Qué métricas debe medir una startup antes del product-market fit

Una startup lanza su primera versión, consigue quinientas visitas, cien registros y veinte comentarios positivos en redes. El panel parece animado, las cifras suben y el equipo siente que el proyecto empieza a moverse. Sin embargo, apenas cinco personas completan la acción principal, solo dos regresan durante la semana siguiente y ninguna paga.

¿Está avanzando la startup? Depende de qué se estuviera intentando demostrar. Si el objetivo era comprobar si una campaña podía atraer curiosidad, las visitas aportan información. Si el objetivo era averiguar si el producto resolvía un problema relevante, esos datos todavía dicen muy poco.

Antes del product-market fit, la función de las métricas no es demostrar crecimiento. Es reducir incertidumbre. La startup todavía está intentando entender quién necesita el producto, qué valor reconoce, qué comportamiento demuestra que lo ha entendido y por qué algunas personas continúan mientras otras desaparecen.

Esto cambia la forma de medir. No necesitas un panel con veinte indicadores moviéndose al mismo tiempo. Necesitas unas pocas métricas vinculadas con las preguntas que pueden modificar el producto, el segmento, el precio o la siguiente prueba.

Una buena métrica no es la que produce una gráfica más atractiva. Es la que permite tomar una decisión.

Antes del product-market fit, el objetivo es aprender, no crecer

Una empresa que ya ha encontrado un patrón repetible puede concentrarse en captar más clientes, mejorar su eficiencia y ampliar lo que funciona. Una startup que todavía busca product-market fit se encuentra en una situación distinta. No sabe con suficiente certeza si el producto resuelve un problema importante, si el segmento elegido es el correcto ni si el comportamiento observado se repetirá.

En esa etapa, medir el crecimiento sin medir la calidad de ese crecimiento puede resultar engañoso. Es posible aumentar registros mediante publicidad y seguir sin saber si alguien obtiene valor. También es posible duplicar los ingresos gracias a dos clientes excepcionales sin haber encontrado una propuesta que pueda venderse de forma repetible.

Separar aprendizaje de crecimiento no significa ignorar usuarios, ingresos o adquisición. Significa interpretar cada cifra según la pregunta que debe responder. Los primeros datos sirven para descubrir patrones, no para proyectar una curva de crecimiento que todavía no existe.

El trabajo previo al product-market fit consiste en comprobar una cadena de supuestos: que el cliente reconoce el problema, que entiende la propuesta, que llega al valor, que decide repetir y que está dispuesto a asumir algún coste para seguir obteniéndolo. Las métricas deberían observar esa cadena en lugar de medir actividad alrededor del producto sin saber si conduce a algo.

Una métrica solo es útil si está conectada con una decisión

Antes de elegir un indicador conviene preguntar qué harás cuando el resultado sea alto, bajo o ambiguo. Si ninguna respuesta cambia una decisión, probablemente no necesitas medirlo todavía.

Imagina que una startup registra el número de páginas vistas dentro de su aplicación. La cifra puede aumentar porque los usuarios están explorando muchas funciones, pero también porque no encuentran lo que necesitan y recorren varias pantallas antes de abandonar. Sin un comportamiento esperado y una decisión asociada, el dato admite interpretaciones opuestas.

En cambio, medir cuántos usuarios completan la tarea central durante la primera sesión permite investigar una parte concreta de la experiencia. Si muy pocos lo consiguen, el problema puede estar en la promesa, el onboarding, la complejidad del flujo o la selección del público. La métrica no ofrece la explicación completa, pero identifica dónde merece la pena investigar.

La secuencia debería comenzar siempre por una hipótesis. Después se define qué comportamiento permitiría observarla, qué dato representa ese comportamiento y qué decisión se tomará según el resultado.

La métrica no sustituye el criterio. Lo hace visible.

