La mayoría de artículos sobre "ejemplos de dashboard de marketing" te muestran screenshots de charts bonitos y poco más. Lo que se dejan fuera es lo que importa: qué preguntas responde cada layout, qué conectores lo alimentan, y cada cuánto necesita refrescar para seguir siendo útil. Un founder SaaS, un operator de ecommerce y un agency lead necesitan dashboards distintos porque responden a preguntas semanales distintas. La librería de charts es la misma; la arquitectura no.

Esta guía cubre cinco ejemplos de dashboard de marketing por vertical, con los KPIs que cada layout muestra, las fuentes de datos que requiere, el refresh cadence que necesita, y los errores comunes que convierten cada uno en ruido. Para la pregunta más amplia de qué KPIs vale la pena trackear (independientemente del vertical), consulta nuestro playbook de KPIs de dashboard de marketing. Este post está una capa por debajo: dado que los KPIs ya están acordados, cómo se ve la vista semanal real para cada business model.

Los cinco verticales que cubrimos: SaaS / subscription, ecommerce y DTC, agencia multi-cliente, B2B lead generation, y businesses content y SEO-driven. Para cada uno: la pregunta semanal, los KPIs, el layout, las fuentes de datos, el refresh cadence, y el pitfall.

1. Dashboard SaaS / subscription

La pregunta semanal: ¿estamos convirtiendo trial signups a paid subscriptions lo suficientemente rápido para que nuestra paid acquisition pague de vuelta, y tenemos el churn bajo control?

Los dashboards SaaS viven o mueren por la visibilidad del funnel. El conteo de signups solo es engañoso porque la conversión trial-to-paid puede ir desde unos pocos porcentajes en trials opt-in largos hasta cerca del 50% en flows credit-card-required, dependiendo del producto y del canal (consulta los benchmarks de producto de OpenView para rangos). El dashboard tiene que exponer el funnel completo desde acquisition hasta paid retention.

KPIs a mostrar:

• Trial signups por canal de adquisición (Meta, Google Ads, LinkedIn, organic, referral)
• Trial-to-paid conversion rate por canal, con el horizonte temporal explícito (día 14, día 30)
• True CAC por canal: spend dividido por paid subscriptions efectivamente adquiridas, no solo signups
• MRR / ARR con crecimiento mes-sobre-mes
• Logo churn rate y revenue churn rate (son distintos y ambos importan)
• Dunning recovery rate: de los failed payments, qué porcentaje se recupera dentro de la ventana de reintentos

Layout recomendado:

• Fila superior: tres scorecards. MRR, MoM growth %, blended CAC payback period en meses
• Fila media: stacked funnel chart por canal (signups → trials → paid → retained a día 90)
• Bar chart: True CAC por canal, ordenado ascendente
• Fila inferior: desglose de churn (logo vs revenue) y trend de dunning recovery rate de los últimos 90 días
• Filter controls: rango de fechas, multi-select de canal, plan tier

Fuentes de datos: Stripe (subscriptions, charges, invoices), Google Ads, Meta Ads, LinkedIn Ads, GA4. Opcional: HubSpot para SaaS sales-assisted, Klaviyo si haces lifecycle email.

Refresh cadence: daily es el default correcto. Las cohorts de trial se mueven rápido y un ejecutivo mirando el MRR del martes pasado el viernes ya va detrás. Hourly refresh solo importa si tienes un live launch o una campaña de dunning activa.

El pitfall común: reportar volumen de signups sin la conversión trial-to-paid, y luego optimizar creative para el outcome equivocado. Un Meta Ads creative que trae signups baratos pero convierte al 8% a paid es peor que un LinkedIn Ads creative que trae signups caros y convierte al 45%. Para la mecánica completa del trial conversion funnel y dunning recovery, consulta nuestra guía Stripe a Looker Studio.

2. Dashboard E-commerce y DTC

La pregunta semanal: ¿cuál es nuestro ROAS blended después de factorizar repeat purchases y email-driven revenue, y qué canales están subvencionando a cuáles?

