8 análisis en Customer Journey Analytics (Adobe CJA)

En Adobe Customer Journey Analytics (CJA), ocho análisis resuelven la mayoría de las preguntas de marketing, ecommerce y servicio: el embudo de abandono entre canales, las rutas, los recorridos con varias entradas, las cohortes, la atribución, la comparación de segmentos y audiencias, las anomalías con alertas y la medición de journeys de Adobe Journey Optimizer (AJO). Todos se arman en Analysis Workspace sobre una vista de datos, y todos dependen de una buena conexión y de la unión de identidades.

Si estás evaluando la herramienta, empieza por nuestra guía de qué es CJA. Esta nota es la parte práctica: qué responde cada análisis, cómo se arma y en qué se equivoca la gente. Lo que decimos de funciones sale de la documentación de Adobe en Experience League, revisada en noviembre de 2026. Usamos los nombres de la interfaz en inglés y, cuando cambia, el de la interfaz en español.

Los 8 análisis en una tabla

Lo mínimo para que los análisis funcionen

Cuando un análisis da números raros, casi nunca es culpa de Workspace. La causa suele estar en una de estas cuatro capas.

Conexión: los datasets y un mismo ID de persona

Una conexión reúne datasets de Adobe Experience Platform (AEP) de evento, perfil, búsqueda (lookup) y resumen. CJA combina todos los de eventos en uno solo: los campos con la misma ruta de esquema se vuelven una columna, el ID de persona de cada dataset se une en una sola columna aunque se llame distinto, y las filas se ordenan por fecha y hora.

Por eso un embudo que cruza web, app y centro de contacto solo funciona si las fuentes comparten un identificador con el mismo formato (ID de cliente, correo con hash o teléfono). Adobe recomienda además un campo en cada dataset que diga de qué fuente viene el evento.

Vista de datos y configuración de componentes

La vista de datos (data view) define qué dimensiones y métricas existen y cómo se comportan. Sus ajustes son retroactivos y no destructivos, y una conexión puede tener varias vistas. Lo que más pesa aquí:

• Persistencia. Hace que el valor de una dimensión cuente para eventos posteriores. Combina una asignación (Most recent, Original, All, First known o Last known) y una caducidad (sesión por defecto, persona, tiempo personalizado o una métrica), de hasta 90 días.
• Campos derivados. Transforman datos con un constructor de reglas sin tocar el esquema: corregir nombres de página o armar el canal de marketing con la plantilla Marketing channels.
• Sesión. Adobe sugiere 30 minutos para analizar comportamiento en línea y un tiempo largo (tres meses en su ejemplo) para cruzar compras con llamadas al centro de contacto.
• Contenedores. Persona, sesión y evento. Casi todas las visualizaciones piden uno, y la respuesta cambia según cuál uses.

En CJA se llaman segmentos: hasta abril de 2025 la interfaz los llamaba "filtros", y Adobe unificó el nombre con Adobe Analytics.

Unión de identidades (stitching)

La unión de identidades (stitching; en la documentación en español, "vinculación") reasigna los eventos anónimos de un dataset al ID de persona cuando lo encuentra; si no, usa el ID persistente del dispositivo.

Límites: solo aplica a datasets de eventos, distingue mayúsculas y minúsculas (Bob y BOB son dos personas), trabaja sobre un dataset y no los une entre sí, y hoy se activa desde la interfaz de conexiones. Adobe pide confirmar antes que tienes los permisos que exige la ley; en nuestra nota de gobierno de datos en AEP explicamos cómo ordenar identidad y consentimiento.

Zona horaria y calendario de la vista de datos

Cada vista de datos tiene su zona horaria y su calendario (gregoriano, 4-5-4 de retail o personalizado). Si eliges una zona con horario de verano, CJA lo ajusta. La Ciudad de México está en UTC-6 todo el año desde 2022 (la franja fronteriza del norte sí cambia de horario). Si tu negocio cierra el día en hora de CDMX, usa esa zona: una venta a las 23:30 cae en otro día si la vista está en otra. Si un equipo en Estados Unidos o Canadá reporta en su hora, crea otra vista sobre la misma conexión.

