Los registros, las sesiones, las compras y el uso de funcionalidades describen partes distintas de un producto. La selección de una métrica empieza por el resultado que se quiere evaluar: si los nuevos usuarios obtienen valor, si los clientes regresan o si un cambio mejora un recorrido concreto.
Los recuentos y las tasas necesitan interpretación. El crecimiento puede incluir usuarios que abandonan enseguida; las visitas repetidas pueden reflejar dificultades para completar una tarea. Evaluar un lanzamiento exige definir un resultado y examinar el comportamiento que hay detrás de la cifra.
Los siguientes conceptos explican cómo se definen las métricas, cómo se relacionan entre sí y cómo investigar un cambio antes de decidir una respuesta.
¿Qué son las métricas de producto?
Las métricas de producto son mediciones que ayudan a los equipos a comprender cómo las personas usan un producto y si ese uso produce los resultados que le interesan al equipo. Pueden describir diferentes partes del recorrido del cliente. Algunas métricas nos dicen si los usuarios alcanzan un primer momento importante de valor, mientras que otras muestran con qué frecuencia regresan, si continúan usando el producto con el tiempo o si eventualmente se convierten en clientes de pago.
Por ejemplo, una aplicación de fitness podría realizar un seguimiento de:
- Porcentaje de nuevos usuarios que completan su primer entrenamiento
- Entrenamientos completados por usuario activo
- Usuarios activos semanales
- retención de 30 días
- Conversión gratuita a pago
Cada métrica responde a una pregunta diferente. Mirarlos juntos ofrece una imagen mucho más rica que simplemente saber cuántas personas descargaron la aplicación.
¿Por qué los Product Managers deberían comprender las métricas?
Las decisiones sobre productos a menudo se toman en condiciones de incertidumbre. Lanzamos algo porque creemos que mejorará el resultado, pero después del lanzamiento necesitamos una manera de entender si eso realmente sucedió.
En un rediseño hipotético del onboarding, los registros se mantienen estables y las primeras opiniones son positivas, mientras menos usuarios alcanzan la primera acción significativa. La revisión del lanzamiento necesita ese resultado junto con las opiniones para identificar qué parte del recorrido requiere investigación.
Las métricas ayudan a los Product Managers a ir más allá de preguntas como “¿Lo enviamos?” hacia otros más útiles: "¿Cambió el comportamiento del usuario de la forma que esperábamos?" También ayudan a identificar dónde investigar. Una métrica rara vez brinda la explicación completa, pero puede mostrarle dónde está sucediendo algo interesante o preocupante.
Métricas vanidosas versus métricas útiles
Algunas cifras parecen impresionantes sin decir mucho sobre si el producto está creando valor. Imagine un producto que informa:
680.000 usuarios registrados
Esto suena significativo, pero por sí solo deja muchas preguntas sin respuesta. ¿Cuántos de esos usuarios siguen activos? ¿Cuántos probaron el producto una vez y desaparecieron? ¿Cuántos alcanzaron alguna vez la experiencia central?
Compare eso con información como:
92.000 usuarios activos mensuales
24.500 suscriptores de pago
41% retención de 30 días
Esos números comienzan a describir cómo las personas interactúan realmente con el producto. Esto no significa que los registros sean inútiles. Una métrica se vuelve útil o inútil según la pregunta que intente responder. El problema aparece cuando un gran número se trata como prueba de la salud del producto simplemente porque tiene buen aspecto.
Activación
La activación es un comportamiento definido que se utiliza como indicador de que un nuevo usuario ha empezado a experimentar el valor previsto del producto. El evento es una aproximación cuya utilidad debe contrastarse con el comportamiento posterior.
Ese momento es diferente para cada producto. Para una herramienta de gestión de proyectos, la activación podría significar crear un primer proyecto e invitar a un compañero de equipo. Para una aplicación de música, podría ser reproducir varias canciones o crear una lista de reproducción. Para un producto de fitness, podría ser completar el primer entrenamiento.
El evento de activación debe representar una primera experiencia de valor plausible. Completar el registro puede ser necesario para usar el producto y aportar poca información sobre el beneficio obtenido.
Abrir la aplicación y completar el registro describen el acceso al producto. La activación necesita un comportamiento que el equipo pueda relacionar con el valor previsto y contrastar después con el uso posterior.
