Blog

Female marketing strategist pointing to colorful customer journey and marketing funnel diagram on whiteboard

<figure id="figure-f14kog86tjmu8kjjx3"><img id="f14kog86tjmu8kjjx3" src="https://cdn.durable.co/blocks/10QziIPMUm2htBqwmYwb1UmLBjb53gVkhGM17KeOw1RSxNAjFZDXKPW0T0Sr4iRO.png" alt="Comparativa entre funnel de conversión y growth loop con reinversión de resultados" title="Comparativa entre funnel de conversión y growth loop con reinversión de resultados" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/10QziIPMUm2htBqwmYwb1UmLBjb53gVkhGM17KeOw1RSxNAjFZDXKPW0T0Sr4iRO.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Un funnel describe cómo una población avanza y se reduce entre etapas; un growth loop describe cómo una salida del sistema vuelve a convertirse en entrada. No son modelos rivales. El funnel ayuda a diagnosticar conversión; el loop explica acumulación, reinversión y crecimiento compuesto.</p><p>La falsa dicotomía aparece cuando se dibuja un círculo y se da por hecho que existe un motor sostenible. Un loop necesita una acción que produzca una salida útil, un mecanismo de reinversión, un coeficiente suficiente y un tiempo de ciclo medible.</p><p>La pregunta no es «¿funnel o loop?». Es: ¿dónde perdemos flujo y qué parte del valor generado alimenta la siguiente vuelta?</p><h2>Qué explica bien un funnel</h2><p>Un funnel ordena etapas como visita, registro, activación, compra y retención. Permite medir volumen, conversión, tiempo y pérdidas.</p><p>Es útil para:</p><p>• Localizar fricción.<br>• Forecast de capacidad.<br>• Comparar segmentos.<br>• Diseñar ownership por etapa.<br>• Calcular economía del recorrido.</p><p>Su limitación no es ser lineal en un dibujo. Es que puede omitir de dónde viene la siguiente cohorte y cómo clientes actuales generan distribución, contenido, datos o capital.</p><h2>Qué es un growth loop</h2><p>Un loop contiene cuatro elementos:</p><p>1. Entrada: usuario, contenido, capital o señal.<br>2. Acción: comportamiento que crea valor.<br>3. Salida: nuevo usuario, activo, revenue o dato.<br>4. Reinversión: mecanismo por el que la salida alimenta otra vuelta.</p><p>Ejemplo de referidos: un cliente obtiene valor, invita a otra persona, parte acepta y el nuevo usuario puede invitar a más. El resultado de una vuelta se convierte en input de la siguiente.</p><p>Si las invitaciones no llegan, no convierten o los nuevos usuarios no retienen, el círculo visual existe y el motor no.</p><h2>Tipos de loops</h2><h3>Viral o de colaboración</h3><p>El uso crea invitaciones porque el producto mejora con otros participantes. Debe medirse valor y retención, no solo envíos.</p><h3>Contenido</h3><p>Usuarios o empresa generan contenido que se indexa o distribuye, atrae audiencia y produce más contenido. Calidad y tiempo de indexación determinan el ciclo.</p><h3>Paid</h3><p>La inversión adquiere clientes, el margen recuperado financia nueva adquisición. Es un loop económico siempre que payback, saturación y caja lo permitan.</p><h3>Sales o partners</h3><p>Clientes generan casos, referencias o expansión que alimentan nuevas oportunidades. El ciclo suele ser más lento y de mayor valor.</p><h3>Producto y datos</h3><p>Más uso produce datos o liquidez que mejora la experiencia y atrae más uso. Debe existir un mecanismo real y gobernanza adecuada.</p><h2>Coeficiente y tiempo de ciclo</h2><p>Dos loops con el mismo output por vuelta pueden crecer de forma distinta si uno tarda una semana y otro seis meses.</p><p>Un coeficiente simple puede expresarse:</p><p>Output reinvertido por unidad = acciones por usuario × conversión × activación retenida</p><p>Si cada usuario envía 4 invitaciones, convierte el 20 % y el 50 % de los nuevos activa de forma útil:</p><p>4 × 0,20 × 0,50 = 0,40 usuarios activos nuevos por usuario</p><p>No es autosostenido por sí solo, pero amplifica adquisición externa. Si el ciclo tarda dos días, su contribución puede ser material; si tarda un año, no resuelve crecimiento inmediato.