Análisis después de Black Friday: las cinco métricas del lunes
En la práctica/ 16 min de lectura
El lunes después de Black Friday: cinco métricas, dónde está cada una en Shopify y GA4, contra qué compararlas y un script en Node que arma la lista de diciembre.
- Analítica
- CRO
- Shopify
En este artículo (10)
El análisis después de Black Friday cabe en cinco métricas: conversión por dispositivo, ticket promedio, abandono en cada paso del checkout, búsquedas sin resultados y errores de pago. Compáralas contra un fin de semana normal y contra el año pasado, y lo que salga peor se convierte en la lista de trabajo de diciembre.
Black Friday 2026 es el viernes 27 de noviembre, así que el lunes del análisis es el 30. Aquí tienes de dónde sale cada número en Shopify y en GA4, dos consultas en ShopifyQL y un script en Node que compara los tres periodos y arma la lista. Todos los números de ejemplo son ilustrativos.
Por qué hacer el análisis de Black Friday el lunes
El lunes ya tienes cerrados el viernes, el sábado y el domingo, y todavía recuerdas qué cambió: qué app se actualizó, qué descuento se activó tarde, a qué hora se trabó algo. Una semana después esos detalles se pierden y el análisis se queda en «vendimos más» o «vendimos menos», que no le sirve a nadie para decidir qué arreglar.
Un número solo no dice nada. Cada métrica se lee contra dos referencias, siempre con los mismos días de la semana:
- Un fin de semana normal: del viernes 13 al domingo 15 de noviembre de 2026, si no tuviste promociones. Si ese fin de semana corriste una campaña, elige uno anterior sin ofertas. La semana justo antes de Black Friday no sirve: muchas tiendas ya tienen descuentos anticipados y la gente espera.
- El año pasado: Black Friday 2025 fue el viernes 28 de noviembre, así que el rango es del 28 al 30 de noviembre de 2025. Compara viernes con viernes, no fecha con fecha.
Una advertencia para la comparación con 2025. La página de reportes de comportamiento de Shopify dice que la actualización de la medición de sesiones de Shopify Analytics se desplegó del 21 al 23 de septiembre de 2026, que puede mover las sesiones, la tasa de conversión y las demás métricas basadas en sesiones, y que eso no significa por fuerza que tu tráfico, tus pedidos o tus clientes cambiaran. Las sesiones de 2025 y las de 2026 no se miden igual. Contra el año pasado compara pedidos, ticket promedio, búsquedas y pagos; la conversión, contra el fin de semana normal, que ya cae después del cambio.
Estas son las cinco métricas, con su fórmula y dónde sacar cada dato:
| Métrica | Fórmula | Shopify | GA4 |
|---|---|---|---|
| Conversión por dispositivo | sesiones que completaron el checkout ÷ sesiones | Sessions by device y Conversion rate breakdown | Exploración de embudo con desglose por Device category |
| Ticket promedio | (ventas brutas − descuentos) ÷ pedidos | Average order value over time | No hace falta: Shopify tiene los pedidos |
| Avance en el checkout | sesiones que completaron ÷ sesiones que llegaron al checkout | Conversion rate breakdown | Exploración de embudo de begin_checkout a purchase |
| Búsquedas sin resultados | búsquedas sin resultados ÷ búsquedas | Top online store searches with no results | Evento propio search_no_results |
| Errores de pago | pagos fallidos ÷ pedidos × 100 | Orders > Abandoned checkouts, en el Timeline | No lo ve: el pago fallido no llega como compra |
Desliza la figura para verla completa
Conversión por dispositivo
La tasa de conversión de toda la tienda esconde lo que pasa en cada pantalla. Shopify la define como las sesiones que terminaron en compra entre todas las sesiones y la separa por dispositivo en dos reportes de Analytics: Sessions by device, que muestra con qué dispositivos entró la gente, y Conversion rate breakdown, el embudo de sesiones con productos en el carrito, sesiones que llegaron al checkout y sesiones que completaron el checkout. El número de pedidos y el de sesiones que completaron el checkout pueden no coincidir, porque en una sesión caben varias compras.