Tasa de activación
Una vez definida la activación, el equipo puede medir cuántos usuarios elegibles llegan a ese punto. Un cálculo simplificado podría ser:
Usuarios activados ÷ Usuarios nuevos × 100
Si 1000 personas se registran y 370 alcanzan el hito de activación:
370 ÷ 1000 = 37% de tasa de activación
El porcentaje se vuelve mucho más útil cuando le das contexto. Si la activación fue del 41% la semana pasada e históricamente se ha mantenido entre el 40% y el 43%, una caída al 37% merece atención.
Un cambio en la tasa de activación abre una investigación sobre el recorrido y los segmentos afectados. La instrumentación, las diferencias entre cohortes y el comportamiento del producto pueden contribuir al resultado.
Interacción
La interacción o engagement describe cómo se utiliza un producto a lo largo del tiempo mediante sesiones, mensajes, entrenamientos completados o proyectos. El comportamiento pertinente depende de la tarea que permite realizar el producto. El desafío es que más actividad no es automáticamente mejor.
Imagine una aplicación bancaria en la que los usuarios de repente abren la pantalla de transacciones con el doble de frecuencia. Eso podría significar que la participación ha mejorado, pero también podría significar que los clientes verifican repetidamente porque los pagos tardan más en aparecer.
La interacción se interpreta en relación con la tarea que el producto permite realizar. En el ejemplo bancario, las visitas repetidas deben examinarse junto con el estado del pago, las consultas a soporte y el tiempo de finalización.
Retención
La adquisición y la retención describen etapas distintas de la relación con el cliente y necesitan definiciones propias. Retención Mide la proporción de usuarios que continúan usando un producto después de un período determinado. Dependiendo del producto, los equipos pueden analizar el Día 1, el Día 7, el Día 30 o períodos mucho más largos.
Por ejemplo, si 1.000 usuarios se registran en enero y 420 de ellos siguen activos un mes después:
Retención de 30 días = 42%
La retención es particularmente valiosa porque los productos sustentables generalmente necesitan crear valor repetido. Adquirir una gran cantidad de usuarios que desaparecen inmediatamente puede hacer que las métricas de crecimiento parezcan impresionantes y al mismo tiempo ocultar un problema fundamental del producto.
El período de retención adecuado depende en gran medida de la frecuencia de uso. El software de mensajería diaria y el software de impuestos anuales no deben juzgarse utilizando la misma ventana de retención.
Retención significativa
El simple hecho de abrir un producto nuevamente no siempre significa que el usuario sea retenido en un sentido significativo. En una aplicación hipotética de fitness, un cliente abre una notificación después de 30 días, mira la pantalla principal durante cinco segundos y sale. Contar esa visita como retención ofrece una imagen distinta de contar un entrenamiento completado. La definición debe corresponder al comportamiento que el equipo quiere estudiar.
Una definición de retención más sólida podría requerir una acción significativa, como completar un entrenamiento. Esta es una distinción importante porque las definiciones de métricas dan forma a la historia que cuentan los datos. Los equipos pueden crear fácilmente un número de retención halagador utilizando una definición de actividad muy débil.
La definición de retención necesita una acción de regreso adecuada al propósito del producto, una cohorte elegible y un periodo de medición. Modificar cualquiera de estos elementos puede cambiar la tasa sin que cambie el comportamiento de los usuarios.
Cohortes
Los promedios generales pueden ocultar cambios importantes en el comportamiento de los usuarios. Análisis de cohorte ayuda agrupando a los usuarios según algo que tienen en común y comparando esos grupos por separado.
Un enfoque común es agrupar a los usuarios según el momento en que se unieron:
| cohorte | Semana 1 | Semana 2 | Semana 3 | Semana 4 |
|---|---|---|---|---|
| enero | 100% | 58% | 46% | 40% |
| febrero | 100% | 62% | 51% | 45% |
| marzo | 100% | 67% | 57% | 52% |
Observar únicamente la retención general podría ocultar el hecho de que las cohortes más nuevas se están desempeñando mejor que las más antiguas. Las cohortes también pueden basarse en otras características: canal de adquisición, plan de suscripción, país, plataforma o versión del producto. La idea clave es evitar mezclar usuarios con experiencias muy diferentes en un promedio cuando esas diferencias son importantes.
Embudos
Muchos recorridos de productos constan de una secuencia de pasos. un embudo ayuda a mostrar cómo los usuarios progresan a través de esa secuencia y dónde abandonan.