La activación muestra si el usuario ha llegado al primer valor

Conseguir un registro no significa haber activado a un usuario. Una persona puede crear una cuenta por curiosidad, por una recomendación o porque la landing prometía algo interesante y marcharse sin experimentar el producto.

La activación ocurre cuando el usuario realiza la acción que le permite percibir por primera vez el valor principal. Esa acción depende del producto. En una herramienta de facturación puede ser crear y enviar la primera factura. En una aplicación de aprendizaje puede ser completar una lección. En un marketplace puede ser realizar una primera solicitud y recibir una respuesta válida.

La tasa de activación puede calcularse de esta manera:

Tasa de activación = usuarios que completan la acción de activación ÷ usuarios nuevos que comienzan el proceso × 100

La fórmula es sencilla. Lo difícil es elegir una acción que represente valor y no una tarea administrativa. Confirmar el correo electrónico, completar el perfil o aceptar las condiciones puede ser necesario, pero no demuestra necesariamente que la persona haya entendido por qué el producto le resulta útil.

También importa definir correctamente el denominador. Si incluyes todas las visitas, mezclarás adquisición con producto. Si incluyes únicamente a quienes han completado ya varios pasos, puedes ocultar parte de la fricción. La población debe reflejar el recorrido que realmente quieres evaluar.

Cuando la activación es baja, añadir funcionalidades rara vez es la primera respuesta. Conviene observar dónde se detienen los usuarios, qué esperaban encontrar y qué esfuerzo les exige llegar al resultado. El problema puede ser una experiencia confusa, pero también una promesa que atrae a personas con una necesidad distinta.

El tiempo hasta obtener valor mide cuánto tarda la promesa en hacerse real

La activación indica si el usuario llega al primer valor. El tiempo hasta obtener valor muestra cuánto tarda en alcanzarlo. Ambas métricas están relacionadas, pero responden a preguntas distintas.

Un producto puede tener una tasa de activación razonable y exigir demasiado tiempo, configuración o acompañamiento. Los primeros usuarios quizá estén muy motivados y acepten ese esfuerzo. El mercado más amplio puede no hacerlo.

El tiempo hasta obtener valor empieza cuando el usuario inicia la experiencia relevante y termina cuando obtiene el primer resultado que justifica haber empezado. En una aplicación sencilla pueden ser unos minutos. En un software B2B que requiere importar datos y configurar un proceso, pueden ser varios días.

No existe una duración universalmente correcta. Lo importante es compararla con la urgencia del problema, el esfuerzo que el cliente espera asumir y las alternativas disponibles. Si una hoja de cálculo resuelve una necesidad en diez minutos, un producto que requiere tres horas de configuración tendrá que ofrecer una mejora suficientemente importante para justificarla.

Reducir este tiempo no significa eliminar toda la configuración. Significa distinguir qué pasos son necesarios para generar valor y cuáles existen porque el producto aún traslada su complejidad al usuario.

La retención inicial indica si el valor merece repetirse

La activación puede producirse una sola vez. La retención muestra si el usuario vuelve cuando reaparece la necesidad. Por eso suele ser una señal más fuerte de encaje que el volumen de registros.

Una startup puede conseguir muchas altas gracias a una campaña, una publicación viral o una lista de espera acumulada durante meses. Si la mayoría de los usuarios prueba el producto una vez y no regresa, el crecimiento de la parte superior del embudo está ocultando una pérdida constante por debajo.

La retención debe medirse por cohortes. Una cohorte agrupa a los usuarios que comenzaron en un periodo similar y permite observar qué porcentaje continúa activo después de un intervalo determinado.

Retención de una cohorte = usuarios de la cohorte que regresan en el periodo elegido ÷ usuarios que comenzaron en esa cohorte × 100

El intervalo tiene que adaptarse al ciclo natural del producto. Una aplicación de mensajería puede esperar uso diario. Una herramienta de facturación quizá deba analizarse semanal o mensualmente. Una plataforma para preparar declaraciones fiscales no puede interpretarse con la misma frecuencia que una red social.