Los 8 análisis, paso a paso

Cada análisis sigue la misma estructura: pregunta, datos, cómo armarlo, cómo leerlo y el error que más vemos.

1. Embudo de abandono entre canales (Fallout)

Pregunta de negocio. ¿En qué paso se pierde la compra y cuánta gente la retoma llamando al centro de contacto?

Datos y componentes. Eventos web y app del checkout y un dataset de llamadas con el mismo ID de persona. Para las llamadas, Adobe sugiere una métrica basada en el motivo de llamada, deduplicada para contar una vez por sesión.

Cómo armarlo en Workspace:

1. Agrega la visualización Fallout (en español aparece como "Visita en orden previsto").
2. Arrastra los pasos en orden: ver producto, agregar al carrito, iniciar checkout y compra. Pueden ser dimensiones, valores, métricas o segmentos.
3. Agrega la métrica de llamadas como otro paso; mezclar dimensiones y métricas es el fallout interdimensional.
4. Elige el contenedor: Person (por defecto, cruza sesiones) o Session.
5. En cada paso, elige Eventual path (llega en algún momento) o Next event (en el evento inmediato).
6. Clic derecho en un paso → Break down fallout at this touchpoint, para ver qué hicieron justo después quienes se cayeron.

Cómo leer el resultado. Los números en gris son la caída respecto al paso anterior, no la acumulada.

Error común. Leer la caída como abandono de sesión con el contenedor Person: quien abandonó el lunes y compró el jueves cuenta como conversión.

2. Rutas antes y después de un momento clave (Flow)

Pregunta de negocio. ¿Qué hace la gente justo antes de llamar a soporte, cancelar o dejar el carrito?

Datos y componentes. Una dimensión de ruta. Para ligar llamadas con la última página vista, Adobe sugiere una dimensión de página con asignación de último contacto y persistencia de sesión.

Cómo armarlo en Workspace:

1. Agrega la visualización Flow (Flujo).
2. Ancla en Starts with, Contains o Ends with; para "qué pasa antes de llamar", Ends with con la métrica de llamadas.
3. Si anclas en una métrica, elige la dimensión de ruta (Page por defecto).
4. En opciones avanzadas, decide si incluyes repeticiones, como recargas (Include repeat instances, apagada por defecto). Hay hasta 5 columnas y 10 elementos por columna.
5. Selecciona un punto de la ruta para crear un segmento con quienes pasaron por ahí.

Cómo leer el resultado. Flow cuenta ocurrencias (vistas de ruta), no personas. Sirve para descubrir caminos; para medir una secuencia fija está el Fallout.

Error común. Presentar sus números como clientes, o anclar en una métrica calculada: Starts with y Ends with no las aceptan.

3. Recorridos con varias entradas (Journey canvas)

Pregunta de negocio. ¿Qué camino convierte mejor cuando la gente llega por correo, búsqueda o la app, y termina comprando en línea o recogiendo en tienda?

Datos y componentes. Eventos, valores de dimensión, segmentos y rangos de fechas como nodos. La métrica principal puede ser cualquiera, incluso calculada, y admite una secundaria.

Cómo armarlo en Workspace:

1. Agrega Journey canvas (Lienzo de recorrido).
2. Elige la métrica principal (personas) y, si quieres, una secundaria (ingresos).
3. Deja vacío el campo del journey de AJO para empezar en blanco y elige el contenedor.
4. Arrastra componentes como nodos y conéctalos con flechas; puede haber varios inicios, varios finales y caminos que se cruzan.
5. Aplica un desglose a un nodo, o crea una audiencia desde un nodo, una flecha o la caída.

Cómo leer el resultado. Arriba del lienzo, CJA indica el camino con la mayor tasa de conversión. Los porcentajes pueden calcularse sobre toda la vista, sobre quienes iniciaron el recorrido o sobre el nodo anterior.

Error común. Leer una flecha como "el paso inmediato". Los nodos se conectan como ruta eventual: la persona cuenta aunque haya hecho otras cosas en medio, dentro del contenedor elegido.

4. Cohortes de retención y recompra (Cohort table)

Pregunta de negocio. De quienes compraron por primera vez en un mes, ¿cuántos vuelven en los meses siguientes y cambia según su canal de llegada?

