémico + desaparición simultánea de top-SKU + estacionalidad. Es imposible distinguir cuál de las tres fue la decisiva. Las separo honestamente — no las escondo en una de las categorías principales como suelen hacer los blogs.

Resumen de la clasificación

La métrica de «50+ conv/mes» es ciega a las cuatro categorías de PCC. La métrica de diversidad ve exactamente dos de ellas (estructurales + parcialmente contextuales) y no ve las sistémicas en absoluto.

Esta es la lógica de PMax Crash Classification. No «usa diversidad en lugar de 50+» — eso sería el mismo error a un nuevo nivel. Sino «construye un dashboard diagnóstico con múltiples señales, cada una viendo su propio tipo de riesgo».

Seis casos — seis historias

La clasificación es árida. Así que tomemos seis campañas concretas de la muestra, una por arquetipo. Todos los datos están enmascarados — Campaña A, B, C, D, E, F. Los gráficos a continuación son datos semanales reales, no simulaciones.

Campaña A — 4 meses de madurez, pico estacional

La campaña despertó a mediados de noviembre de 2025 junto con la demanda estacional de la categoría. En seis semanas creció de cero a 218 conv/semana. Cuatro meses seguidos con ≥50 conv/mes — formalmente «madura». En la métrica de suma se veía perfecta.

Pero atención: los top-3 SKU mantenían el 80–100% de todo el volumen todo el tiempo. La campaña no estaba construida sobre un surtido amplio — estaba construida sobre tres artículos estacionales. Ningún otro SKU al que aferrarse. Mientras la temporada se mantenía, todo funcionaba. En febrero de 2026, la demanda desapareció — y la campaña se anuló en dos semanas.

Los top-3 SKU todavía están formalmente vivos en el feed. Simplemente la gente ya no los compra. Esta es la clase contextual — no «desaparecieron los productos», sino «desapareció la demanda». La métrica de diversidad ayuda parcialmente aquí: si la campaña tuviera un surtido no estacional de respaldo, la caída habría sido más gradual, no catastrófica.

Campaña B — 10 meses de madurez estable

Este es el mejor ejemplo de por qué la métrica de «50+ conv/mes» es engañosa. La campaña mantuvo 30–70 conversiones por semana de marzo a noviembre de 2025 — diez meses de antigüedad, mediana de 166 conv/mes. Cualquier experto internacional la llamaría «súper madura».

Pero una señal que el experto no miró — la participación de los top-3 SKU. Se mantenía estable entre 50–80%. Traducido: la campaña pasó los diez meses de madurez sosteniéndose en tres artículos. El resto del surtido era decorativo.

En la semana del 8 al 15 de diciembre de 2025, esos tres SKU desaparecieron del feed simultáneamente. Quizás el almacén se agotó. Quizás lo nuevo reemplazó lo viejo. La causa exacta desde los datos — solo se ve el hecho: después de esa semana, la campaña dio algunas conversiones más por inercia y se detuvo. En enero — cero. 10 meses de madurez no la salvaron porque toda esa madurez se sostenía en una estructura frágil.

Esta es una clase estructural pura — el mejor caso para una métrica de diversidad. Si los top-3 hubieran tenido ≤25%, la desaparición de tres SKU no habría derribado la campaña — el algoritmo habría tenido a qué cambiarse.

Campaña C — 257 conv/mes, cinco veces por encima del umbral

Si alguien dice «50+ conv/mes es bajo, nosotros tenemos 200+, estamos bien» — muéstrale esta campaña. Mediana — 257 conversiones al mes, cinco veces por encima del umbral. En total 2,896 conversiones en 16 meses.

Y aún así — cinco caídas consecutivas. Las primeras cuatro fueron sistémicas, sincrónicas con los colapsos de toda la cuenta: abril 2025 (recorte de presupuesto), julio, octubre 2025, enero 2026 (reestructuración). La campaña se reconstruía cada vez en dos o tres semanas porque tenía una buena base.

Pero la quinta caída — febrero 2026 — fue final y estructural. Los tres top-SKU desaparecieron del feed simultáneamente. La campaña no pudo recuperarse — y hasta ahora, dos meses después del colapso, da 0 conversiones por semana.

