Cómo leer la curva de retención segundo a segundo de un anuncio: tres curvas y un percentil

Muchos analizan las creatividades de la competencia así: ordenan el centro de creatividades por número de reproducciones, abren la primera, la ven tres veces y se quedan con una impresión del tipo «el ritmo arranca fuerte» o «da justo con el problema del usuario». Después producen su propia versión. El resultado se queda a medio gas, así que abren otro anuncio exitoso y repiten el proceso.

El problema no es la falta de esfuerzo, sino mirar las métricas equivocadas. Las reproducciones y los likes te dicen que esa creatividad funcionó, pero no en qué segundo funcionó ni qué elemento fue el responsable. Y eso es precisamente lo que puedes trasladar a tu siguiente pieza.

Primero, el origen de los datos: todas las curvas y percentiles de este artículo proceden de las bibliotecas públicas de anuncios y los centros de creatividades de cada plataforma. Se ven desde tu propia cuenta, sin capturas, firmas ni ningún tipo de evasión. Son herramientas que las plataformas crearon para anunciantes; los datos ya están ahí. El problema es que casi nadie sabe en qué pocas cifras fijarse.

Las reproducciones son la métrica menos útil

El número de reproducciones está muy contaminado por la lógica de distribución de la plataforma. Una cifra alta puede deberse a que el contenido es bueno, pero también a que se lanzó antes, recibió mucho presupuesto desde el principio o aprovechó una ventana de tráfico barato. Solo con las reproducciones no puedes separar una «buena creatividad» de un «gran presupuesto».

Los likes son aún peores. Un like refleja una reacción emocional y muchas veces va en dirección distinta de la conversión que realmente te importa. Un anuncio que hace reír puede acumular likes, pero la gente se ríe, desliza y se va: conversión cero. Si optimizas para likes, optimizas el valor de entretenimiento, no la intención de compra.

Ambas métricas comparten un defecto fatal: son escalares, no tienen dimensión temporal. Una creatividad se desarrolla en el tiempo; el comportamiento del espectador en el segundo 2, el 5 y el 8 no es el mismo. Un total de reproducciones aplana por completo esa línea de tiempo. Si usas una cifra aplanada para orientar un trabajo que depende de «qué ocurre y cuándo», la información ya se perdió desde el principio.

Los datos que sí tienen dimensión temporal están en el centro de creatividades, dentro de la ficha del anuncio, pero casi nadie entra a verlos.

Las tres curvas que revelan dónde funciona un anuncio

Abre una creatividad destacada. Además del vídeo, la plataforma te ofrece tres curvas por segundo que casi nadie estudia: retención por segundo, clics por segundo y conversión por segundo. El eje X indica el segundo del vídeo —la plataforma también muestra la duración total— y el eje Y muestra, respectivamente, cuántas personas siguen viendo, cuántas hacen clic y cuántas convierten. La plataforma incluso señala algunos fotogramas destacados, pero marcarlos no equivale a interpretarlos. Un fotograma destacado indica que hubo un cambio; no te explica qué significa.

La clave no es si una curva está alta en términos globales, sino en qué segundo aparece su punto de inflexión. Cada una de las tres curvas te está diciendo algo distinto:

El desplome de la curva de retención revela si el arranque consiguió retener. Todas las curvas de retención parten del 100% y caen; lo importante es la forma de esa caída. Un descenso brusco en el segundo 2 o 3 indica que el inicio no dio una razón para quedarse durante los dos primeros segundos, y quienes deslizaron fueron quienes no quedaron enganchados. La posición de ese desplome apunta directamente a una frase o a un plano concreto del guion. Si ocurre en el segundo 3, el problema está en el fotograma del segundo 3.

El pico de la curva de clics te dice en qué segundo aterrizó de verdad tu argumento de venta. Los clics no se distribuyen de forma uniforme: se concentran en uno o dos segundos. Lo que esté ocurriendo en pantalla entonces —mostrar el precio, demostrar el resultado, presentar la promesa— es el gancho real de esa creatividad. Mucha gente da por hecho que el gancho está al inicio, pero el pico de clics a menudo demuestra que está en la parte media.