Si los reportes de tu admin muestran el editor de consultas (Shopify lo anunció en su changelog el 11 de junio de 2025), sacas todo en una sola tabla con el esquema de sesiones de ShopifyQL. La consulta sigue la sintaxis de la documentación (versión 2026-10); no la corrimos contra una tienda:
FROM sessions
SHOW sessions, sessions_that_reached_checkout, sessions_that_completed_checkout, conversion_rate, checkout_conversion_rate
GROUP BY session_device_type WITH TOTALS
SINCE 2026-11-27 UNTIL 2026-11-29
ORDER BY sessions DESC
FROM sessionslee el esquema de sesiones de la tienda online.SHOWpide las sesiones, las que llegaron al checkout, las que lo completaron y dos tasas:conversion_rate(completaron ÷ sesiones) ycheckout_conversion_rate(completaron ÷ llegaron al checkout).GROUP BY session_device_type WITH TOTALSda una fila por tipo de dispositivo (Desktop, Mobile, Tablet) y una de totales.SINCE 2026-11-27 UNTIL 2026-11-29es de viernes a domingo. Las fechas van sin comillas, en formatoyyyy-MM-dd.ORDER BY sessions DESCpone arriba el dispositivo con más tráfico.
Corre la misma consulta con SINCE 2026-11-13 UNTIL 2026-11-15 para el fin de semana normal. Cómo leerlo: si móvil baja mientras escritorio sube (ilustrativo: 1.9 % contra 2.2 % en móvil y 3.9 % contra 3.4 % en escritorio), el tráfico extra llegó, pero algo en el teléfono frenó la compra: un popup de la promoción que tapa el botón, una página de producto más pesada por los banners, un método de pago que no aparece. Si el problema está en el formulario, revisa el autocompletado y el teclado del checkout en móvil.
Ticket promedio
El reporte Average order value over time de los reportes de ventas de Shopify calcula el ticket promedio como ventas brutas menos descuentos, entre pedidos, sin los ajustes posteriores al pedido como ediciones o cambios. El envío y los impuestos no entran. El reporte permite comparar rangos de fechas, y en ShopifyQL la comparación va en la misma consulta con COMPARE TO (tampoco la corrimos contra una tienda):
FROM sales
SHOW orders, gross_sales, discounts, average_order_value
TIMESERIES day WITH TOTALS, PERCENT_CHANGE
SINCE 2026-11-27 UNTIL 2026-11-29
COMPARE TO 2026-11-13 UNTIL 2026-11-15
ORDER BY day ASC
FROM saleslee el esquema de ventas, dondeaverage_order_valuees (gross_sales−discounts) ÷orders.SHOWtrae pedidos, ventas brutas y descuentos junto al ticket, para ver de dónde viene el cambio.TIMESERIES day WITH TOTALS, PERCENT_CHANGEda una fila por día, los totales del rango y el cambio porcentual contra la comparación.COMPARE TO 2026-11-13 UNTIL 2026-11-15es el fin de semana normal con fechas fijas. Para el año pasado cambia la línea porCOMPARE TO previous_year_match_day_of_week, que compara contra el mismo día de la semana del año anterior.ORDER BY day ASCdeja los días en orden.
Un ticket más bajo con descuentos más grandes es lo esperable. Lo que importa es separar las dos cosas: ventas brutas por pedido y descuento por pedido. En el ejemplo ilustrativo, el ticket fue 982.52 contra 859.81 de un fin de semana normal (+14 %) y apenas +1 % contra el año pasado, con descuentos del 22 % de las ventas brutas contra 6 % normal. Si el ticket cae más de lo que creció el descuento, la gente compró menos piezas por pedido: revisa los paquetes, las recomendaciones del carrito y el umbral de envío gratis.
Desliza la figura para verla completa
Abandono en el checkout, paso por paso
Conversion rate breakdown te dice cuántas sesiones llegaron al checkout y cuántas lo completaron. Con el interruptor Open Funnel apagado, el embudo es cerrado: solo cuenta sesiones que pasaron por todos los pasos en orden. Lo que no te dice es en qué paso dentro del checkout se fueron.