</p><p>En un paid loop mediría margen recuperado por cohorte, porcentaje reinvertible, payback y CAC marginal.</p><h2>Un ejemplo combinado</h2><p>Ejemplo ilustrativo mensual:</p><p>• Paid adquiere 1.000 clientes.<br>• El 60 % activa.<br>• Cada activado genera 0,5 invitaciones efectivas.<br>• El 40 % de invitados se registra.<br>• El 50 % de registrados activa.</p><p>El loop produce:</p><p>600 × 0,5 × 0,40 × 0,50 = 60 nuevos usuarios activos</p><p>Paid aporta volumen inicial; el loop añade un 10 % sobre activados. Mejorar la activación del funnel de 60 % a 70 % no solo aumenta valor directo: eleva la base que alimenta referidos.</p><p>Esto muestra por qué no debemos elegir entre modelos. El funnel diagnostica cada transición; el loop captura el efecto compuesto.</p><h2>Mapear stocks y flujos</h2><p>Los usuarios activos son un stock. Adquisición y reactivación entran; churn sale. Los loops afectan esos flujos.</p><p>Activos finales = activos iniciales + nuevos + reactivados − churn</p><p>Un loop de adquisición fuerte puede ocultar retención débil durante un tiempo. Si el stock pierde más usuarios de los que el motor añade, no existe crecimiento sostenible.</p><p>Mostrar stocks evita celebrar actividad de entrada mientras la base se erosiona.</p><h2>Diseñar un loop desde el valor</h2><p>No empezaría por el incentivo. Empezaría por la razón natural para producir la salida.</p><p>En colaboración, invitar mejora la experiencia. En contenido, publicar crea utilidad o reputación. En referidos, recomendar reduce riesgo para otra persona. Un incentivo puede acelerar, pero también atraer spam o clientes de baja calidad.</p><p>Preguntaría:</p><p>• Qué valor recibe quien ejecuta la acción.<br>• Qué valor recibe el nuevo usuario.<br>• Qué fricción existe.<br>• Qué abuso puede aparecer.<br>• Qué salida se reinvierte realmente.<br>• Cuánto tarda la vuelta.</p><h2>Instrumentar el loop</h2><p>Mediría cada transición con cohortes y un identificador del origen:</p><p>• Elegibles para actuar.<br>• Acción realizada.<br>• Salida generada.<br>• Salida aceptada o consumida.<br>• Activación.<br>• Retención y margen.<br>• Tiempo entre pasos.</p><p>La métrica superior no debería ser invitaciones o contenido producido, sino output retenido o margen que vuelve al sistema.</p><p>También observaría concentración. Un loop puede depender de pocos superusuarios y ser vulnerable a cambios de comportamiento.</p><h2>Cómo priorizar mejoras</h2><p>La palanca no siempre es la tasa más baja. Estimaría sensibilidad del output final a cada transición, coste de intervención y efecto sobre calidad.</p><p>En el ejemplo, elevar invitaciones puede generar spam; mejorar activación produce valor directo y más capacidad de recomendación. La segunda palanca puede tener doble efecto.</p><p>Una mejora debe medirse durante vueltas suficientes. Subir registros de referidos sin retención solo infla el comienzo del ciclo.</p><h2>Errores frecuentes</h2><p>• Dibujar un círculo sin mecanismo de reinversión.<br>• Medir outputs brutos en lugar de retenidos.<br>• Ignorar tiempo de ciclo.<br>• Suponer que coeficiente menor que uno no aporta valor.<br>• Optimizar invitaciones y crear abuso.<br>• Olvidar churn del stock.<br>• Tratar Paid como infinito sin CAC marginal ni caja.<br>• Atribuir todo crecimiento al loop sin contrafactual.<br>• Elegir loops por moda en vez de comportamiento natural.</p><h2>Preguntas frecuentes</h2><h3>¿Un producto necesita coeficiente viral mayor que uno?</h3><p>No. Un loop menor que uno puede reducir CAC y amplificar otros canales. La sostenibilidad depende del sistema completo, retención y economía.