Caso de estudio: cómo triplicamos el ROAS en 90 días con Wiwo OS.

Este no es un caso hipotético. Es el registro documentado de una implementación real de Wiwo OS para una empresa de e-commerce en México con facturación anual de $12M USD. Incluimos los números reales, las decisiones que tomamos, los errores que cometimos y los resultados que obtuvimos.

El objetivo era simple de enunciar y complejo de ejecutar: triplicar el ROAS (Return on Ad Spend) sin aumentar el presupuesto de medios. Teníamos 90 días y un equipo de 4 personas.

El punto de partida

Cuando llegamos, la operación de marketing de la empresa era típica: un equipo interno de 3 personas gestionando campañas en Meta y Google, una agencia externa manejando el contenido creativo y un stack fragmentado de herramientas desconectadas.

Los números iniciales:

• ROAS promedio: 2.1x (por cada dólar invertido, recuperaban $2.10)
• Presupuesto mensual en medios: $85,000 USD
• CAC (Costo de Adquisición de Cliente): $47 USD
• Variantes creativas activas: 12 al mes
• Frecuencia de optimización: Semanal (manual)
• Tiempo de reporte: 5 días hábiles post-cierre de mes

El diagnóstico fue claro: no era un problema de presupuesto ni de equipo. Era un problema de infraestructura. Cada pieza de la operación funcionaba de forma aislada. No había feedback loops, no había automatización y las decisiones se tomaban con datos que tenían entre 5 y 30 días de retraso.

Fase 1: Infraestructura (Días 1-30)

Los primeros 30 días fueron de construcción, no de optimización. Resistimos la tentación de "mejorar campañas" y nos enfocamos en construir la base.

Data layer

Implementamos un data warehouse centralizado que conectaba todas las fuentes: Meta Ads, Google Ads, Shopify, Google Analytics, CRM y datos de email marketing. Por primera vez, la empresa podía ver el journey completo de cada cliente, desde el primer touch hasta la compra y recompra.

Automatización de reporting

Eliminamos el proceso manual de reportes. Construimos dashboards en tiempo real con Wiwo Board que mostraban no solo qué pasó, sino qué estaba pasando en ese momento. El equipo pasó de esperar 5 días por un reporte a tener visibilidad instantánea sobre el rendimiento.

Pipeline creativo con IA

Configuramos un pipeline de producción creativa con AI Creative Ops: generación automática de variantes de copy, testeo de imágenes con IA generativa y un sistema de scoring que predecía el rendimiento de cada pieza antes de publicarla.

Fase 2: Optimización (Días 31-60)

Con la infraestructura en su lugar, empezamos a optimizar. Pero no de la forma tradicional. Optimizamos el sistema.

Bidding algorítmico

Implementamos modelos de bidding custom que operaban encima de los algoritmos de Meta y Google. No reemplazamos los algoritmos de las plataformas; construimos una capa de inteligencia adicional que redistribuía presupuesto entre campañas, ad sets y creatividades cada 4 horas basándose en señales de rendimiento en tiempo real.

Creative testing a escala

El pipeline de IA nos permitió pasar de testear 12 variantes al mes a testear 180+. Pero el cambio real no fue el volumen: fue la velocidad del feedback loop. En lugar de esperar una semana para saber si una creatividad funcionaba, lo sabíamos en 24-48 horas. Las ganadoras se escalaban automáticamente; las perdedoras se pausaban sin intervención humana.

Audience engineering

Utilizamos los datos del data warehouse para construir audiencias basadas en comportamiento real, no en datos demográficos genéricos. Audiencias de personas que habían visitado páginas de producto específicas, que habían abandonado carrito con cierto valor, que habían comprado en cierta ventana de tiempo. Cada audiencia tenía su propia estrategia de mensajes y su propio funnel.

Fase 3: Escala (Días 61-90)

La fase final fue de escala. Con los sistemas funcionando y optimizados, el objetivo era maximizar el output sin aumentar el input.

Los resultados de esta fase fueron los más dramáticos porque el sistema ya tenía suficientes datos para predecir con precisión qué funcionaba y qué no.

Semana 9: El ROAS cruzó 5x por primera vez. El equipo quiso celebrar, pero sabíamos que el sistema todavía estaba aprendiendo.

Semana 11: Detectamos un patrón inesperado: las creatividades generadas con IA que incluían testimonios de clientes reales tenían un rendimiento 3x superior a las que usaban mensajes genéricos de marca. Reorientamos todo el pipeline creativo.

Semana 13 (día 90): ROAS promedio de los últimos 30 días: 6.8x. CAC promedio: $19.70 USD. Mismo presupuesto. Mismo equipo. Diferente infraestructura.

Los errores que cometimos

Este caso no sería honesto sin hablar de los errores:

• Error 1: Subestimar el data quality. Los primeros 10 días perdimos tiempo porque los datos del CRM tenían inconsistencias que contaminaban el warehouse. Lección: siempre auditar la calidad de datos antes de construir encima.
• Error 2: Over-engineering del pipeline creativo. Inicialmente construimos un pipeline demasiado complejo con 5 etapas de revisión. Lo simplificamos a 3 y la velocidad se duplicó sin sacrificar calidad.
• Error 3: No involucrar al equipo interno desde el día 1. Las primeras dos semanas, el equipo interno se sintió desplazado. Corregimos con sesiones de training y ownership compartido. Lección: la tecnología sin adopción es decoración.

Cómo replicar estos resultados

1. Primero infraestructura, después optimización. No intentes optimizar campañas sobre una base rota. Invierte el primer tercio del tiempo en construir bien.

2. Automatiza las decisiones repetitivas. Si un humano ajusta pujas manualmente tres veces por semana, esa decisión puede y debe automatizarse. Reserva el talento humano para decisiones estratégicas.

3. Mide en tiempo real. Los reportes mensuales son necropsias: te dicen qué murió, no cómo salvarlo. Necesitas visibilidad en tiempo real para tomar decisiones que importen.

4. Escala con sistemas, no con personas. Si duplicar tu output requiere duplicar tu equipo, no tienes un sistema. Tienes un proceso manual con gente cara.

El ROAS de 6.8x no es un número mágico ni un resultado irrepetible. Es lo que pasa cuando dejas de operar marketing como un servicio artesanal y empiezas a operarlo como una disciplina de ingeniería.