Datos y componentes. Una métrica de inclusión (pedidos) y una de regreso. Cada criterio admite hasta 10 segmentos y 3 métricas.

Cómo armarlo en Workspace:

1. Agrega Cohort table (Tabla de cohortes).
2. Inclusión: pedidos, con una condición numérica si la necesitas. Regreso: la métrica que define "volvió".
3. Elige la granularidad (día a año) y el tipo: Retention (por defecto) o Churn.
4. Opcional: Rolling calculation; Latency table, para ver el antes y el después de un evento, o Custom dimension cohort, para cohortes por canal, campaña o región. Las dos últimas no se combinan.
5. Selecciona celdas y usa Create Segment From Selection para trabajar con ese grupo.

Cómo leer el resultado. Cada fila es una cohorte y cada columna, un periodo después de la inclusión.

Error común. Reportar "retención" sin decir el cálculo. El normal cuenta a quien regresa en un periodo aunque haya faltado en el anterior; el móvil, solo a quien regresó en todos los previos. No son comparables.

5. Atribución multicanal (panel Attribution)

Pregunta de negocio. ¿Qué canal merece el crédito de una venta, y cambia la respuesta según el modelo?

Datos y componentes. Una métrica de éxito y una dimensión de canal. Con datos del Web SDK, el canal de marketing suele armarse con un campo derivado.

Cómo armarlo en Workspace:

1. Crea un panel Attribution (Atribución) con la métrica de éxito y la dimensión de canal.
2. Elige los modelos: Last Touch, First Touch, Linear, Participation, Same Touch, U Shaped, J Curve, Inverse J, Time Decay, Custom o Algorithmic.
3. Elige el contenedor y la ventana retrospectiva: la del reporte, 14, 30, 60 o 90 días, o personalizada. Con contenedor de sesión, la ventana queda fija en la del reporte.
4. Construye el panel.

Cómo leer el resultado. Trae comparación por modelo en barra y tabla, traslape de los tres canales principales, dispersión de hasta tres modelos, tendencia y flujo entre canales. Si una conversión tuvo un solo punto de contacto, ese canal recibe el 100% en cualquier modelo: las diferencias aparecen cuando hubo varios. Algorithmic se basa en el dividendo de Harsanyi, una generalización del valor de Shapley.

Error común. Poner una asignación en la persistencia de la dimensión y otro modelo en la métrica, esperando que se sumen. Adobe documenta que un modelo distinto al predeterminado ignora la asignación de la dimensión.

6. Comparación de segmentos y audiencias

Pregunta de negocio. ¿En qué se comportan distinto los clientes de app y los de solo web, o los miembros del programa de lealtad y el resto?

Datos y componentes. Segmentos de CJA, o audiencias de Adobe Real-Time CDP traídas con Audience analysis, que convierte la pertenencia a audiencias en dimensiones.

Cómo armarlo en Workspace:

1. Crea los segmentos con contenedor de persona.
2. En un Fallout, arrastra los dos segmentos arriba para compararlos lado a lado; quita "All People" si solo quieres esos dos.
3. En una tabla libre (Freeform table), pon los segmentos como columnas sobre conversión o ticket promedio, y usa un Venn para ver el traslape.
4. Para audiencias de Real-Time CDP, configura Audience analysis con el sandbox y la política de combinación (merge policy). La plantilla Audience overview compara hasta tres audiencias en un Venn.
5. En sentido contrario, publica un segmento de CJA como audiencia en Real-Time CDP para usarlo en AJO.

Cómo leer el resultado. Compara tasas, no volúmenes. Del lado de la plataforma, nuestra nota de Real-Time CDP explica cómo se construyen las audiencias.

Error común. Buscar el panel Segment Comparison de Adobe Analytics: CJA no lo tiene. Y mover el rango de fechas en Audience analysis: la pertenencia se recalcula cada noche y solo es exacta para el día anterior.

7. Detección de anomalías y alertas

Pregunta de negocio. La conversión bajó el martes: ¿caída real o variación normal? ¿Cómo me entero a tiempo?

Datos y componentes. Una serie de tiempo con historial. En granularidad diaria, el modelo compara contra hasta 35 días previos y el mismo periodo del año anterior.

