Scenario Planner Google Analytics: presupuestos multicanal

Introducción

Google Analytics ha lanzado una nueva funcionalidad, accesible en la sección Publicidad > Presupuestos multicanal. Reúne dos módulos complementarios: un plan de proyección para seguir el pacing de un presupuesto en curso y un planificador de escenarios (Scenario Planner) para simular asignaciones futuras. La funcionalidad está en beta y, en el momento de escribir esta nota (mayo de 2026), no está desplegada en todas las cuentas.

Vista general de la sección de presupuestos multicanal en Google Analytics, con el menú Presupuesto (Vista general, Proyección, Planificador de escenarios) — La funcionalidad está en Publicidad > Presupuesto de Google Analytics. Se divide en Proyección (seguimiento de un presupuesto en curso) y Planificador de escenarios (simulación de asignaciones futuras).

El objetivo que anuncia Google: permitir a los anunciantes planificar su inversión en medios y proyectar resultados según distintos repartos entre canales. Documentación oficial: Cross-channel budgeting plans (Beta).

La funcionalidad en resumen

La sección reúne dos módulos:

Un Projection plan que sigue el pacing de un presupuesto en curso (ritmo de consumo, conversiones e ingresos esperados, ROAS previsto).
Un Scenario planner que simula varias asignaciones presupuestarias futuras y compara las proyecciones de cada escenario (conversiones, ingresos, ROAS), con curvas de respuesta por canal.

Requisitos previos

Para que funcione, Google Analytics tiene que ver el coste de cada uno de tus canales de pago. Para las campañas de Google basta con la vinculación con Google Ads: los costes se envían automáticamente. Para las plataformas publicitarias ajenas a Google (Meta, TikTok, Pinterest, Snap, Reddit), hay que importar el gasto y las impresiones.

La importación se hace desde Administrar > Importación de datos. Tres opciones:

El conector nativo de Google Analytics, en beta para Meta, TikTok, Pinterest, Snap y Reddit (lanzado en octubre de 2025). Varias fuentes externas anuncian un backfill histórico de hasta 24 meses; hay que comprobarlo en la propiedad correspondiente.
La importación a través de BigQuery, útil cuando el gasto ya está consolidado en un dataset.
La carga de un CSV.

Documentación oficial de la importación: Importar los costes de las plataformas publicitarias a Google Analytics.

Cómo funciona

Google Analytics usa el historial de tu propiedad (12 meses como mínimo en los canales de pago) y ejecuta un algoritmo de regresión bayesiana para entender cómo las variaciones de presupuesto por canal hacen variar las conversiones y los ingresos. A partir de ese aprendizaje, el modelo proyecta lo que ocurriría con un reparto presupuestario distinto.

El modelo se inspira en Meridian, el MMM open source de Google. Se diferencia de él en un punto central: se alimenta ante todo de la atribución basada en datos (DDA) de la propiedad. La DDA sirve de prior bayesiano a la regresión. Un MMM en sentido estricto (tipo Meridian) integra, por su parte, variables externas (estacionalidad, macro), adstock, geo-level y calibración causal mediante tests de incrementalidad, piezas que aquí faltan.

Resultado de un plan de escenarios en Google Analytics: curva de respuesta ingresos/coste, recomendación de asignación por canal (Paid Other, Paid Search, Paid Video, Cross-network) y comparación entre Optimización y Previsión — El Planificador de escenarios genera una curva de respuesta (ingresos proyectados en función del coste de los anuncios) y una recomendación de asignación por grupo de canales, con la diferencia entre Optimización y Previsión para cada canal.

La opinión de EdgeAngel

En la fecha de esta nota (mayo de 2026), todavía no tenemos un caso de cliente de EdgeAngel en el que evaluar empíricamente los resultados del modelo. El análisis que sigue se basa en la documentación de Google y en nuestra lectura metodológica.