Los dashboards de DTC y ecommerce tienen que combinar paid acquisition con la economía post-compra que realmente determina la rentabilidad. Un ROAS de 2.5 en la primera compra parece malo hasta que descubres que los customers de ese canal compran 2 a 3 veces más en los primeros 180 días (típico de categorías DTC de alta repetición). Sin esa capa de retention, cada optimización paid es cortoplacista.

KPIs a mostrar:

• ROAS por canal (Meta, Google Ads, TikTok, Pinterest, etc.)
• AOV (average order value) por canal y a lo largo del tiempo
• Repeat purchase rate dentro de 90 días, segmentado por canal de adquisición
• Revenue atribuido a Email y SMS, separados (compounding distinto cada uno)
• LTV de suscriptor por canal de adquisición a 30, 90, 180 y 365 días
• Eficiencia de spend inventory-aware si vendes productos físicos (no impulses demanda en productos que no puedes enviar)

Layout recomendado:

• Fila superior: tres scorecards. Revenue total del periodo, blended ROAS, contribución de email + SMS al revenue total %
• Fila media: bar chart de ROAS por canal, trend line de AOV en los últimos 90 días
• Cohort heat map: LTV por mes de adquisición × canal de adquisición
• Fila inferior: top 10 productos por revenue con unidades vendidas, trend de revenue atribuido a email/SMS
• Filter controls: rango de fechas, canal, categoría de producto

Fuentes de datos: Shopify (orders, products, customers), Meta Ads, Google Ads, Klaviyo (campaigns, flows, propiedades de profile para source attribution), GA4, TikTok Ads si aplica. Para la capa específica de atribución email + SMS, consulta nuestra guía Klaviyo a Google Sheets.

Refresh cadence: daily como mínimo. Durante periodos promocionales (BFCM, sales, launches) el hourly refresh sí merece el coste porque la creative fatigue y los estados de inventory cambian dentro del día.

El pitfall común: promediar revenue atribuido a email con revenue atribuido a ads crea un número sobre el que nadie puede actuar. Email y SMS necesitan su propia fila en el dashboard porque se disparan por eventos distintos y responden a optimizaciones distintas. Combinarlos con el revenue de paid acquisition produce un número blended que esconde qué palanca mueve qué outcome.

3. Dashboard de agencia multi-cliente

La pregunta semanal: ¿qué cuentas están sanas a través de mis clientes, cuáles están en riesgo de churn, y dónde necesito tener una conversación de creative o de budget esta semana?

Los dashboards de agencia tienen un problema estructural que los dashboards de single-brand no tienen: el chart que significa "great month" para el cliente A puede significar "panic" para el cliente B, porque tienen objetivos distintos, niveles de spend distintos, y KPIs distintos que importan. El dashboard tiene que resumir health a través de cuentas sin aplanar las diferencias.

KPIs a mostrar:

• Indicador de health por cliente (verde/amarillo/rojo basado en thresholds configurables contra los objetivos propios de cada cliente)
• Spend semanal vs budget por cliente, con flag de pacing por over/under burn
• CPL/CPA agregado por cliente comparado con el baseline rolling de 90 días de ese cliente
• Canal de conversión top por cliente esta semana (qué plataforma está haciendo el trabajo)
• Link a dashboard client-facing por cuenta (white-label embed o shared Looker Studio link)
• Señal de workload del account manager: qué clientes han lanzado campañas en los últimos 14 días vs cuáles no

Layout recomendado:

• Arriba: traffic-light grid de todos los clientes activos con health indicator y nota corta de status
• Medio: tabla de pacing con spend vs budget % por cliente, color-coded
• Bar chart: delta week-over-week de CPL/CPA por cliente, ordenado por cambio absoluto
• Drill-down: click en un cliente para expandir un mini-dashboard por cuenta (spend, conversions, top campaign, fecha del último creative refresh)
• Filter controls: multi-select de cliente, canal, owner del account manager

Fuentes de datos: todas las plataformas paid en uso a través del portfolio de clientes (Google Ads, Meta Ads, LinkedIn Ads, TikTok Ads, Microsoft Ads, etc.), GA4 por property de cada cliente, Search Console por property de cada cliente, más una tabla de metadata de cliente que mapea account IDs a nombres de cliente, budgets y thresholds de KPI.