Cómo armarlo en Workspace:

1. En una tabla libre por día, activa Show anomalies en la configuración de la columna; en una gráfica de línea, en la de la visualización (viene apagado).
2. Para una alerta, selecciona filas, clic derecho → Create alert from selection. Define granularidad, retraso (delay), métricas y umbral; llega por correo o SMS con liga a un proyecto.
3. Las alertas por umbral de anomalía (Intelligent Alerts) dependen del paquete de CJA contratado.

Cómo leer el resultado. El área sombreada es el rango esperado; un punto blanco fuera de ella es una anomalía.

Error común. Esperar que el modelo entienda El Buen Fin. Los festivos que ajusta son Memorial Day, 4 de julio, Thanksgiving, Black Friday, Cyber Monday, 24 a 26 de diciembre, 31 de diciembre y 1 de enero: marca El Buen Fin con una anotación. Tampoco crees alertas por hora sobre datos que llegan por lotes, como el centro de contacto. Y si vienes de Adobe Analytics: CJA no tiene análisis de contribución (Contribution analysis); desglosa la métrica por dimensiones en una tabla libre.

8. Medición de journeys de Adobe Journey Optimizer

Pregunta de negocio. ¿En qué paso se sale la gente del journey y qué hace después en el sitio, la app o la tienda?

Datos y componentes. Los datasets de AJO: Journey Step Events (quién pasó por cada nodo), retroalimentación de mensajes (envíos, rebotes), seguimiento de correo (aperturas, clics, bajas) y push, y AJO Entity Dataset, con los datos de cada journey y campaña.

Cómo armarlo en Workspace:

1. Al activar CJA como motor de reportes de AJO se crean una conexión (AJO Enabled Connection) y una vista de datos por sandbox, con componentes marcados "(AJO)".
2. Para cruzar con compras, agrega esos datasets a tu conexión principal con el mismo ID de persona; la automática solo trae datos de AJO.
3. En un Journey canvas, elige el journey (Live, Stopped o Finished) y se dibuja con la misma estructura que en AJO. También puedes abrirlo desde AJO.
4. Suma una métrica secundaria, como ingresos, y desglosa nodos por canal o segmento.

Cómo leer el resultado. Según Adobe, las diferencias entre AJO y CJA suelen ser menores a 1-2%, y mayores en las últimas dos horas.

Error común. Comparar el día en curso: usa rangos que excluyan hoy. Para diseñar los journeys, revisa nuestros ejemplos de journeys en AJO.

CJA B2B Edition y Content Analytics

• CJA B2B Edition agrega reportes por cuenta, con contenedores de cuenta, cuenta global, oportunidad y grupo de compra (buying group) en cohortes, flujos y atribución, y ventanas de hasta 13 meses. Conviene cuando vendes a empresas con ciclos largos y varios decisores.
• Content Analytics mide cómo influye el contenido en tus indicadores. Un servicio de IA describe imágenes y experiencias con atributos (estilo de fotografía, colores, estrategia de persuasión) y reconoce el mismo activo aunque aparezca en varios lugares. Usa datos del Edge Network de AEP y de medios pagados, como Google y Meta. Adobe advierte que sus resultados de IA hay que revisarlos.

Ejemplo: un retailer omnicanal en El Buen Fin 2026

Un caso hipotético, sin cifras: un retailer con tienda en línea, app, tiendas físicas y centro de contacto se prepara para El Buen Fin, del 13 al 17 de noviembre de 2026.

Antes:

1. Vista de datos en hora de CDMX, un rango de fechas guardado para los cinco días y una anotación de El Buen Fin.
2. Una Cohort table con inclusión "pedidos en El Buen Fin pasado" responde cuántos de esos compradores volvieron; con Latency table ves cómo compraban antes y después.

Durante:

3. Un Fallout del checkout con segmentos de app y web lado a lado, en contenedor de sesión, para ver dónde se rompe el pago.
4. Anomalías sobre pedidos por día, sabiendo que El Buen Fin no está en la lista de festivos del modelo, y alertas diarias si los datos de tienda llegan por lotes.
5. Un Flow con Ends with "llamadas" para saber qué vio la gente antes de llamar.