</p><h3>¿Los funnels están obsoletos?</h3><p>No. Siguen siendo excelentes para diagnosticar conversión y capacidad. Pierden información cuando se utilizan como único modelo del crecimiento.</p><h3>¿Cómo sé si tengo un loop real?</h3><p>Puedes identificar una salida medible que vuelve a ser entrada, calcular sus transiciones y observar repetición por cohortes. Si depende siempre de un input externo no reinvertido, es un proceso, no un loop autosostenido.</p><h2>Conclusión: crecimiento es flujo, reinversión y tiempo</h2><p>Los funnels explican dónde se pierde valor. Los loops explican cómo una parte del valor creado puede financiar, atraer o habilitar la siguiente vuelta.</p><p>Un sistema senior utiliza ambos: instrumenta conversiones, mide stocks y churn, calcula coeficientes y tiempos, y conecta el motor con margen y capacidad. El resultado no es un diagrama más moderno, sino una comprensión más completa de cómo crece el negocio y dónde dejará de hacerlo.</p><figure id="figure-tp9axi0tejmu8kjvze"><img id="tp9axi0tejmu8kjvze" src="https://cdn.durable.co/blocks/20JZmtvv0eB3PuBS87BkgbxU5k6ZHANYXVwGDM2leoqqA0gcdRMQ7ofMGHTLkiJY.png" alt="Modelo de growth loop con entrada, acción, salida, coeficiente y tiempo de ciclo" title="Modelo de growth loop con entrada, acción, salida, coeficiente y tiempo de ciclo" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

Growth Loops frente a funnels: diseñar crecimiento acumulativo

Diverse group of customers shopping online on mobile devices in urban public space with natural daylight

<figure id="figure-yq0uxaixommu8klq2b"><img id="yq0uxaixommu8klq2b" src="https://cdn.durable.co/blocks/3aCEAkkw4iecw36YYkB3ynppKp3C0Sw3PTujlbhyTZTSm6l0Krha9jg9RGzemrCf.png" alt="Curva de difusión de Bass con adopción acumulada e innovadores e imitadores" title="Curva de difusión de Bass con adopción acumulada e innovadores e imitadores" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/3aCEAkkw4iecw36YYkB3ynppKp3C0Sw3PTujlbhyTZTSm6l0Krha9jg9RGzemrCf.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>El modelo de difusión de Bass describe cómo una innovación puede adoptarse por la combinación de influencia externa e imitación social. Separa dos mecanismos: adopción que no depende de usuarios anteriores y adopción impulsada por quienes ya han adoptado.</p><p>Su utilidad está en estructurar una previsión cuando existe un mercado potencial y una curva de adopción, no en predecir con precisión cualquier lanzamiento. Ayuda a pensar en tamaño de mercado, velocidad, pico y mezcla entre captación externa y contagio.</p><p>El modelo no sustituye research, capacidad, pricing ni cohortes. Es una hipótesis matemática que debe contrastarse y actualizarse.</p><h2>Origen y componentes del modelo</h2><p>Frank Bass publicó el modelo a finales de los años sesenta para estudiar la difusión de bienes duraderos. Utiliza tres parámetros principales:</p><p>• m: tamaño del mercado potencial.<br>• p: coeficiente de innovación o influencia externa.<br>• q: coeficiente de imitación o influencia interna.</p><p>Si Y(t) es el número acumulado de adoptantes, una forma discreta de expresar nuevas adopciones es:</p><p>Adopciones nuevas = [p + q × Y(t)/m] × [m − Y(t)]</p><p>El primer término representa presión externa; el segundo aumenta con la proporción que ya adoptó. Ambos actúan sobre quienes todavía no han adoptado.</p><h2>Innovación e imitación no son perfiles de persona fijos</h2><p>El modelo habla de mecanismos, no necesariamente de segmentos observables llamados «innovadores» e «imitadores».</p><p>Una adopción temprana puede venir de publicidad, distribución, necesidad previa o comunicación. Más tarde, recomendaciones, prueba social, compatibilidad y visibilidad del uso pueden acelerar imitación.