Servicio
Auditoría de arquitectura e implementación
Analizo una implantación MarTech existente y convierto los problemas observados en hallazgos priorizados y un plan de remediación.
Qué incluye
- 01
Mapa del flujo de datos, integraciones, dependencias, responsables y puntos de control.
- 02
Revisión de recogida, calidad, identidades y activación según el alcance.
- 03
Revisión de consentimiento y DULE: restricciones, etiquetas, políticas, acciones de marketing y pruebas de bloqueo según el alcance.
- 04
Revisión de monitorización, frescura del dato, responsables y procedimientos de recuperación.
- 05
Cada hallazgo con su impacto y su esfuerzo estimado.
- 06
Plan de remediación ordenado.
Opcional
- Como encargo aparte: implantar controles, alertas y procedimientos de recuperación, o ejecutar la remediación priorizada.
Experiencia y criterio relacionados
-
Construido 2021–2024
El mapa de riesgo del gestor de etiquetas
Se audita lo que se hereda, no lo que uno construye. Un gestor de etiquetas puede cambiar el DOM y descargar scripts, así que clasifiqué por riesgo qué podía hacer cada pieza en los dos sitios. Con inventario de cookies, el cross-domain de Adobe Analytics y la librería servida por proxy inverso desde el dominio propio.
- Tealium iQ
- Auditoría
- Riesgo
- Cookies
-
Construido 2025–2026
Runbook semanal de salud de identidades, con baselines
Consultas contra el snapshot de perfiles, lanzadas cada semana y anotadas contra un baseline: total, combinaciones de identidad y huérfanos por namespace. No es un informe, es un umbral: si los perfiles con un solo identificador suben más de la cuenta, el mapeo de Data Prep está mal y se ve esa semana.
- Query Service
- Identidades
- Data Prep
- Runbook
-
Construido 2025–2026
Demostrar que el borrado ocurrió, que no es lo mismo que pedirlo
Pedir el borrado con alcance total no basta. El dataset de reconciliación no se purgaba con él, y la cadena nocturna devolvía los perfiles cada mañana. Lo destapé con tres consultas independientes, junto a otro fallo: el snapshot guarda las identidades en minúscula y los eventos en camelCase, así que daban ceros falsos.
- Data Lifecycle
- Query Service
- Reconciliación
- Verificación
-
Construido 2021–2024
Capa de datos común para web, área privada y app
Tres superficies con tres implementaciones distintas, y por tanto tres verdades. Rehíce la capa de datos de las tres contra un mismo contrato de eventos, coordinando un equipo de 5, y con la documentación funcional y técnica mantenida en Confluence.
- Data layer
- Web y app
- Contrato de eventos
Ver más trabajo en mi trayectoria →
Preguntas frecuentes
¿Necesitas acceso a nuestras plataformas?
De lectura, y solo cuando haga falta y esté autorizado. Si el acceso no es posible se puede trabajar con documentación, exportaciones y sesiones con vuestro equipo, aunque el diagnóstico será menos preciso. Nunca pido credenciales por correo.
¿Vas a tocar producción?
No. Una auditoría observa y documenta, no cambia nada. La ejecución de la remediación es un encargo distinto, que se decide después de ver los hallazgos y con el alcance acordado por separado.
¿Qué pasa si los hallazgos cuestionan decisiones ya tomadas?
Se escriben igual. Un informe que evita lo incómodo no sirve para decidir. Cada hallazgo va con su evidencia y su impacto, para que la discusión sea sobre los datos y no sobre quién lo propuso en su día.
¿Puedes ejecutar después lo que encuentres?
Sí, como encargo aparte y sin compromiso de contratarlo. La auditoría es útil por sí sola: el plan de remediación está escrito para que lo pueda ejecutar tu equipo o el proveedor que ya tengas.
¿Encaja con tu problema?
Cuéntame el contexto y te diré si este alcance es el adecuado o conviene empezar por otro sitio.
Para revisar esta decisión
- La carga está en verde. ¿Y la campaña?
Una carga terminada no demuestra que la campaña funcione. Cómo separar salud técnica, frescura del dato y recuperación en AEP.
- Poder ver un dato no permite usarlo para todo
Quién puede ver un dato, para qué se puede usar y qué acepta una persona. Una comparación de accesos, DULE y consentimiento en AEP.
- El gobierno del dato también llega al análisis
Qué hacen las etiquetas de uso del dato en Customer Journey Analytics, qué bloquean las políticas activas y qué pasa con las data views y las exportaciones.
- ¿Arreglar el dato o arreglar el informe?
Un canal mal clasificado puede corregirse en origen, en la ingesta o en CJA. La diferencia está en quién recibe la corrección y qué pasa con el histórico.
- La compra está en AEP. ¿Dónde se pierde en CJA?
Cómo investigar una compra que no aparece en CJA: dataset, conexión, histórico, Data View y filtros. Validar por capas antes de volver a cargar datos.