Una cifra absoluta alta de conversiones no prueba nada sobre la resistencia. 257 al mes podrían ser 3 SKU de 85 cada uno que desaparecerán el próximo mes. O 50 SKU de 5 cada uno, cada uno reemplazable.

Campaña D — 16 meses, contraejemplo

Y ahora una campaña que refuta mi propia tesis — y precisamente por eso la muestro. La más madura del catálogo. 16 meses de madurez ininterrumpida. Mediana de 306 conv/mes. Top-3 SKU = 32% — por debajo del umbral peligroso del 30%, en el límite. Los top-3 SKU todavía están activos a abril de 2026.

Si la diversidad fuera una panacea — esta campaña no habría caído. Pero cayó. De 344 conv/semana en noviembre de 2025 a 4 en abril de 2026.

¿Por qué? Porque todas sus cinco caídas fueron sistémicas. Pasó por recortes de presupuesto y reestructuración junto con el resto de la cuenta. No le afectó la desaparición de SKU — sus top-3 están en su lugar. Le afectaron decisiones fuera de la estructura de la campaña.

Este es un contraejemplo honesto. La diversidad no es una panacea. Salva de la clase 2 (estructural), parcialmente de la clase 3 (contextual), y de ninguna manera salva de la clase 1 (sistémica). Si el cliente recorta el 30% del presupuesto — la mejor estructura de campaña del mundo dará -30%, no +10%.

Campaña E — 13 meses, concentración moderada, caída mixta

La campaña mantuvo 30–105 conv/semana desde la primavera de 2025 hasta las fiestas de Año Nuevo. Top-3 = 31%, al borde del peligro, pero no más allá. Trece meses de antigüedad.

En enero de 2026 — colapso del 94%. Pero no se puede clasificar claramente: es simultáneamente (a) un mes sistémico de la cuenta con reestructuración, (b) una caída de demanda post-festiva y (c) los top-3 SKU dejaron de recibir conversiones después del 22 de diciembre.

¿Desapareció la demanda? Sí. ¿Se rompió la estructura? Sí. ¿Influyeron las decisiones a nivel de cuenta? Sí. Es imposible distinguir cuál de las tres fue la decisiva. Esta es la clase mixta. La separo honestamente — no la enmascaro bajo una de las categorías principales.

Campaña F — colapso post-festivo

Una historia clásica que se repite cada enero en muchas tiendas de e-commerce. La campaña se aceleró en noviembre (de 30 a 283 conv/semana), pico a finales de diciembre. Después del 12 de enero de 2026 — los top-3 SKU desaparecieron completamente del feed porque el stock navideño se agotó.

Esta es una clase estructural, no sistémica — porque la cuenta en febrero cayó solo un 10%, mientras que esta campaña cayó un 100%. Exactamente como la Campaña B, pero con aceleración estacional.

Este caso es el mejor ejemplo de «previsibilidad»: la concentración en top-3 creció desde noviembre, alcanzando el 70–100% en diciembre. Si hubieras monitoreado esta señal semanalmente — habrías tenido una llamada de advertencia dos o tres semanas antes del colapso: «Prepara el segundo escalón del surtido, después de las fiestas necesitarás a qué cambiarte». Ninguna métrica estándar de Google Ads daba esta señal — ni conversiones, ni ROAS, ni cost.

¿Cómo calcular la diversidad en tu propia cuenta?

Ahora la parte práctica. Si todo lo anterior te pareció convincente — así es como revisar tus propias campañas en 15 minutos.

Método rápido: Google Ads + Excel/Google Sheets (15 minutos por campaña)

En Google Ads, abre el informe «Informes → Informes listos → Shopping → Productos». Configura el período — últimos 30 días.

Exporta a CSV. Las columnas necesarias: ID del producto, Campaña, Conversiones, Costo, Valor de conversión.