Medir retención no consiste en obligar a que todos los productos se utilicen cada día. Consiste en comprobar si las personas regresan cuando razonablemente deberían volver a necesitar el valor que ofrece la solución.

En etapas muy tempranas, una cohorte puede contener pocas personas. El porcentaje será inestable, pero los casos individuales siguen siendo útiles. Conviene observar quién regresó, qué problema tenía, qué hizo y en qué se diferencia de quienes abandonaron.

La frecuencia de uso debe corresponderse con la frecuencia del problema

Una alta frecuencia de uso puede indicar hábito, dependencia o valor recurrente. También puede ser irrelevante si el problema no necesita resolverse con tanta frecuencia.

El error aparece cuando una startup adopta métricas como usuarios activos diarios o mensuales porque son habituales en otros productos, sin comprobar si encajan con su caso. Una herramienta utilizada una vez al trimestre puede aportar un valor extraordinario. Medirla diariamente solo producirá una gráfica aparentemente desoladora.

La frecuencia adecuada se deduce del problema. ¿Cada cuánto aparece? ¿Cuándo necesita el cliente actuar? ¿Qué comportamiento sería razonable si el producto estuviera funcionando bien?

También conviene distinguir entre abrir la aplicación y completar la acción valiosa. Un usuario puede acceder varias veces porque el sistema le envía notificaciones, sin resolver realmente nada. Otro puede entrar una vez al mes, completar una tarea crítica y obtener un valor económico considerable.

La pregunta no es cuántas veces se abre el producto. Es con qué regularidad ayuda a resolver aquello para lo que fue elegido.

La profundidad de uso ayuda a distinguir actividad de valor

Dos usuarios activos pueden estar obteniendo resultados muy diferentes. Uno inicia sesión, revisa una pantalla y se marcha. El otro completa el proceso principal, guarda información, invita a otra persona y utiliza el resultado en su trabajo.

La profundidad de uso observa qué parte del producto se integra en el comportamiento del cliente. No consiste en contar el mayor número posible de clics, sino en identificar acciones que aumentan la probabilidad de que el valor se haya producido.

En un producto colaborativo, invitar a un compañero puede ser una señal importante porque implica que la herramienta empieza a entrar en un proceso compartido. En una plataforma de análisis, guardar un informe, utilizarlo de nuevo o exportarlo puede indicar más valor que visitar cinco secciones distintas.

Estas acciones deben interpretarse con cautela. Una funcionalidad muy utilizada no es necesariamente importante si se utiliza porque el resto del flujo resulta confuso. Los datos muestran qué ocurre; las entrevistas y la observación ayudan a entender por qué.

La conversión a pago es una señal, pero necesita contexto

El pago introduce un compromiso que un registro gratuito no contiene. Cuando alguien entrega dinero, acepta un precio y renuncia a otras alternativas, ofrece una señal más fuerte que quien simplemente afirma que el producto le parece interesante.

La conversión a pago puede calcularse sobre los usuarios que probaron el producto, sobre quienes alcanzaron la activación o sobre las oportunidades comerciales cualificadas. Cada denominador responde a una pregunta diferente.

Conversión a pago = usuarios que pagan ÷ usuarios elegibles para comprar × 100

Definir quién era realmente elegible evita conclusiones engañosas. Si una lista de espera incluye personas de países donde el servicio todavía no está disponible, utilizarlas en el cálculo distorsiona la cifra. Lo mismo ocurre si se mezclan usuarios atraídos por una oferta gratuita con clientes que llegaron buscando resolver el problema.

Un primer pago tampoco demuestra por sí solo product-market fit. Puede proceder de una relación personal, un descuento excepcional o un servicio adicional prestado directamente por el founder. Lo que aporta valor es entender por qué compró esa persona, qué esperaba recibir, si lo obtuvo y si estaría dispuesta a continuar en condiciones normales.