Un funnel simplificado de onboarding podría contener los siguientes pasos:
1.000 Iniciar registro
↓
820 Verificar correo electrónico
↓
610 perfil completo
↓
430 Crear primer proyecto Mirando solo el número final nos dice que 430 usuarios alcanzaron la acción deseada. Mirar el embudo muestra dónde se perdieron los otros 570.
Eso le da al Product Manager un lugar donde investigar. Si la caída más grande ocurre durante la verificación del correo electrónico, mejorar la pantalla de perfil probablemente no sea el primer lugar en el que concentrarse. Los embudos son útiles porque convierten un resultado amplio en una serie de comportamientos más pequeños que pueden examinarse individualmente.
Tasa de conversión
un tasa de conversión Mide el porcentaje de usuarios que pasan de un estado o acción a otro.
El cálculo general es:
Usuarios que realizan conversiones ÷ Usuarios elegibles × 100
La conversión podría referirse a muchos comportamientos diferentes: desde el visitante hasta el registro, desde el usuario gratuito hasta el suscriptor pago, desde la vista del producto hasta la compra o desde el inicio de la prueba hasta la suscripción. El denominador es tan importante como el numerador. Una tasa de conversión del 20% significa muy poco a menos que sepas 20% de los cuales.
Las definiciones claras de métricas evitan que los equipos comparen números que parecen describir lo mismo pero que en realidad se calcularon utilizando poblaciones diferentes.
Adopción de funciones
Después de lanzar una función, los equipos suelen querer saber si los clientes la están utilizando. Adopción de funciones Mide cuántos usuarios relevantes han comenzado a utilizar esa funcionalidad. Supongamos que 10 000 usuarios activos son elegibles para una nueva función y 2500 la usan:
Adopción de funciones = 25%
Esto puede resultar útil, pero la adopción por sí sola no indica si la función es valiosa. Los usuarios pueden probar algo una vez porque es nuevo, está promocionado de manera destacada o está habilitado automáticamente. Un análisis más sólido también podría analizar el uso repetido, la retención entre los usuarios o si el uso de la función está asociado con el resultado para el que fue diseñada.
El uso repetido y los resultados de quienes adoptan la funcionalidad permiten distinguir una primera prueba de una adopción sostenida. Las diferencias respecto al resto necesitan una interpretación cuidadosa, porque los grupos pueden diferir antes de utilizarla.
Métricas de la estrella del norte
un Métrica de la Estrella del Norte tiene como objetivo representar el valor central que un producto ofrece a los clientes de una manera que también pueda reflejar el crecimiento sostenible del producto. La métrica exacta depende del producto. Una herramienta de colaboración podría centrarse en que los equipos colaboren activamente cada semana, mientras que un producto de fitness podría centrarse en los entrenamientos completados y un mercado podría medir las transacciones exitosas.
Una buena métrica de North Star no debería ser simplemente el número más fácil de aumentar. Idealmente, debería tener una relación sólida con el valor que los clientes reciben del producto. Los ingresos, los registros o las descargas de aplicaciones pueden ser métricas comerciales importantes, pero no necesariamente indican si los usuarios están experimentando con éxito el valor central del producto.
Métricas de entrada
Una métrica de North Star le informa sobre un resultado importante, pero los equipos también deben comprender qué comportamientos influyen en ese resultado.
Estos se describen a menudo como métricas de entrada.
Conceptualmente:
Métricas de entrada → Métrica Estrella del Norte
Imagine un producto de fitness cuya métrica North Star sea:
Entrenamientos semanales completados
Los posibles aportes podrían incluir:
Usuarios que inician un entrenamiento.
Tasa de finalización del entrenamiento
Número de días activos por usuario Las métricas de entrada permiten localizar dónde se está limitando un resultado. Una caída en los entrenamientos completados puede proceder de menos inicios o de más sesiones abandonadas, con consecuencias distintas para el equipo.
La relación entre una métrica de entrada y un resultado es una hipótesis de trabajo que debe contrastarse con evidencias del producto.
Métricas de control
Las métricas de control vigilan posibles efectos adversos de un cambio junto con el resultado que se pretende conseguir. En un rediseño hipotético del onboarding, eliminar pasos podría aumentar la finalización y dejar a los clientes sin información que necesitarán después. Un aumento de consultas a soporte podría revelar ese coste aunque mejorase la activación.
En ese ejemplo de onboarding, el equipo podría seguir la activación junto con los contactos a soporte, el abandono temprano y la tasa de error. Cada control aborda una consecuencia posible de eliminar pasos. Conviene acordar qué deterioro de una métrica de control activaría una revisión. Un aumento moderado de consultas a soporte puede ser asumible; uno relacionado con pagos fallidos puede exigir detener el despliegue gradual.