En Excel/Sheets para una campaña específica: ordena por conversiones descendente. Calcula: – suma de todas las conversiones (TOTAL_CONV) – suma de las top-3 conversiones (TOP3_CONV) – participación top-3 = TOP3_CONV / TOTAL_CONV – cantidad de SKU con ≥3 conversiones

Lee las señales:

Si al menos un indicador está en rojo — la campaña es estructuralmente frágil, incluso si el volumen absoluto de conversiones es grande. Si hay dos o tres — comienza a planificar la reestructuración ya, no esperes el colapso.

Si tienes 50+ campañas

El método de Excel funciona hasta cierta escala. Si tienes un portafolio de 50+ campañas de PMax o varias cuentas — el procesamiento manual se convierte en un día laboral completo cada semana. Aquí ya se necesita automatización: Google Ads Data Transfer → BigQuery, una consulta semanal de clasificación, Looker Studio con alertas.

Hice esta automatización para mi portafolio de agencia — me ahorra varias horas cada semana. Si quieres discutir cómo adaptarla a tu escala — escríbeme. Es una historia aparte en la que no entro en este artículo.

¿Qué hacer con esto?

El diagnóstico PCC no es una revisión única. Es la base para un monitoreo semanal. El comportamiento de los top-3 SKU no es estático — la participación puede crecer gradualmente durante semanas hasta alcanzar la zona roja. Si ves una tendencia de crecimiento del 25% → 30% → 35% en tres semanas — es una llamada de advertencia antes de que la campaña caiga, no una explicación después del hecho.

¿Qué hacer con cada clase de caída PCC?

Ahora supongamos que la campaña ya cayó. Tu decisión depende de a qué clase de PCC pertenezca.

Caída sistémica

Cómo reconocerla: el volumen de conversiones de toda la cuenta cayó ≥25% en el mismo mes. Los top-SKU de tu campaña todavía están activos (impressions > 0).

Qué hacer:

• Primero — calma. No rompiste la campaña. La rompieron las condiciones externas.
• Revisa el presupuesto de la cuenta en el último mes — el cliente pudo haberlo reducido sin avisar al equipo de marketing. Esto pasa más seguido de lo que parece.
• Revisa Google Auto-Apply — tiene la costumbre de cambiar el tROAS sin advertencia explícita. Ve a Recommendations → Auto-applied, mira el historial.
• Si el evento es conocido (recorte consciente de presupuesto, reestructuración del feed, migración de plataforma) — escribe al cliente un informe honesto: «el volumen cayó por X, estructuralmente nada está roto, cuando regrese el presupuesto regresa el volumen».

Qué NO hacer: no empieces a «tratar» la estructura de la campaña. No agregues nuevos SKU, no cambies el tROAS, no reinicies. Una caída sistémica hay que esperarla — la campaña se recuperará sola cuando se recuperen las condiciones. Los intentos de «tratamiento activo» en este momento solo confundirán al algoritmo.

Caída estructural

Cómo reconocerla: la cuenta vivía normalmente, pero tu campaña se anuló. ≥2 de los 3 top-SKU del mes anterior tienen impressions=0 o conversions=0.

Qué hacer:

• Rápido: revisa el feed. ¿Desaparecieron los productos? ¿Se acabó el almacén? ¿Una nueva edición reemplazó al ID antiguo? Esto se arregla del lado del e-commerce, no de Google Ads.
• Medio: agrega a la campaña 5–10 SKU nuevos de un surtido relacionado. No «agregues todo lo que encuentres» — agrega productos que por categoría/precio/tipo sean cercanos a los que funcionaban. El algoritmo necesita un contexto similar para reentrenarse.
• Estratégico: para todas las campañas con top-3 ≥ 30% (según el diagnóstico de la sección 7), planifica anticipadamente un «segundo escalón». No esperes el colapso — mientras la campaña está en verde, agrega surtido de respaldo y observa cuál despega.

Qué NO hacer: no intentes «reanimar» SKU desaparecidos con el mismo item_id. Si el almacén desapareció físicamente — coloca un producto nuevo con un ID nuevo, no intentes revivir la ficha antigua. El algoritmo asocia datos con un item_id específico, no sabrá que querías continuar el «mismo» producto.