Una señal de cambio en el posicionamiento de Google Analytics

Google Analytics integra ya una capa de planificación presupuestaria en su interfaz, junto a sus funciones históricas de análisis del tráfico y de atribución. La herramienta se extiende hacia la gestión de la publicidad.

Un modelo que hereda los sesgos de la atribución de Google Analytics

El motor aprende de la DDA. Y la DDA, por construcción:

Sobrepondera los canales cercanos a la conversión (parte baja del embudo, intención alta).
Mide mejor el post-clic que el post-view.
Ve lo que ve la etiqueta de GA, es decir, lo que pasa por el navegador tras el consentimiento.

Consecuencias para la simulación:

Las campañas de intención de Google (Search, Performance Max orientado a conversión) salen bien valoradas por la DDA y, por tanto, favorecidas en la simulación.
Demand Gen y YouTube salen igualmente bien valorados en cuanto la propiedad recibe las señales engaged-view de Google Ads, que permiten una atribución post-view en GA.
En cambio, el modelo subestimará la contribución de los canales de la parte alta del embudo y de los canales cuyas impresiones e interacciones no llegan de forma nativa a Google Analytics. Es el caso de Meta: la CAPI sirve al reporting en la plataforma de Meta y no alimenta la atribución en Google Analytics.

Es nuestra convicción principal sobre este tema: el Scenario Planner es útil para decidir el reparto entre los canales que Google Analytics mide correctamente. Llega a su límite en cuanto se trata de comparar un canal bien medido con un canal que la atribución de GA infrapondera por construcción.

Entonces, EdgeAngel, ¿qué hay que hacer?

Activar la funcionalidad. La activación es gratuita, y la importación de los costes de las plataformas publicitarias es útil más allá del propio Scenario Planner (informes de GA más completos). Hay que probar las proyecciones y tomarlas con cautela en los repartos de la parte alta del embudo.

Para los anunciantes con una inversión en medios considerable, la medición de la eficacia pasa por un MMM de verdad. Los benchmarks publicados coinciden en mejoras de eficacia importantes una vez optimizada la reasignación:

Un caso de estudio del sector bancario documenta +20 % de eficacia de marketing y +15 % de captación de clientes tras una reasignación presupuestaria guiada por un MMM [5].
En un caso de e-commerce omnicanal, la reasignación guiada por el MMM arroja +32 % de ingresos incrementales [6].
En la plataforma Akulaku (caso de estudio de Meridian), una reoptimización del presupuesto con el mismo importe total proyecta +16 % de GMV [7].
Varias fuentes coinciden en que una mejora del 5 % en la eficacia de un presupuesto de 100.000 € mensuales basta para pagar el proyecto de MMM [8]. Con presupuestos de varios millones, el efecto palanca es mecánico.

En concreto, con una inversión anual en medios de 10 millones de euros, una mejora de eficacia del 5 al 10 % en la reasignación representa entre 500.000 € y 1 millón de euros al año. Con lo que está en juego a ese nivel, la medición no se confía a un Scenario Planner alimentado por la atribución de GA. Se construye con un MMM causal (tipo Meridian) y tests de incrementalidad (Causal Impact, GeoLift) para calibrar los priors. Es el enfoque que desplegamos con nuestros clientes de mayor inversión en medios.

Para profundizar en estos enfoques, dos recursos de EdgeAngel: nuestra nota dedicada a Causal Impact (Causmos) y nuestra oferta de Marketing Mix Modeling y Meridian.

Fuentes y referencias

¿Tienes dudas sobre el papel de esta funcionalidad en tu stack de medición?

Si quieres poner a prueba el papel de la planificación de presupuestos multicanal de Google Analytics en la gestión de tus medios, o definir el alcance de un proyecto de MMM o de un test de incrementalidad en tus canales con más en juego, analizamos tu caso juntos.

Contacta con nosotros

A fondo: la planificación de presupuestos multicanal en Google Analytics