El desfase de la curva de conversión es el dato más contraintuitivo y más valioso. La conversión casi nunca coincide con el clic: siempre llega después. El espectador se convence y hace clic en el segundo 5, pero no convierte hasta el segundo 12, tras terminar de ver el beneficio. Ese desfase —los segundos entre el pico de clics y el ascenso de las conversiones— indica cuánto debe durar el tramo persuasivo para llevar a alguien de «me interesa» a «quiero comprar». Si el desfase es demasiado largo, has explicado el beneficio con demasiada lentitud y los usuarios se fueron antes de que llegara.

Al superponer las tres curvas aparece toda la historia de una creatividad: retienes a la audiencia en unos segundos, la ganas en un punto concreto y después dedicas unos segundos a transformar ese interés en conversión. Las marcas temporales de esos tres puntos de inflexión son la estructura que puedes trasladar tal cual a tu próximo guion.

El percentil de CTR importa; el valor absoluto no

Además de las curvas, la plataforma ofrece otra cifra: el percentil de CTR de esa creatividad.

El error más habitual entre principiantes es leer el CTR como valor absoluto: «este tiene un CTR del 5%, no está mal». No puedes saber si un 5% es alto o bajo sin compararlo con sus pares. En una categoría de compra impulsiva, un 5% podría estar al final de la clasificación; en una categoría de alto precio, podría situarse entre los mejores. El CTR absoluto no informa de nada; el percentil sí. Un percentil de 0,9 significa que consigue más clics que el 90% de las creatividades de su sector, y con eso ya puedes tomar una decisión.

El percentil incluye además un parámetro que suele pasarse por alto: la ventana temporal. Una misma creatividad puede tener percentiles muy distintos si se calculan sobre los últimos 7, 30 o 180 días. Una creatividad que acaba de ganar volumen puede aparecer muy arriba en una ventana de 7 días y quedar diluida en una de 180. El periodo de comparación determina qué significa la cifra, así que ajústalo a tu ritmo de lanzamiento.

Hay otra curva fácil de ignorar: la popularidad de la creatividad por días. Puede estar creciendo, estancada o ya en descenso. Si una creatividad tiene un percentil de CTR alto pero su curva de popularidad ya apunta hacia abajo, copiarla ahora es perseguir la última ola de tráfico. Lo que conviene copiar es una con un percentil decente cuya popularidad todavía esté creciendo. Esta curva no decide «copiar o no», sino «¿llego a tiempo de copiarla?».

Entrega un lote de curvas al modelo

Una persona todavía puede leer las tres curvas de una creatividad. Pero para obtener una conclusión reutilizable debes revisar un lote: una o dos docenas de anuncios que hayan funcionado en un mismo sector y buscar qué comparten sus puntos de inflexión. ¿Todos retienen antes del segundo 2? ¿Los picos de clics coinciden siempre con un tipo de plano? La mente humana no puede hacerlo bien porque tendría que alinear mentalmente los valores punto a punto de decenas de curvas a la vez. Ahí es donde entra el modelo.

La forma correcta tiene dos pasos, no un único disparo; sigue la misma lógica que el artículo sobre clustering de textos publicitarios:

Primer paso: extrae campos estructurados por creatividad. Para cada anuncio, registra en una estructura el segundo de inflexión de cada una de las tres curvas, la caída de valor alrededor de cada inflexión y lo que ocurría en el fotograma de ese segundo. Es trabajo mecánico, de alta concurrencia: una llamada por creatividad y de cientos a miles de llamadas por lote.

Segundo paso: entrega la tabla completa al modelo de una vez para hacer la atribución. El prompt debe fijar el formato de salida. No preguntes «por qué son buenas estas creatividades» —recibirás una colección de vaguedades como «un inicio atractivo»—. Pídele tres partes para cada estructura común:

Recibirás resúmenes de curvas por segundo de N creatividades de alto rendimiento
pertenecientes a una categoría, cada una con tres segundos de inflexión,
caídas y una descripción del fotograma en ese segundo. Encuentra las
estructuras recurrentes y entrega cada una con el formato siguiente, sin prosa:

1. Segundo de inflexión
   En qué segundo del vídeo aparece de forma consistente esta estructura
   (indica un rango, no un punto único)

2. Qué ocurre en el fotograma
   La acción o elemento específico presente en ese segundo, señalando IDs de
   creatividades concretas; no se permiten descripciones vagas

3. Estructura de guion reutilizable
   Abstráelo en una instrucción que pueda incluirse en el siguiente guion
   (por ejemplo: "debe aparecer un plano del resultado tras el uso antes del segundo 2")

4. Contraejemplo
   ¿Hay creatividades en este lote que rompan esta estructura y aun así
   funcionen bien? Si es así, enuméralas. Si la estructura no se sostiene,
   dilo directamente

El primer paso encaja con el nivel económico para procesamiento por lotes. El segundo necesita mantener a la vez los valores de curvas de un lote completo, justo el terreno natural de un nivel de contexto largo: los arrays punto a punto de decenas de creatividades pueden sumar fácilmente unos cientos de miles de tokens. Con dos niveles, coste y precisión quedan donde deben.

