Etiquetado de datos: qué necesita saber un responsable de marketing
Índice del Contenido
Etiquetar datos es asignar a cada registro la categoría correcta, por ejemplo «lead cualificado» o «reseña negativa por demora», para que un sistema aprenda de esos ejemplos o para evaluar si acierta. Un equipo de marketing etiqueta datos a diario aunque no lo llame así, y la calidad de esas etiquetas condiciona lo que aprenden la IA y los algoritmos de puja.
Dónde aparece el etiquetado en marketing
Aparece en cualquier proceso en el que una persona clasifica algo que luego alimenta una decisión automática o un análisis.
- Conversiones y calidad de leads. Cuando importas a Google Ads qué clics terminaron en una venta o en un lead cualificado, le estás dando al sistema la «respuesta correcta» de la que aprende. Google explica que la importación de conversiones sin conexión permite medir lo que ocurre después del clic, en la oficina o por teléfono, y que quienes combinaron datos propios con el identificador de clic vieron una mediana de un 10 % más de conversiones medidas que con la importación estándar.
- Comentarios y menciones. Clasificar reseñas o mensajes por tema y tono para el análisis de comentarios y menciones.
- Contenidos y búsquedas. Agrupar palabras clave por intención o artículos por tema.
- Evaluación de herramientas de IA. Calificar si una respuesta generada es correcta, aceptable o inaceptable.
Por qué la calidad de las etiquetas importa tanto
Un sistema aprende lo que le enseñas, incluidos tus errores. Si la etiqueta «lead» incluye contactos falsos o duplicados, una puja automática que optimiza por leads buscará más contactos como esos.
El problema no es exclusivo de las empresas pequeñas. Un estudio presentado en NeurIPS 2021 encontró errores de etiquetado en al menos el 3,3 % de los ejemplos, de media, en diez conjuntos de prueba de referencia, construidos por equipos de investigación. Si ahí hay errores, en una hoja de cálculo de leads clasificados a mano también los habrá.
Cómo escribir instrucciones que funcionen
La mayor parte de los errores nace de definiciones vagas, no de descuidos. La guía People + AI de Google recomienda, entre otras cosas:
- Explicar el objetivo y los criterios de aceptación y rechazo.
- Incluir al menos tres ejemplos positivos, tres negativos y tres ambiguos.
- Ofrecer una opción de «no estoy seguro» y un canal para señalar casos dudosos.
- Probar las instrucciones con un grupo pequeño antes de etiquetar a escala, y hacer uno mismo la tarea primero.
- Dar retroalimentación a quienes etiquetan y planificar una remuneración justa.
La diferencia entre una etiqueta vaga y una operativa se ve en ejemplos:
| Etiqueta | Definición vaga | Definición operativa |
|---|---|---|
| Lead cualificado | «Un lead bueno» | Pidió cotización, dejó datos de contacto válidos y su empresa está en el país y el sector que atendemos |
| Reseña negativa por servicio | «Se queja del servicio» | Calificación de 1-2 estrellas y menciona demora, trato o falta de respuesta; excluye quejas solo de precio |
| Intención de compra | «Quiere comprar» | La búsqueda incluye precio, cotización, comprar, contratar o el nombre de un producto concreto |
Cómo medir la calidad del etiquetado
La forma más simple es que dos personas etiqueten la misma muestra por separado y comparar. Si no coinciden a menudo, el problema suele estar en la definición, no en las personas.
- Doble etiquetado de una muestra en cada lote.
- Revisión de desacuerdos para ajustar la definición y añadir ejemplos.
- Auditoría periódica de registros ya etiquetados, sobre todo después de cambios en el producto o en el mercado.
- Registro de casos ambiguos para alimentar la siguiente versión de las instrucciones.
Equipo propio, proveedor, multitud o IA
Cada opción cambia el equilibrio entre conocimiento del negocio, costo y control.
- Equipo propio: conoce el contexto; caro si el volumen es alto.
- Proveedor externo: escala rápido; requiere instrucciones muy precisas y controles de calidad.
- Colaboración abierta (crowdsourcing): plataformas como Amazon Mechanical Turk reparten la tarea entre muchas personas; abarata, pero los resultados son irregulares sin controles de calidad y no conviene para datos de clientes.
- Etiquetado automático o preetiquetado con IA y revisión humana: reduce tiempo; exige revisar muestras, porque los errores del modelo se repiten de forma sistemática.
Lo que piden las normas
El Reglamento europeo de IA (UE) 2024/1689 exige, para los sistemas de alto riesgo, prácticas de gobernanza de datos que incluyen las operaciones de preparación como la anotación, el etiquetado y la limpieza, y pide conjuntos de datos pertinentes, suficientemente representativos y, en la medida de lo posible, libres de errores y completos (artículo 10). Una campaña de marketing rara vez es un sistema de alto riesgo, pero el estándar sirve de referencia.
En Panamá, una etiqueta asignada a un cliente identificable («moroso», «alto valor») es información sobre esa persona, así que entra en el tratamiento de datos personales regulado por la Ley 81 de 2019. Lo tratamos en la guía sobre segmentar con datos propios.
El etiquetado es la base de dos tareas cercanas: evaluar una herramienta de IA con tus propios casos y planificar su adopción. Unas etiquetas mejores no garantizan un buen modelo, pero unas etiquetas malas casi garantizan uno malo.
Si tu empresa prepara datos para proyectos de IA en marketing y necesita criterio para empezar, aquí explico mi formación y consultoría en IA aplicada.
Fuentes
- About offline conversion imports, Ayuda de Google Ads, consultado en 2026.
- Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks, Northcutt, Athalye y Mueller, NeurIPS 2021.
- People + AI Guidebook: Data Collection + Evaluation (worksheet), Google PAIR.
- Reglamento (UE) 2024/1689 de Inteligencia Artificial, Unión Europea, 2024.
Revisado y actualizado en octubre de 2026.