Indicadores adelantados y rezagados
Algunas métricas le informan sobre resultados que ya han ocurrido, mientras que otras pueden proporcionar señales tempranas sobre hacia dónde se dirigen esos resultados. un indicador de retraso a menudo refleja un resultado posterior, como ingresos o abandono. un indicador adelantado es un comportamiento que puede ocurrir en una etapa anterior del viaje y tener una relación con ese resultado posterior.
Por ejemplo:
Uso del producto → Retención → Renovación de suscripción
Si un patrón particular de uso del producto está fuertemente asociado con una renovación posterior, monitorear ese comportamiento puede darle al equipo una señal más temprana que esperar meses para ver la tasa de renovación.
Un indicador anticipado necesita evidencias de su relación con el resultado posterior. Ocupar una posición anterior en el recorrido es insuficiente para atribuirle capacidad predictiva.
Segmentación
Una métrica general puede indicarle que algo cambió. Segmentación puede ayudarte a descubrir dónde. Imaginemos que la activación cae un 8%. Antes de asumir que todo el producto tiene un problema, puedes desglosar la métrica de la siguiente manera:
- Plataforma
- País
- Versión de la aplicación
- Canal de adquisición
- Plan de suscripción
- Usuarios nuevos versus usuarios recurrentes
Quizás el resultado se vea así:
iOS: estable
Web: estable
Android: activación ↓ 21%
Ahora tienes un problema mucho más específico que investigar. Ésta es una de las razones por las que los promedios pueden ser engañosos. Un movimiento en un segmento importante puede cambiar la métrica principal incluso cuando el comportamiento en otros lugares sigue siendo completamente normal.
Cuando una métrica cambia, investigue
Un panel le indica que un número se movió. El trabajo del producto comienza cuando intentas entender por qué. Supongamos que la activación cae del 42% al 34%. Una investigación útil puede pasar por varias capas:
Activación ↓ 8% → Embudo → Segmento → Android → Versión de la aplicación 4.6
Quizás la métrica general sugirió inicialmente un problema general de incorporación, pero la investigación revela que casi toda la disminución proviene de usuarios de Android con la última versión de la aplicación. En ese momento, el problema ha cambiado por completo. En lugar de rediseñar la incorporación, es posible que el equipo deba investigar un problema técnico introducido en una versión.
La segmentación acota la investigación; para explicar el cambio siguen haciendo falta logs, informes de clientes u otros análisis.
La correlación no significa necesariamente causalidad
Los datos de productos a menudo revelan relaciones entre comportamientos. Los usuarios que realizan la Acción A pueden retener mejor, los clientes que usan la Función B pueden gastar más o los equipos que invitan a colegas tienen más probabilidades de actualizar.
Esas relaciones pueden ser útiles, pero no significan automáticamente un comportamiento causado el otro. Quizás los usuarios altamente motivados tengan más probabilidades de utilizar la función B y de seguir siendo clientes. En ese caso, es posible que la característica no sea la razón por la que retuvieron.
Esta distinción es importante a la hora de convertir el análisis en decisiones de producto. Los datos observacionales pueden generar hipótesis sólidas, pero es posible que se necesiten experimentos, investigaciones cualitativas o análisis adicionales antes de concluir que cambiar un comportamiento producirá otro.
Métricas e investigación cualitativa.
Las métricas son excelentes para decirte que esta pasando y donde. A menudo son mucho más débiles a la hora de decirte por qué. La retención de Imagine es significativamente menor entre los usuarios que nunca crean un segundo proyecto. Los datos identifican un patrón de comportamiento importante, pero no dicen por qué esos usuarios dejan de hacerlo.
Quizás no entendieron el producto. Quizás el primer proyecto resolvió su necesidad inmediata. Es posible que el flujo de trabajo les haya resultado frustrante, que hayan cambiado a un competidor o que, en primer lugar, nunca hayan tenido la intención de convertirse en usuarios habituales.
Las entrevistas, la investigación de usabilidad, las conversaciones de apoyo y otros métodos cualitativos pueden ayudar a explicar lo que los datos cuantitativos no pueden. La comprensión más sólida del producto a menudo proviene de la combinación de ambos: usar datos para identificar el patrón, luego usar la investigación para comprender el comportamiento detrás de él.