</p><p>No confundiría los coeficientes de Bass con las categorías de la curva de difusión de Rogers. Son marcos relacionados, pero no equivalentes.</p><h2>La forma de la curva</h2><p>Al principio quedan muchos no adoptantes, pero hay poca influencia interna. Si la adopción crece, la imitación acelera. Después, el mercado potencial se agota y las nuevas adopciones caen.</p><p>El resultado típico es una curva en S para adopción acumulada y una campana asimétrica para adopciones por periodo.</p><p>Un q alto frente a p suele generar una curva más dependiente del contagio. Un p relativamente alto produce adopción inicial más fuerte. El pico depende también de m y de la escala temporal.</p><h2>Estimar p, q y m</h2><p>Con suficientes datos históricos puede ajustarse el modelo a ventas o adopciones. El tamaño potencial m es especialmente sensible: si se fija demasiado alto, el modelo puede proyectar crecimiento irreal; si se limita, declarará saturación antes de tiempo.</p><p>Fuentes para m:</p><p>• Población elegible.<br>• Research de categoría.<br>• Productos comparables.<br>• Restricciones de precio y distribución.<br>• Escenarios de capacidad.</p><p>Para un producto nuevo sin historia se utilizan analogías y escenarios. Presentaría rangos, no una curva única.</p><h2>Ejemplo ilustrativo</h2><p>Supongamos un mercado potencial de 100.000 cuentas, p = 0,02 y q = 0,38. Al inicio, con cero adoptantes:</p><p>Nuevas adopciones ≈ 0,02 × 100.000 = 2.000</p><p>Cuando ya han adoptado 20.000:</p><p>[0,02 + 0,38 × 0,20] × 80.000 = 7.680</p><p>La influencia interna acelera la adopción. Cuando el acumulado alcanza 80.000:</p><p>[0,02 + 0,38 × 0,80] × 20.000 = 6.480</p><p>La presión de imitación es mayor, pero quedan menos cuentas disponibles. El mercado empieza a limitar el flujo.</p><p>Las cifras no son una previsión real; muestran el mecanismo.</p><h2>De la curva a decisiones de Marketing</h2><h3>Fase inicial</h3><p>Necesitamos reducir incertidumbre, crear prueba y llegar a usuarios con problema fuerte. Mediría activación, repetición y evidencia de valor, no solo volumen.</p><h3>Aceleración</h3><p>La distribución, referidos, casos y visibilidad pueden amplificar imitación. La capacidad operativa debe prepararse para un crecimiento no lineal.</p><h3>Madurez</h3><p>El crecimiento por nuevos adoptantes cae. La estrategia puede pasar a penetración, expansión, reposición, nuevos segmentos o producto complementario.</p><p>El modelo ayuda a separar falta de ejecución de saturación plausible, aunque no demuestra por sí solo cuál de las dos ocurre.</p><h2>Marketing y los coeficientes</h2><p>El gasto no se traduce directamente en p. Campañas, PR, distribución y precio pueden influir en adopción externa, pero su efecto necesita modelarse o experimentarse.</p><p>Producto, comunidad y recomendaciones pueden afectar imitación, pero q tampoco es un botón. Depende de observabilidad, compatibilidad, confianza y calidad de experiencia.</p><p>Utilizaría Bass como capa de demanda y añadiría restricciones de Marketing, capacidad y economía. Una curva de adopción atractiva puede requerir un CAC marginal incompatible con margen.</p><h2>Extensiones útiles</h2><p>Existen extensiones que incorporan precio, publicidad, reemplazo, competencia, varias generaciones o mercados. Cada variable añade realismo y riesgo de sobreajuste.</p><p>Empezaría con la versión mínima que responda a la decisión. Si el modelo base falla de forma sistemática y existe evidencia para un mecanismo adicional, ampliaría.</p><p>Para productos digitales, distinguiría altas, activación y uso sostenido. Una descarga no es necesariamente adopción económica.</p><h2>Validar y actualizar</h2><p>Compararía previsión con datos nuevos y revisaría:</p><p>• Error por periodo y acumulado.<br>• Estabilidad de parámetros.<br>• Sensibilidad a m.<br>• Cambios de precio, canal o distribución.