Caída contextual

Cómo reconocerla: los top-SKU todavía están en el feed, hay impresiones, hay clics — pero el CR (tasa de conversión) cayó ≥50%. Esto es una señal de que la demanda disminuyó, no de que la estructura de la campaña se rompió.

Qué hacer:

• La mayoría de las veces — lo mejor es no hacer nada. Si es estacionalidad (las fiestas terminaron, la moda cambió, la tendencia pasó) — el algoritmo de PMax no arreglará la demanda. Intentar «acelerar» la campaña en una demanda decreciente solo quema presupuesto.
• Si hay surtido de respaldo — cambia la campaña a ese. No al mismo pico muerto que ya cumplió su ciclo.
• Temporalmente, reduce el presupuesto al mínimo para no alimentar al algoritmo con datos de una categoría moribunda.
• Vuelve al presupuesto completo cuando la demanda en la categoría reaparezca — lo verás por la orgánica, por los competidores, por el calendario estacional.

Qué NO hacer: no cambies el tROAS en un intento de «desbloquear» el algoritmo. Si la gente no compra con tROAS al 800%, no comprará ni al 600%. Solo pagarás de más por clics fallidos.

Caída mixta

Si no puedes atribuir claramente la caída a una de las tres clases — es una señal de que no hay suficientes datos para una decisión, no de que debas hacer todo a la vez. Espera 1–2 semanas, observa qué señal se vuelve dominante. Si después de dos semanas aún no está claro — empieza con la hipótesis estructural (es la más manejable), y si no ayuda — cambia a la estrategia contextual (reducción de presupuesto y redirección).

Límites de aplicación de PCC

Cualquier marco de clasificación tiene límites precisos dentro de los cuales funciona. Estos son los límites de PMax Crash Classification — para que entiendas dónde el método da una respuesta precisa y dónde se necesita adaptación.

PCC funciona con precisión cuando:

• La cuenta tiene al menos 12 meses de historia y 50+ campañas de PMax activas.
• Hay datos disponibles a nivel de campaña × item_id × semana (exportación «Productos en Shopping» de Google Ads).
• e-Commerce con seguimiento a nivel de SKU (para generación de leads — adaptación aparte).

PCC necesita adaptación cuando:

1. Tienes menos de 6 meses de datos. La lógica de clasificación es la misma, pero la distribución 68/20/4 es un retrato de la cuenta en la que la desarrollé, no un estándar. Tu distribución será la tuya. El método es universal — las proporciones son contextuales.
2. Tienes 5–10 campañas. El método funciona, pero la muestra es demasiado pequeña para ver patrones estadísticamente significativos. Usa PCC para clasificar caídas individuales, no para deducir una «distribución de clases».

Los «meses negros» siempre son contextuales. En esta cuenta, las caídas sistémicas tenían causas conocidas — abril 2025 (recorte de presupuesto del cliente) y enero 2026 (reestructuración del feed). En tu cuenta — otras causas. La señal «el volumen de la cuenta cayó ≥25%» funciona universalmente; la interpretación de la causa es siempre tu trabajo.

La diversidad es una de tres señales, no la única. PCC está construida sobre dos ejes diagnósticos (a nivel de cuenta + top-3 SKU). Un dashboard de monitoreo completo incluiría además la tendencia de impresiones por SKU y la dispersión del ROAS entre los top-3 y el resto. Me limité deliberadamente a las señales más accesibles — la versión completa del dashboard estará en el próximo artículo.

Conclusión

El umbral de «50+ conv/mes» es un punto de referencia útil, no una zona de seguridad. Todavía no tienes suficientes datos para tROAS hasta que lo hayas superado. Pero todavía no tienes una campaña estructuralmente estable, incluso cuando lo has superado. Son niveles diferentes.

El indicador real de madurez de PMax es una combinación de tres señales: 1. Volumen de conversiones — si el algoritmo tiene con qué aprender 2. Métrica de diversidad — si la campaña está construida sobre una base amplia (top-3 ≤ 25%, ≥10 SKU con ≥3 conv) 3. Dinámica de top-SKU — si las posiciones en las que se sostiene la campaña son estables

Una métrica de volumen sola sin diagnóstico estructural — es como ir al médico que solo mide la temperatura. Algo dirá, pero no todo. Y seguro no dirá si el cuerpo está listo para el esfuerzo.