Después:

6. Un Journey canvas del camino de recolección en tienda: pedido en línea, aviso enviado por AJO y recolección.
7. Un panel Attribution con contenedor de persona y 30 días de ventana, comparando Last Touch, Linear y Algorithmic.
8. Miembros del programa de lealtad contra no miembros: ticket promedio y recompra en las semanas siguientes.

Errores comunes al analizar con CJA

1. Esperar que los números cuadren con Adobe Analytics. CJA cuenta personas con el ID de la conexión y define sesiones y persistencia en la vista de datos; si esas reglas difieren de tu grupo de informes, las cifras no coinciden. Lo explicamos en nuestra guía para migrar de Adobe Analytics a CJA, y esta nota cubre la medición de ecommerce en Adobe Analytics.
2. No validar la unión de identidades. Adobe propone un Venn con dos segmentos (personas con datos web y con datos del centro de contacto) y la métrica de personas: el traslape es lo que sí se unió.
3. Formatos de ID distintos entre fuentes. Un correo en mayúsculas en el CRM y en minúsculas en la web son dos personas.
4. Una sola vista de datos para todos. Marketing, ecommerce y el equipo de Estados Unidos necesitan sesiones, atribución o zonas horarias distintas.
5. Sesiones de 30 minutos para cruzar datos fuera de línea. La sesión corta parte el recorrido entre la compra y la llamada.
6. Forzar en Workspace transformaciones que van antes. Si un cálculo no cabe en un campo derivado, prepáralo en AEP; Adobe menciona Data Prep o Adobe Data Distiller como alternativas.

Cómo lo trabajamos en WolfSellers

En WolfSellers empezamos por las preguntas de negocio y después elegimos el análisis. Con ellas definimos qué datasets entran a la conexión, qué identificador une las fuentes y cuántas vistas de datos hacen falta, y validamos la unión de identidades antes del primer proyecto de Workspace. Lo hacemos en nuestros servicios de Adobe Analytics y Adobe Experience Platform, y con ingeniería de datos cuando hay que preparar datos de ERP, CRM o centro de contacto antes de llevarlos a AEP.

Preguntas frecuentes

¿Qué análisis se pueden hacer en Customer Journey Analytics?

Los más usados son el embudo de abandono (Fallout), las rutas (Flow), los recorridos con varias entradas (Journey canvas), las cohortes, la atribución, la comparación de segmentos y audiencias, las anomalías con alertas y la medición de journeys de AJO, todos en Analysis Workspace.

¿Cuál es la diferencia entre Fallout, Flow y Journey canvas?

Fallout mide una secuencia definida con una sola entrada y compara dos segmentos lado a lado. Flow explora rutas desde o hacia un punto y cuenta ocurrencias. Journey canvas admite varias entradas y caminos, cualquier métrica, y abre journeys de AJO.

¿CJA tiene análisis de contribución como Adobe Analytics?

No. La página de compatibilidad de Adobe lo marca como no planeado para CJA, y tampoco incluye el panel Segment Comparison. Sí tiene detección de anomalías, pronósticos y alertas.

¿Necesito unión de identidades (stitching) para analizar entre canales?

Solo si tus datasets no traen el ID de persona en todos los eventos, lo normal en web y app, donde mucha gente navega sin iniciar sesión. Si cada evento trae un identificador común, la conexión basta.

¿Puedo analizar audiencias de Real-Time CDP en CJA?

Sí, con Audience analysis, que convierte la pertenencia a audiencias en dimensiones; se recalcula cada noche y es exacta para el día anterior. También puedes publicar segmentos de CJA como audiencias en Real-Time CDP.

¿Qué zona horaria debo usar en la vista de datos si opero en México?

La de la Ciudad de México, si tu negocio cierra el día en esa hora; está en UTC-6 todo el año desde 2022. Si otro equipo reporta en hora de Estados Unidos o Canadá, crea otra vista de datos sobre la misma conexión.

Servicios relacionados

Si este tema es relevante para tu negocio, estos servicios de WolfSellers pueden ayudarte a implementarlo:

• Adobe Experience Platform
• Marketing e-commerce
• IA & Automatización