Refresh cadence: daily para el health overview, hourly durante lanzamientos de campañas activas solo para los clientes afectados. La trampa es refrescar a cada cliente hourly cuando la mayoría está en ciclos de review semanal.

El pitfall común: un template uniforme único a través de todos los clientes que esconde los objetivos específicos de cada uno. Un cliente B2B SaaS y un cliente DTC fashion no deberían compararse en el mismo set de KPIs en el mismo dashboard. El dashboard de agencia surface flags de health; el dashboard por cliente surface los números reales en el framing propio de ese cliente.

4. Dashboard de B2B lead generation

La pregunta semanal: En qué parte del funnel desde impression a closed deal estamos goteando, y la fuga está en marketing, en SDR follow-up, o en el sales close?

Los dashboards B2B tienen un horizonte temporal más largo que los de DTC. Un click hoy se convierte en lead mañana, en MQL la semana que viene, en SQL la semana siguiente, y en deal cerrado tres meses después. El dashboard tiene que mostrar velocity a través de cada stage, no solo volumen en cada stage, o terminarás optimizando el top-of-funnel y dejando el bottom-of-funnel desabastecido.

KPIs a mostrar:

• Volumen de leads por canal de adquisición y campaña (LinkedIn, Google Ads, organic, referral, content)
• MQL → SQL conversion rate, segmentado por lead source
• SQL → opportunity → closed-won rate, segmentado por lead source
• Velocity de days-to-stage: tiempo medio de MQL a SQL, SQL a opportunity, opportunity a close
• CPL por canal comparado con el blended CAC de ese canal después de considerar close rate
• Pipeline value creado este periodo, con atribución por canal

Layout recomendado:

• Fila superior: scorecards. Pipeline creado este periodo, MQL→SQL conversion %, sales cycle medio en días
• Diagrama de funnel: volúmenes stage-by-stage con porcentajes de conversión
• Heat map: canal × stage conversion rate (qué canales cierran, cuáles solo top-of-funnel)
• Bar chart: blended CAC por canal (factorizando close rate, no solo CPL)
• Fila inferior: workload SDR / AE por stage, deals atascados en stage más de 14 días
• Filter controls: rango de fechas, canal, segmento de deal size, account owner

Fuentes de datos: HubSpot o Salesforce (lifecycle stages, deal amounts, sources), LinkedIn Ads, Google Ads, GA4 con eventos de conversión de form-fill, y una tabla de definiciones que mapea los campaign IDs de la plataforma a los valores de source/medium del CRM para que el join funcione limpio. El lado de HubSpot específicamente requiere la capa de lifecycle velocity. Consulta nuestra guía HubSpot a Google Sheets para RevOps para la forma de los datos y los joins. Para el lado de LinkedIn, consulta nuestra guía LinkedIn Ads a Google Sheets.

Refresh cadence: daily para pipeline y lead volume; weekly está bien para conversion rates y velocity porque no se mueven rápido. El hourly refresh raramente merece el coste en B2B porque el sales cycle subyacente se mide en semanas.

El pitfall común: ignorar el deterioro de calidad del lead source a lo largo del tiempo. Un canal que producía buenos leads hace seis meses puede haber cambiado: audience saturation, creative fatigue, o un mensaje competidor en mercado degrada la calidad del lead mucho antes de que el CPL en sí se mueva. Trackea MQL→close rate por canal en una ventana rolling de 90 días para que puedas detectar quality drift antes de que aparezca como missed pipeline. La métrica lagging es closed-won revenue; la métrica leading es la tendencia de 90 días de MQL→close por source.

5. Dashboard de content y SEO-driven

La pregunta semanal: ¿qué piezas de contenido están trayendo tráfico cualificado que convierte, y dónde estamos perdiendo rankings (o nunca los tuvimos) en las keywords que importan?