La atribución debe acabar convertida en estructura de guion

La tercera parte del prompt es donde todo esto demuestra su valor. Una atribución que no se puede convertir en una instrucción para el siguiente anuncio es ruido.

«Todos estos éxitos tienen buen ritmo» no es una atribución: es una sensación. No puedes rodar «buen ritmo». «Las creatividades que retienen a la audiencia muestran un plano del resultado tras el uso, y no el producto, antes del segundo 2» sí es una atribución, porque se traduce en una instrucción de rodaje ejecutable: en el próximo guion, muestra un plano de resultado antes del segundo 2.

Para saber si una atribución es útil, plantea una sola pregunta: ¿puede convertirse en una variable concreta del guion? El segundo es una variable, el tipo de plano es una variable y la duración del tramo persuasivo es una variable. Conserva las que se conviertan en variables y descarta las que no. Al final no buscas un informe de análisis de la competencia, sino una tabla de variables para el siguiente lote de creatividades: qué poner en cada segundo, cuántos segundos dejar para persuadir y en qué plano reside el gancho.

Después de esa tabla de variables viene el guion, y después, el anuncio terminado. El paso de guion a pieza final consiste en generación de imagen y vídeo dentro de la plataforma; el circuito completo «palabra clave a atribución de curvas a guion a anuncio terminado» está en el artículo sobre el flujo de palabra clave a anuncio finalizado. Este artículo solo cubre la mitad que transforma curvas en una tabla de variables.

La trampa: no confundas correlación con causalidad por culpa del modelo

La atribución por lotes tiene una trampa casi inevitable: el modelo tiende mucho a convertir correlaciones en causalidades.

Ve un gato al comienzo de diez creatividades con alta retención y concluye que «el gato es la clave de la retención». Sin embargo, puede que ese lote proceda de un mismo equipo al que le gustan los gatos; el gato y la retención serían resultados de su estilo, sin una relación causal entre ambos. Si crees esa atribución e introduces un gato a la fuerza en el siguiente lote, la retención no se moverá.

Es el mismo problema que aparece cuando un modelo «reconoce una familia de algoritmos y deja de examinar los detalles» en ingeniería inversa de JavaScript: en cuanto encuentra una explicación internamente coherente, deja de ponerla en duda. El flujo de trabajo de ingeniería inversa lo resuelve obligando al modelo a generar una sección de evidencia contraria en el prompt, y aquí se aplica de forma directa: la cuarta parte del prompt anterior, el contraejemplo, no es opcional. Es la prueba de si una atribución merece confianza.

El uso es directo: si el modelo afirma que «el plano de resultado en el segundo 2 causa una retención alta», presiónalo para responder: «¿Hay creatividades de este lote que muestren un plano de resultado en el segundo 2 y tengan mala retención?». Si las hay, esa causalidad es falsa y existe otro factor entre el plano y la retención. Si el modelo revisa el lote completo y no encuentra ningún contraejemplo, merece la pena incorporar la estructura a tu tabla de variables. Si un modelo no puede producir contraejemplos, no deberías usar ninguna de sus atribuciones para orientar la producción: acabarás rodando según una pila de correlaciones sin entender por qué no funcionan.

Qué modelo usar en cada fase

Este flujo de cuatro pasos exige capacidades muy distintas a un modelo. Usar uno solo para todo implica desperdiciar dinero o perder precisión:

Conviene destacar especialmente la fase de contraejemplos. Evalúa lo mismo que la sección de evidencia contraria en la identificación de familias de algoritmos: si el modelo sigue cuestionando una conclusión que acaba de producir. Un modelo más débil redacta esa sección como una repetición de la conclusión —«la estructura se valida en la mayoría de creatividades»—; uno más potente encuentra de verdad la creatividad que la contradice. La calidad de esa sección determina directamente cuántas causalidades falsas acabarás llevando al rodaje.