Eso lo ves en GA4 con una exploración de embudo. Admite hasta 10 pasos; para el checkout usa los eventos recomendados de comercio electrónico de GA4:
begin_checkoutadd_shipping_infoadd_payment_infopurchase
Deja apagado Make open funnel para que cuente solo a quien entra por el primer paso, pon Device category en el desglose y enciende Show elapsed time para ver cuánto tardan entre pasos. Cada paso muestra la tasa de abandono, el porcentaje de usuarios que se pierden antes del siguiente. Para comparar contra el fin de semana normal, cambia el rango de fechas y anota los dos resultados.
Antes de armarlo, confirma qué eventos llegan. Shopify publica eventos estándar del checkout (checkout_started, checkout_shipping_info_submitted, payment_info_submitted, checkout_completed, entre otros), pero cuáles llegan a GA4 y con qué nombre depende de tu integración. Revisa el reporte de eventos; si alguno no aparece, la forma de comprobarlo en DebugView está en el artículo del evento add_to_cart de GA4. Y no mezcles fuentes: GA4 cuenta usuarios y Shopify cuenta sesiones, así que sus cifras no van a cuadrar (las razones están en por qué GA4 y Shopify no cuadran). Usa cada fuente para su propia comparación.
Cómo leerlo: una caída grande entre add_shipping_info y add_payment_info suele ser el costo o el tiempo de envío que sorprende; entre add_payment_info y purchase, el pago (siguiente sección). Arregla el paso primero y después recupera lo que quede con una buena secuencia de correos de carrito abandonado.
Búsquedas sin resultados
En Black Friday la gente busca el nombre de la promoción, lo que vio en un anuncio o un producto que ya se agotó. Shopify tiene el reporte Top online store searches with no results, y el de búsquedas por término avisa que sus datos pueden tardar hasta 72 horas: revisa este dato el lunes en la noche o el martes. La métrica es búsquedas sin resultados entre búsquedas totales.
Si mandas a GA4 un evento propio para las búsquedas vacías, como el que construimos en búsquedas sin resultados en GA4, ese reporte semanal de los diez términos más buscados ya te da la lista. Ilustrativo: 14 % de búsquedas sin resultados contra 8 % en un fin de semana normal. Los arreglos de diciembre suelen ser tres: sinónimos para los términos de la promoción, una redirección para búsquedas como «black friday» u «ofertas», y alternativas visibles en los productos agotados.
Errores de pago
Aquí hay que saber dónde buscar. El Centro de ayuda de Shopify dice que un pago que falla en el checkout normalmente no crea un pedido: queda como checkout abandonado, con el intento en su Timeline, y solo cuenta como abandonado después de más de 10 minutos incompleto. Por eso no aparece en ningún reporte de ventas, y GA4 tampoco lo ve como compra.
Ve a Orders > Abandoned checkouts, abre los checkouts del fin de semana y expande el evento del pago fallido: el campo Message trae el rechazo del banco, si lo hubo. Agrupa lo que encuentres en tres montones:
- Rechazos del banco (fondos insuficientes, tarjeta vencida): normales en cualquier fin de semana; preocupan si subieron mucho.
- Errores del proveedor de pagos, concentrados en una hora: revisa la página de estado de Shopify para esa hora.
- Bloqueos por riesgo de fraude («Blocked due to high risk of fraud» en el Timeline): si son compradores reales, revisa tus reglas.
La métrica: pagos fallidos por cada 100 pedidos. Ilustrativo: 12.9 contra 5.6 en un fin de semana normal. Contarlos a mano un lunes funciona una vez; si quieres enterarte mientras pasa, las alertas del checkout revisan los pagos fallidos cada pocos minutos.
Convertirlo en la lista de diciembre
Con los tres periodos anotados, el script compara cada métrica y marca las que salieron más de un 10 % peor. Corre con Node 22, sin dependencias:
// bf-review.mjs: the Black Friday weekend against a normal weekend and last year.