PMax Crash Classification (PCC) proporciona un marco en el que cada caída de campaña se puede atribuir con precisión a uno de tres mecanismos — sistémico, estructural o contextual — y elegir una reacción adecuada en lugar de un genérico «hay que hacer algo».

Si tienes 5+ campañas de PMax — revísalas con mis instrucciones y mira tu cuenta a través de los ojos de estas tres señales, no solo de una. Si encuentras patrones interesantes — escríbeme. Estoy recopilando casos para la próxima investigación, en la que planeo verificar: – si la distribución de clases 68/20/4 se mantiene en una muestra más amplia de cuentas – cómo cambia el panorama al recalcular mediante POAS (Profit on Ad Spend) en lugar de ingresos — ese es un artículo aparte

PMax es un sistema complejo. Merece un diagnóstico más complejo que una sola cifra.

FAQ

• ✅ ¿Cuántas conversiones necesita realmente una campaña de PMax?

  Depende de la clase de riesgo que quieras controlar. Para el aprendizaje estadístico de Smart Bidding — 50–60 conv/mes realmente se necesitan. Para la resistencia estructural — es una condición necesaria pero no suficiente. La madurez real se alcanza cuando la campaña tiene al menos 10 SKU con ≥3 conversiones y los top-3 no superan el 25–30% del volumen. Lo primero y lo segundo son parámetros diferentes.

• ✅ ¿Qué es una «caída estructural» y cómo distinguirla?

  Una de las tres clases de PMax Crash Classification. Es una caída de la campaña de ≥50% mientras que el volumen total de conversiones de la cuenta en el mismo mes no cambió significativamente. La causa más frecuente — los top-3 SKU de esta campaña desaparecieron del feed o dejaron de recibir conversiones. Se puede distinguir por dos señales simultáneamente: volume a nivel de cuenta + impresiones de top-SKU.

• ✅ ¿La concentración en top-3 SKU es siempre un riesgo?

  No siempre. Si los top-3 son productos no estacionales estables que están constantemente en stock (por ejemplo, el catálogo base) — la concentración es menos crítica. El riesgo aumenta cuando los top-3 son estacionales, de liquidación, dependientes de un evento promocional específico o de un solo proveedor. Revisa no solo la participación, sino también los riesgos de los propios artículos.

• ✅ ¿Maximize Conversions es más seguro que tROAS en campañas pequeñas?

  A veces sí. En transiciones entre temporadas, después de out-of-stock o después de la desaparición de top-SKU — tROAS asfixia al algoritmo donde Maximize Conversions le da una oportunidad de reentrenarse en un nuevo surtido. Pero esto es una medida temporal, no una estrategia permanente. Una vez que la nueva estructura se estabilice y dé 30+ conv/mes — vuelve a tROAS.

• ✅ ¿Con qué frecuencia monitorear la diversidad?

  Semanalmente — como mínimo. En temporadas pre-festivas (noviembre–diciembre para la mayoría del e-commerce) — dos veces por semana. Después de cada edición del feed (agregaste/eliminaste SKU, cambiaste categorías, migraste plataforma) — verifica obligatoriamente después de una semana.

• ✅ ¿Esto solo funciona para e-commerce?

  El enfoque del artículo es e-commerce, porque allí los SKU son evidentes. Para generación de leads, la lógica es la misma, pero «SKU» = tipos de leads / categorías de servicios / formularios. La diversidad por tipos de leads — también es una señal funcional, solo que un poco más difícil de calcular.

• ✅ ¿Qué es PMax Crash Classification (PCC)?

  Es un marco de clasificación que desarrollé basándome en el análisis de 131 campañas de PMax durante 16 meses. Distingue tres mecanismos de caída de campañas PMax — sistémico (68% de las catástrofes en mi estudio), estructural (20%) y contextual (4%) — para que para cada tipo se pueda elegir una reacción adecuada en lugar de un genérico «hay que hacer algo». Clasificación + acciones recomendadas están en las secciones 5 y 8.