Cuando existen pocos clientes, la historia detrás de cada conversión importa tanto como el porcentaje.

La calidad de las señales importa más que su volumen

No todas las acciones representan el mismo nivel de compromiso. Una respuesta positiva en una entrevista, un correo dejado en una landing, una prueba, un uso repetido y un pago contienen cantidades de evidencia muy diferentes.

Una startup puede ordenar las señales según el coste que asume el usuario. Decir que una idea gusta apenas exige nada. Compartir información real, dedicar tiempo a configurar el producto, invitar a un compañero, pagar o cambiar un proceso existente requiere un compromiso mayor.

Esto permite interpretar mejor los datos pequeños. Diez registros genéricos pueden aportar menos evidencia que tres usuarios del segmento correcto que completan el flujo, regresan y piden seguir utilizando el producto.

La calidad también depende de la correspondencia con el cliente ideal. Una startup puede obtener mucha actividad de estudiantes atraídos por una versión gratuita cuando pretende vender a empresas. Esa actividad permite aprender sobre usabilidad, pero quizá no valide el problema, el precio ni el proceso de compra del mercado elegido.

Antes del product-market fit, una señal es valiosa cuando procede de la persona adecuada, ocurre en el contexto adecuado y exige una acción coherente con la hipótesis que se quiere validar.

Las métricas de adquisición todavía tienen una función

Visitas, impresiones, alcance, clics y registros suelen clasificarse como métricas de vanidad. No lo son por naturaleza. Se convierten en métricas de vanidad cuando se presentan como prueba de progreso sin conectarlas con un comportamiento posterior.

La adquisición puede ayudar a comprobar si el segmento es localizable, si el mensaje despierta interés y qué canales atraen a personas con mayor probabilidad de activarse. Lo que no puede demostrar por sí sola es que el producto resuelva el problema.

Una campaña con muchos clics y poca activación puede señalar una promesa atractiva que el producto no cumple, una segmentación incorrecta o una experiencia inicial demasiado compleja. Una campaña con pocos clics y buena retención puede indicar que el producto aporta valor a quienes llegan, pero el mensaje o el canal todavía no permite encontrarlos de forma eficiente.

El dato de adquisición adquiere sentido cuando se conecta con activación, retención y pago. Sin esa conexión, aumentar tráfico puede limitarse a llenar más deprisa un producto del que los usuarios se marchan.

Qué convierte una métrica en una métrica de vanidad

Una métrica de vanidad es aquella que aumenta la sensación de avance sin mejorar la comprensión del negocio. Suele ser acumulativa, carece de contexto o mezcla usuarios con comportamientos muy distintos.

El número total de registros es un ejemplo habitual. Siempre tiende a crecer porque conserva a todas las personas que alguna vez crearon una cuenta, aunque la mayoría no haya vuelto. Lo mismo ocurre con descargas, seguidores, impresiones o volumen histórico de transacciones.

Estas cifras pueden ser útiles para determinadas preguntas, pero no deberían utilizarse para ocultar los datos que muestran el comportamiento actual. Mil cuentas creadas no significan mil usuarios. Cien empresas interesadas no significan cien clientes. Una lista de espera no es una cartera de ventas.

Una forma sencilla de detectar una métrica de vanidad consiste en preguntar qué decisión permite tomar y qué parte del comportamiento representa. Si la única interpretación es “cuanto más, mejor”, probablemente falta contexto.

Por qué un panel con veinte métricas puede hacerte entender menos

Medir más no garantiza aprender más. En etapas tempranas, un panel muy amplio puede crear la impresión de control mientras dispersa la atención entre indicadores que todavía no tienen una relación clara con el negocio.

Cuando una métrica baja, otra sube y una tercera permanece estable, siempre es posible construir una explicación favorable. El equipo termina comentando gráficas en lugar de decidir qué hipótesis ha ganado o perdido credibilidad.