Los dashboards de content tienen que tender un puente entre dos capas de datos que normalmente se mantienen aparte: performance SEO (Search Console: queries, clicks, impressions, position) y conversión behavioral (GA4: sessions, signups, trials). Un blog post con gran tráfico que nunca convierte a product trials es un problema distinto a un blog post que convierte al 8% pero solo tiene 200 visitantes mensuales. Ambos merecen atención, por razones distintas.

KPIs a mostrar:

• Clicks orgánicos e impresiones por landing page, tendencia week-over-week
• Posición media para top 50 target queries, con flag de movement (ganó o perdió > 3 posiciones)
• Conversion rate por landing page de blog: sessions a product signups o trials
• Porcentaje de anonymized queries: cuánto del tráfico Search Console esconde (el threshold de <10 impresiones mensuales). Alta anonymization significa que tu reporting está incompleto y deberías ponderar la performance de long-tail acordemente
• Content age curve: tráfico por edad de post en meses. Identifica el ratio de freshness decay de tu dominio
• Señales de crawl budget para sitios grandes: impresiones en páginas con posición media muy baja (3+ páginas del SERP atrás) sugiriendo indexación sin intent match

Layout recomendado:

• Fila superior: scorecards. Clicks orgánicos totales de los últimos 7 días, posición media a través de top 50 queries, organic conversion rate
• Tabla: top 25 landing pages ordenadas por clicks, con columna de conversion rate, columna de delta de position
• Movement alert: queries que ganaron o perdieron >3 posiciones en los últimos 28 días
• Indicador de anonymization: porcentaje de impresiones que Search Console reporta como anonymized para el periodo
• Cohort: edad de post vs clicks, mostrando la curva de decay o growth de tu content
• Filter controls: rango de fechas, tipo de página (blog vs landing vs docs), país

Fuentes de datos: Search Console (queries, pages, performance), GA4 (sessions y conversions joined con landing page), opcionalmente Ahrefs o Semrush para historia de rankings más allá del límite de 16 meses de Search Console. Para las specifics del conector y el problema de anonymized queries, consulta nuestra guía Search Console a Google Sheets y la guía GA4 a Google Sheets.

Refresh cadence: weekly es el default correcto. Las posiciones orgánicas no se mueven a diario y mirar este dashboard a diario crea ruido. Excepciones: lanzamientos de post, Google core updates, o días de publicación de content mayor donde quieres un check-in 48 horas después.

El pitfall común: reportar el tráfico orgánico en agregado sin partirlo por intent. Posts de blog que driven trials y hits de brand-search ambos aparecen como "organic" en GA4 pero representan customer states completamente distintos. Segmenta por intent de landing page (educational vs branded vs comparison) para que puedas ver qué tipo se está moviendo.

Para cablear cualquiera de estos layouts a data en vivo, la capa de conector underneath es lo que hace que el dashboard sea maintainable. Conecta las fuentes que necesites a Sheets, Looker Studio, BigQuery o Power BI en minutos y sáltate el mantenimiento de API.

Referencia rápida: qué dashboard necesita qué destino

La columna de complejidad mide cuántas fuentes de datos tienes que cruzar y cuán limpios son los joins. Los dashboards de SaaS y ecommerce típicamente cruzan 3-5 fuentes limpiamente. Los de agencia multiplican eso por el número de cuentas. B2B es complejo porque los joins de CRM con plataformas paid raramente tienen una clean shared key y normalmente necesitas una tabla manual de mapping.

FAQ

Una nota sobre los números de esta guía: rangos como trial-to-paid conversion (de unos pocos porcentajes hasta cerca del 50%), repeat purchase rates, guidance de refresh cadence, y warehouse thresholds reflejan benchmarks cross-industry. Tus números específicos por cuenta pueden estar bastante fuera de estos rangos. Trátalos como orientación, no como objetivos.