Paneles de control
Un buen panel debería ayudar al equipo a comprender rápidamente el estado del producto. Eso no significa poner todas las métricas disponibles en una sola pantalla. Un panel de producto útil podría incluir el resultado clave que le interesa al equipo, los aportes que lo influyen, barreras de seguridad importantes y contexto suficiente para comprender si está sucediendo algo inusual.
Por ejemplo:
estrella del norte
Entrenamientos semanales completados
Entradas
Comienza el entrenamiento
Tasa de finalización
Días activos por usuario
Métricas de control
Tasa de fallos de la aplicación
Tasa de cancelación
Contexto
Semana anterior
Rango histórico
Segmentos clave
Un dashboard debe mostrar el periodo, la definición y la comparación pertinente junto a cada métrica principal. Los enlaces a segmentos o informes de diagnóstico permiten investigar un cambio sin sobrecargar la vista principal.
Preguntas que los Product Managers deberían hacer sobre las métricas
Antes de actuar sobre un número, comience con su definición. ¿Qué estamos midiendo exactamente? ¿Qué usuarios están incluidos, qué evento cuenta y durante qué período? Luego busque contexto. ¿La métrica es más alta o más baja de lo habitual? ¿Qué pasó la semana pasada, el mes pasado o durante el mismo período del año pasado? ¿Es el movimiento lo suficientemente grande como para importar o podría ser una variación normal?
Luego, la segmentación puede ayudar a determinar si el cambio es amplio o está concentrado en un grupo en particular. La plataforma, el mercado, la fuente de adquisición, el tipo de cliente y la versión del producto son lugares comunes para buscar.
También vale la pena preguntarse qué más cambió al mismo tiempo. ¿Hubo algún lanzamiento, campaña de marketing, cambio de precios, modificación del seguimiento o evento externo que podría haber influido en el resultado?
Finalmente, conecte la métrica con una decisión. ¿Qué haríamos diferente si este número aumentara, disminuyera o permaneciera igual? Si la respuesta es “nada”, es posible que no merezca tanta atención como la que recibe actualmente.
¿Los Product Managers deben ser expertos en datos?
Trabajar con métricas incluye revisar definiciones, interpretar comparaciones y reconocer la incertidumbre de un resultado. El análisis que realiza directamente un PM depende de las herramientas y responsabilidades de su organización. Eso significa comprender cómo se definen las métricas, reconocer la diferencia entre un número general y sus segmentos subyacentes, saber cuándo los promedios pueden ocultar comportamientos importantes y ser capaz de cuestionar si un cambio es significativo.
También significa conocer las limitaciones de los datos. Un panel de control que parezca preciso aún puede contener problemas de seguimiento, definiciones débiles o comparaciones engañosas. En una decisión de peso conviene documentar el cálculo, la población y las limitaciones conocidas de los datos, para que otras personas puedan revisar la interpretación.
¿Cuántas métricas debe rastrear un Product Manager?
No existe un número universal. El conjunto correcto depende del producto, el equipo y las decisiones de las que eres responsable. Lo que más importa es que las métricas tengan un propósito y una relación clara entre sí. Una estructura útil podría incluir una estrella polar o una métrica de resultados clave, varios aportes que ayuden a explicar qué los impulsa y una pequeña cantidad de barreras de seguridad que hagan visibles las consecuencias no deseadas.
Luego se pueden utilizar métricas de diagnóstico adicionales cuando algo necesita investigación. La revisión habitual puede centrarse en el resultado acordado y sus métricas de control, y recurrir a los informes de diagnóstico cuando haga falta explicar un cambio.
Profundice: métricas de producto para Product Managers
El libro Métricas de Producto para Product Managers desarrolla la activación, la retención, los funnels, las cohortes y la segmentación con ejemplos de cómo las definiciones afectan al análisis.
Las métricas de productos se vuelven mucho más útiles cuando las conectas a los sistemas que producen esos números. SQL y los datos le ayudan a comprender de dónde proviene la información, mientras que los registros y la observabilidad ayudan a determinar si un cambio en el comportamiento del producto podría tener realmente una causa técnica.
Continuar con el Gestión Técnica de Producto Ruta de aprendizaje para explorar API, arquitectura de software, SQL y datos, observabilidad, seguridad y CI/CD.
Explora el libro → Métricas de producto para Product Managers
Continuar aprendiendo Gestión Técnica de Producto
Explora el Centro de aprendizaje sobre gestión técnica de productos