Además, cada indicador exige una definición. Hay que decidir qué cuenta como usuario activo, cuándo empieza una conversión, cómo se excluyen pruebas internas y qué ocurre con una acción repetida. Si se implementan veinte métricas sin acordar estas reglas, el panel puede ser muy preciso al mostrar datos que nadie interpreta de la misma manera.

Antes del product-market fit suele ser más útil trabajar con una métrica principal vinculada con la incertidumbre del momento y unas pocas métricas de apoyo. La métrica principal puede cambiar cuando cambia la pregunta.

Si el problema actual es que nadie termina el onboarding, la activación será prioritaria. Cuando la mayoría consiga completarlo, la atención puede pasar a la retención. Si los usuarios regresan pero nadie compra, el siguiente aprendizaje estará relacionado con el precio, el valor percibido o el proceso de conversión.

Las cohortes muestran lo que los promedios esconden

Los promedios mezclan usuarios adquiridos en momentos distintos, mediante canales diferentes y con versiones diferentes del producto. Esa mezcla puede ocultar tanto una mejora como un deterioro.

Si una startup cambia el onboarding y la retención media permanece estable, puede concluir que la modificación no funcionó. Sin embargo, la cohorte nueva podría estar reteniendo mejor mientras los usuarios antiguos continúan arrastrando el promedio hacia abajo.

Las cohortes permiten comparar grupos que comparten una condición relevante: fecha de alta, segmento, canal, caso de uso, plan o versión del producto. No deben crearse tantas que cada grupo contenga una sola persona, pero sí las suficientes para separar hipótesis diferentes.

Esta distinción resulta especialmente importante antes del product-market fit. Tal vez el producto no retenga bien en general, pero sí lo haga entre un tipo concreto de cliente. Esa concentración puede revelar el segmento que merece más atención.

Los datos pequeños no son inútiles, pero exigen otra lectura

Una startup con ocho usuarios no puede interpretar un cambio de una persona como si fuera una tendencia estadística estable. Pasar de dos a cuatro usuarios retenidos duplica el porcentaje, pero la muestra sigue siendo demasiado pequeña para proyectar el resultado.

Eso no significa que deba esperar a tener cientos de usuarios para aprender. Significa que tiene que combinar cifras con casos individuales. ¿Quiénes son las cuatro personas que regresaron? ¿Qué problema comparten? ¿Qué hicieron de forma diferente? ¿Por qué abandonaron las otras cuatro?

En esta etapa, las métricas ayudan a localizar las conversaciones importantes. La analítica muestra dónde existe una diferencia y la investigación cualitativa ayuda a explicarla.

Las entrevistas deben partir del comportamiento observado, no de preguntas abstractas sobre si el producto gusta. En Cómo hacer entrevistas a clientes que realmente aporten información explicamos cómo reconstruir decisiones y comportamientos pasados sin dirigir las respuestas.

Cada modelo de negocio necesita interpretar las métricas de forma distinta

Las métricas básicas pueden compartir nombre, pero no siempre representan lo mismo. En un SaaS, la activación puede consistir en completar una configuración y obtener el primer resultado. En un marketplace, el valor no aparece cuando se registra una parte, sino cuando oferta y demanda consiguen completar una interacción.

En un producto B2B, el usuario que se activa puede no ser quien compra. Será necesario medir el uso de las personas que trabajan con la herramienta y, por separado, el avance del proceso comercial, la aprobación y la conversión de la cuenta.

En un servicio con una necesidad ocasional, la retención puede expresarse como repetición de compra cuando el problema reaparece. En un producto basado en suscripción, también importa si el cliente continúa pagando aunque su uso no sea diario.

Copiar el panel de otra startup puede introducir métricas conocidas que no representan el valor del negocio propio. La definición debe comenzar por cómo recibe valor el cliente y cómo lo captura la empresa.