¿Cuál es la diferencia entre un dashboard SaaS y un dashboard ecommerce?
Los dashboards SaaS se centran en la mecánica del subscription funnel: trial-to-paid conversion, MRR, churn, dunning. Los dashboards de ecommerce se centran en la economía transaccional: ROAS, AOV, repeat purchase, LTV. Comparten la capa de paid acquisition (Meta, Google Ads, etc.) pero la capa de revenue back-end es distinta. Un dashboard SaaS construido sobre KPIs de ecommerce te esconderá el problema de churn; un dashboard ecommerce construido sobre KPIs SaaS subestimará la economía de repeat-purchase.

¿Cuántos dashboards debería mantener un equipo de marketing?
Tres suele ser el número correcto: un weekly executive overview, un per-channel deep-dive usado por el equipo que corre ese canal, y un dashboard per-vertical o per-client para stakeholders. Más allá de tres, el mantenimiento empieza a consumir más tiempo que insight. Combina vistas relacionadas en un mismo dashboard con filter controls en lugar de multiplicar files separados.

¿Las agencias deben construir un dashboard universal o uno por cliente?
Ambos. Un dashboard a nivel de agencia para health overview a través del portfolio (el layout de la sección 3 arriba), y un dashboard per-cliente afinado a los KPIs y objetivos específicos de ese cliente. El dashboard de agencia es para gestión interna de cuentas; el dashboard per-cliente es para la revisión con el cliente. Sirven a audiencias distintas.

¿Cuál es el refresh cadence correcto para un dashboard de marketing?
Daily es el default correcto para la mayoría de paid acquisition data. Weekly es suficiente para SEO y content. Hourly solo tiene sentido durante lanzamientos de campañas activas, ventanas promocionales tipo BFCM, o coverage de eventos en vivo. Refrescar más a menudo que el ciclo de decisión crea ruido sin valor.

¿Necesito un data warehouse para construir estos dashboards?
No, no para una marca única con menos de 10 fuentes de datos. Sheets o Looker Studio con conectores directos es suficiente. Un warehouse se vuelve necesario cuando cruzas alguno de estos thresholds: más de 10 millones de filas en tu tabla más activa, más de 5 cuentas de ads cruzadas con CRM, histórico multi-año más allá de lo que cada fuente retiene, o stakeholders necesitando acceso read-only sin credenciales de fuente. Para el framework completo de decisión de warehouse, consulta nuestra Guía de Marketing Data Warehouse 2026.

¿Cómo evito construir un dashboard que nadie mira?
Anclar el dashboard a una pregunta semanal específica con una decisión asociada. Si mirar el dashboard no cambia lo que alguien hace esta semana, el dashboard es decoración. Las cinco preguntas en la parte superior de cada sección arriba son ejemplos: cada una conecta a un budget shift, una decisión de creative kill, un trigger de SDR follow-up, o un cambio de content priority. Los dashboards sin triggers de decisión tienden a caer en desuso con el tiempo.

Conclusión

Los cinco ejemplos de dashboard de marketing de arriba son templates, no prescripciones exactas. El dashboard correcto para tu equipo depende de qué pregunta semanal importa más y qué decisiones tomas delante de los datos. Founders SaaS mirando trial conversion construirán la vista de funnel primero. Operators DTC construirán el ROAS por canal más la cohort de retention. Agency leads construirán el grid de health multi-cliente. Equipos B2B construirán el funnel de pipeline velocity. Equipos de content construirán la tabla de conversión página-por-página.

La capa de conector debajo de los cinco es la misma: necesitas datos limpios de tus plataformas paid, tu analytics, y (en tres de los cinco) tu CRM o subscription system, refrescados en un schedule, joined limpiamente en la herramienta de dashboard de tu elección. Ese es el trabajo que tiene que pasar antes de que cualquier layout sea útil, y es el trabajo que la mayoría de equipos de marketing subestiman cuando empiezan.

Empieza tu trial gratis de Dataslayer para conectar cualquiera de las fuentes referenciadas arriba a Google Sheets, Looker Studio, BigQuery o Power BI, y empezar a construir el layout que tu pregunta semanal requiere.