// Illustrative numbers: replace them with the ones from your reports.
const periods = {
blackFriday: {
sessions: { mobile: 9400, desktop: 2600 },
completed: { mobile: 179, desktop: 101 },
reachedCheckout: 760, orders: 286, grossSales: 362000, discounts: 81000,
searches: 1500, zeroResults: 210, failedPayments: 37,
},
normal: {
sessions: { mobile: 3100, desktop: 1100 },
completed: { mobile: 68, desktop: 37 },
reachedCheckout: 262, orders: 107, grossSales: 98000, discounts: 6000,
searches: 520, zeroResults: 42, failedPayments: 6,
},
lastYear: {
sessions: { mobile: 7600, desktop: 2500 },
completed: { mobile: 167, desktop: 95 },
reachedCheckout: 640, orders: 265, grossSales: 330000, discounts: 72000,
searches: 1200, zeroResults: 130, failedPayments: 19,
},
};
const THRESHOLD = 0.1; // flag a metric that is more than 10% worse
const sum = (o) => Object.values(o).reduce((a, b) => a + b, 0);
const ratio = (a, b) => (b ? a / b : NaN);
const pct = (v) => `${(v * 100).toFixed(1)}%`;
const metrics = [
...Object.keys(periods.blackFriday.sessions).map((device) => ({
name: `conversion ${device}`, better: "up", sessionBased: true, fmt: pct,
calc: (p) => ratio(p.completed[device], p.sessions[device]),
})),
{ name: "average order value", better: "up", fmt: (v) => v.toFixed(2),
calc: (p) => ratio(p.grossSales - p.discounts, p.orders) },
{ name: "checkout completion", better: "up", sessionBased: true, fmt: pct,
calc: (p) => ratio(sum(p.completed), p.reachedCheckout) },
{ name: "zero-result searches", better: "down", fmt: pct,
calc: (p) => ratio(p.zeroResults, p.searches) },
{ name: "failed payments / 100 orders", better: "down", fmt: (v) => v.toFixed(1),
calc: (p) => 100 * ratio(p.failedPayments, p.orders) },
];
const change = (now, base) => (now - base) / base;
const worse = (m, c) => (m.better === "up" ? c < -THRESHOLD : c > THRESHOLD);
const signed = (c) => (c === null ? "n/c" : `${c > 0 ? "+" : ""}${(c * 100).toFixed(0)}%`);
const todo = [];
for (const m of metrics) {
const [bf, normal, lastYear] = ["blackFriday", "normal", "lastYear"].map((k) => m.calc(periods[k]));
const vsNormal = change(bf, normal);
// Shopify changed how it measures sessions in September 2026: no session-based
// comparison with last year.
const vsLastYear = m.sessionBased ? null : change(bf, lastYear);
const flagged = worse(m, vsNormal) || (vsLastYear !== null && worse(m, vsLastYear));
console.log(
`${flagged ? "!" : " "} ${m.name.padEnd(30)} ${m.fmt(bf).padStart(8)}` +
` vs normal ${signed(vsNormal).padStart(5)} vs last year ${signed(vsLastYear).padStart(5)}`,
);
if (flagged) todo.push(m.name);
}
console.log(`\nDecember list: ${todo.join(", ") || "nothing above the threshold"}`);
periodsguarda los conteos crudos de los tres periodos, tal como salen de los reportes. Se guardan conteos y no tasas para que las fórmulas sean las mismas en los tres.THRESHOLDes el 10 % de tolerancia. Súbelo si tu tienda tiene poco volumen y los números brincan solos.ratiodevuelveNaNsi el divisor es cero, en lugar de dividir entre cero.metricsdefine cada métrica con su fórmula (calc), si conviene que suba o que baje (better) y si depende de sesiones (sessionBased). La conversión se genera una vez por dispositivo a partir de las llaves desessions.changees el cambio relativo;worsedecide si es malo según la dirección de la métrica.- Para las métricas de sesiones,
vsLastYearqueda ennully se imprimen/c(no comparable), por el cambio de medición de septiembre de 2026. - Una métrica se marca con
!si sale peor contra el fin de semana normal o contra el año pasado, y su nombre pasa a la lista.