Un sistema sencillo para medir antes del product-market fit

La medición puede comenzar con una hoja sencilla. No hace falta implantar una infraestructura compleja si todavía existen pocos usuarios y el proceso puede revisarse manualmente. Lo importante es mantener definiciones consistentes y conservar suficiente contexto para interpretar cada caso.

Para cada hipótesis prioritaria conviene registrar:

• Qué supuesto se quiere comprobar.
• Qué comportamiento indicaría que puede ser cierto.
• Qué métrica representa ese comportamiento.
• Qué personas o cuentas deben incluirse.
• Durante qué periodo se observará.
• Qué resultado llevaría a mantener, cambiar o descartar la hipótesis.

Por ejemplo, una startup puede plantear que los pequeños despachos obtienen valor cuando generan su primer informe durante los tres días posteriores al registro. Medirá qué porcentaje lo consigue, cuánto tarda y cuántos vuelven a generar otro durante el mes.

Si muchos empiezan pero pocos terminan, deberá revisar el flujo o la complejidad. Si terminan pero no regresan, tendrá que investigar si el resultado fue útil o si la necesidad ocurre con menos frecuencia. Si regresan pero no pagan, la pregunta pasa al precio, el comprador o la diferencia entre la versión gratuita y la oferta de pago.

La métrica principal cambia porque el aprendizaje avanza. Eso es más útil que conservar indefinidamente un cuadro de mando diseñado cuando el producto todavía respondía a otras preguntas.

Qué señales empiezan a sugerir product-market fit

El product-market fit no se demuestra mediante una cifra aislada ni aparece el día en que una gráfica supera un umbral. Se reconoce cuando varias señales empiezan a reforzarse entre sí.

Los usuarios adecuados llegan al valor sin necesitar una explicación constante. Una parte significativa vuelve con una frecuencia coherente con el problema. Algunos pagan en condiciones normales, continúan utilizando el producto y muestran resistencia a perderlo. Las recomendaciones, las peticiones de ampliación y el uso dentro de procesos reales aparecen sin tener que empujar cada acción manualmente.

También disminuye la cantidad de esfuerzo necesario para mantener cada cuenta activa. El founder sigue hablando con clientes, pero ya no tiene que reconstruir el producto alrededor de cada uno. Empieza a aparecer un patrón entre quién compra, por qué lo hace, qué utiliza y qué resultado obtiene.

Ninguna de estas señales es suficiente por separado. Una retención alta entre cinco amigos no demuestra mercado. Muchos pagos con cancelación inmediata tampoco. La evidencia gana fuerza cuando activación, repetición, pago y satisfacción aparecen en el mismo segmento y durante varias cohortes.

Cómo encaja Foundeia en la medición previa al product-market fit

Foundeia no trata las métricas como una lista de indicadores que toda startup debe completar. Las conecta con la etapa, las hipótesis y las decisiones pendientes de cada proyecto.

Antes de lanzar, la prioridad puede ser definir qué comportamiento demostrará que el MVP resuelve el problema. Después del lanzamiento, los datos deben compararse con esa expectativa y con lo observado en entrevistas, ventas y soporte.

Los primeros usuarios resultan especialmente valiosos porque permiten unir comportamiento y contexto. En Cómo encontrar tus primeros clientes explicamos por qué esa etapa no consiste únicamente en conseguir volumen, sino en encontrar personas de las que sea posible aprender.

Antes del product-market fit, medir bien no significa disponer de más datos. Significa saber qué incertidumbre estás intentando reducir y reconocer qué señales merecen más confianza.

Las visitas pueden indicar que un mensaje atrae atención. La activación muestra que alguien ha alcanzado el primer valor. La retención indica que ese valor merece repetirse. El pago demuestra un nivel adicional de compromiso. Cuando esas señales proceden del mismo tipo de cliente y empiezan a repetirse sin explicaciones excepcionales, la startup deja de acumular actividad y empieza a construir evidencia.

Preguntas frecuentes