No te fíes de mi palabra: pruébalo. El protocolo es este:

1. Extrae 10 a 15 creatividades destacadas de un sector y reúne sus tres curvas por segundo junto con el percentil de CTR.

2. Conviértelas en una tabla estructurada usando el nivel económico: segundos de inflexión y el fotograma de cada uno.

3. Entrega la tabla completa a claude-opus-5 y gpt-5.6-sol con el prompt de contraejemplos de la parte 4 anterior.

4. Fíjate en una sola cosa: si el modelo identifica por sí mismo como contraejemplo una creatividad con una retención excelente pero una conversión pobre. El nivel que proponga contraejemplos sin que tengas que indicárselos es aquel cuyas atribuciones puedes convertir en guiones.

Una sola ronda basta para percibir la diferencia, de forma más directa que con cualquier benchmark.

El problema no es elegir modelo, sino el coste de cambiar entre ellos

Cuatro modelos de tres proveedores, tres SDK y tres esquemas de autenticación, además de tres formatos de error. Para usar un modelo diferente en cada fase, la solución ingenua es conectar tres clientes. La mayoría hace números, decide que no compensa y acaba usando el mismo modelo para todo; entonces aplica un nivel con contraejemplos débiles en la atribución por lotes y produce una colección de piezas basadas en causalidades falsas sin saber por qué.

AIReiter elimina esa capa de fricción: una clave, una interfaz compatible con OpenAI y los cuatro niveles detrás. Para cambiar de modelo solo tienes que modificar el campo model del cuerpo de la petición.

# Atribución por lotes + contraejemplos: el nivel de razonamiento
curl https://aireiter.com/api/v1/chat/completions \
  -H "Authorization: Bearer $AIREITER_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-opus-5",
    "messages": [{"role": "user", "content": "<prompt de atribución + tabla de resumen de N curvas>"}]
  }'

# Extraer campos por creatividad: cambia el campo model y deja lo demás igual
#   "model": "claude-sonnet-5"
# Contexto largo para mantener un lote completo de curvas:
#   "model": "kimi-k3"

Si ya utilizas el SDK de OpenAI, apunta base_url a https://aireiter.com/api/v1 y no cambies nada más. En el SDK de Anthropic, usa POST /api/v1/messages con la misma clave.

En precio, los modelos Claude tienen un 30% de descuento sobre tarifa y los modelos GPT cuestan la mitad. En este flujo, el descuento recae justo sobre el principal coste: la extracción de campos por creatividad es la fase con más llamadas, de cientos a miles por lote, y se ejecuta con Claude Sonnet al 30% de descuento; la atribución de diferencias en una creatividad individual se ejecuta con GPT-5.6 Sol a mitad de precio. La entrada de contexto largo para la atribución por lotes suma unos cientos de miles de tokens y se procesa con Kimi K3, accesible con la misma clave. El descuento se aplica a las dos partes más caras.

• Obtén una clave de API

• Pruébalo sin registrarte: introduce primero unas cuantas curvas manualmente, compara si los dos modelos ofrecen contraejemplos y decide después cuál integrar.

Conclusión

Leer una creatividad por sus reproducciones y likes es tomar un escalar sin línea temporal y usarlo para orientar un trabajo que depende del tiempo de principio a fin. La información ya estaba perdida desde el inicio.

El centro de creatividades te ha mostrado datos temporales todo el tiempo: los puntos de inflexión de las tres curvas por segundo indican cuándo retener, ganar y convertir; el percentil de CTR te dice si la creatividad es buena frente a sus pares, mientras que el valor absoluto no cuenta para nada. Si entregas al modelo las curvas de un lote de creatividades para atribución por lotes, no obtienes una sensación de «esto es bueno», sino una tabla de variables que puedes introducir en el siguiente guion, siempre que le obligues a dar contraejemplos y filtres una a una sus correlaciones supuestas hasta quedarte con causalidades reales.

El papel del modelo aquí es concreto: es el atribuidor capaz de alinear decenas de curvas a la vez, detectar patrones comunes y, con el prompt adecuado, contradecirse a sí mismo. No rueda el anuncio por ti ni decide la causalidad por ti. Los contraejemplos filtran las causalidades reales, la tabla de variables se convierte en guion y el anuncio terminado es tarea de la siguiente pieza.