La salida con los números ilustrativos:
! conversion mobile 1.9% vs normal -13% vs last year n/c
conversion desktop 3.9% vs normal +15% vs last year n/c
average order value 982.52 vs normal +14% vs last year +1%
checkout completion 36.8% vs normal -8% vs last year n/c
! zero-result searches 14.0% vs normal +73% vs last year +29%
! failed payments / 100 orders 12.9 vs normal +131% vs last year +80%
December list: conversion mobile, zero-result searches, failed payments / 100 orders
Fíjate en el avance en el checkout: bajó 8 %, debajo del umbral, así que no entra a la lista, pero vale la pena verlo en el embudo de GA4. Cada línea marcada se vuelve una tarea con responsable, fecha y la métrica que dirá si funcionó. Tres o cuatro tareas bien hechas antes de las compras de diciembre valen más que veinte apuntadas. Si tu tienda sigue en code freeze, cada cambio pasa por el proceso de excepción.
Desliza la figura para verla completa
Errores comunes
- Comparar contra la semana anterior a Black Friday, que ya tenía descuentos anticipados.
- Comparar fecha con fecha contra 2025 en lugar de viernes con viernes.
- Comparar la conversión de 2026 contra la de 2025 sin tener en cuenta el cambio de medición de sesiones de septiembre.
- Mezclar usuarios de GA4 con sesiones de Shopify en una misma fórmula.
- Leer el ticket promedio sin mirar cuánto pesaron los descuentos.
- Buscar los pagos fallidos en los pedidos: casi nunca crean uno, están en los checkouts abandonados.
- Revisar las búsquedas el sábado, con datos que pueden tardar hasta 72 horas.
- Terminar con una lista de veinte pendientes sin responsable ni fecha.
Preguntas frecuentes
¿Por qué un fin de semana normal y no la semana anterior a Black Friday?
Porque la semana anterior suele estar contaminada: hay descuentos anticipados y clientes que esperan el viernes para comprar. Un fin de semana sin promociones te dice cómo funciona la tienda en condiciones normales, y contra eso se ve lo que Black Friday cambió.
¿Puedo comparar la tasa de conversión con Black Friday 2025?
Con mucho cuidado. Shopify cambió la medición de sesiones entre el 21 y el 23 de septiembre de 2026, y avisa que las métricas basadas en sesiones pueden moverse sin que cambie tu tráfico. Contra 2025 compara pedidos, ticket promedio, búsquedas y pagos fallidos; la conversión, contra un fin de semana normal posterior al cambio.
¿Por qué no cuadran las cifras de GA4 y Shopify?
Porque miden cosas distintas: GA4 cuenta usuarios y eventos que llegan desde el navegador, y Shopify cuenta sesiones y pedidos en su servidor. Bloqueadores, consentimiento de cookies y pagos fuera del sitio abren la diferencia. Usa cada una para su propia comparación y no combines sus números.
¿Qué hago si no tengo GA4 configurado para el checkout?
Haz el análisis con Shopify, que ya trae las cinco métricas; lo único que te falta es ver en qué paso dentro del checkout se va la gente, y eso entra como tarea de diciembre. Si configuras los eventos del checkout ahora, el próximo Black Friday tendrás un fin de semana normal y el año anterior para comparar.
Checklist
- Los tres periodos están definidos: Black Friday, un fin de semana normal sin promociones y el mismo fin de semana de 2025.
- La conversión por dispositivo se compara solo contra el fin de semana normal.
- El ticket promedio se lee junto a los descuentos.
- El embudo de GA4 usa eventos que de verdad llegan, con Make open funnel apagado.
- Las búsquedas sin resultados se revisan con los datos completos.
- Los pagos fallidos salen de los checkouts abandonados, agrupados por motivo.
- El script corre con tus números y la lista tiene tres o cuatro tareas con responsable y fecha.
El análisis del lunes es la mitad del trabajo; la otra mitad es medir de nuevo en diciembre con las mismas fórmulas para saber si los arreglos funcionaron.
¿Viste esto en Instagram? Todas las guías de los Reels están en ecomlabs.dev/guias.
Escrito por

Publicado el 19 de noviembre de 2026 · actualizado el 20 de noviembre de 2026