<br>• Restricciones de capacidad.<br>• Cohortes de activación y retención.</p><p>Si el producto cambia, los parámetros históricos pueden dejar de representar el mecanismo. Actualizar no es manipular el modelo; es reconocer que el sistema ha cambiado.</p><h2>Limitaciones</h2><p>• Supone un mercado potencial definido.<br>• Agrega diferencias entre segmentos.<br>• No representa automáticamente competencia.<br>• Puede confundir adopción con ventas de reposición.<br>• Los parámetros tempranos son inestables.<br>• Una buena curva ajustada no demuestra causalidad.<br>• No incorpora margen ni CAC por defecto.<br>• Puede extrapolar saturación o crecimiento falsos si m está mal.</p><h2>Cómo utilizar Bass sin convertirlo en oráculo</h2><p>1. Define adopción y unidad.<br>2. Construye escenarios de mercado potencial.<br>3. Selecciona analogías defendibles.<br>4. Ajusta p y q con intervalos.<br>5. Añade capacidad y economía.<br>6. Traduce fases a decisiones.<br>7. Compara con datos reales.<br>8. Reestima y explica cambios.<br>9. Mantén una previsión alternativa simple.<br>10. Decide con rangos.</p><h2>Preguntas frecuentes</h2><h3>¿Sirve antes de lanzar?</h3><p>Sí, como escenario basado en analogías y supuestos, no como forecast preciso. Su valor inicial es hacer explícitas las hipótesis.</p><h3>¿p representa publicidad y q boca a boca?</h3><p>Es una aproximación habitual, pero ambos agregan múltiples mecanismos. No deben interpretarse como efectos causales directos de un canal.</p><h3>¿Puede predecir el pico de adopción?</h3><p>Puede estimarlo bajo sus supuestos. Cambios de competencia, producto, precio o mercado pueden desplazarlo.</p><h2>Conclusión: prever es declarar un mecanismo</h2><p>El modelo de Bass es valioso porque convierte una narrativa de adopción en parámetros discutibles: mercado potencial, influencia externa e imitación.</p><p>Su uso senior no consiste en presentar una S como destino inevitable. Consiste en mostrar qué supuestos producen la curva, qué decisiones cambian por fase y qué datos nos obligarán a corregir. Una previsión útil no elimina incertidumbre; la organiza.</p><figure id="figure-vp8mzetrzmu8klzyu"><img id="vp8mzetrzmu8klzyu" src="https://cdn.durable.co/blocks/aUAVJckQs9oK6f00jzboR5ULu2wqfYnZ57RuRgncWKIuWib3XTRDEyNb9NWLpba4.png" alt="Efecto de los parámetros p, q y mercado potencial en el pico de adopción" title="Efecto de los parámetros p, q y mercado potencial en el pico de adopción" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

El modelo de difusión de Bass: estimar la adopción

Close-up of hands analyzing printed attribution model showing customer touchpoints and revenue paths

<figure id="figure-fys4tvcejkmu8knan0"><img id="fys4tvcejkmu8knan0" src="https://cdn.durable.co/blocks/beMMLqbKVmUtgDvliNXy26m2w2pIb8Th7oq1hLggG3VJb68RPM86jje6jjMXMKo2.png" alt="Comparativa de atribución y causalidad mediante un contrafactual de tratamiento y control" title="Comparativa de atribución y causalidad mediante un contrafactual de tratamiento y control" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/beMMLqbKVmUtgDvliNXy26m2w2pIb8Th7oq1hLggG3VJb68RPM86jje6jjMXMKo2.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>La atribución explica cómo una conversión se relaciona con contactos observados; la causalidad intenta saber si cambiar una acción produjo un resultado distinto. Holdouts, geoexperimentos y estudios de lift construyen contrafactuales para estimar ese efecto.</p><p>No existe un método perfecto para todas las decisiones. La calidad depende de la unidad de asignación, potencia, contaminación, supuestos y estabilidad del entorno. El objetivo no es obtener un único número «causal», sino construir la evidencia suficiente para una decisión económica concreta.</p><p>La pregunta debe formularse antes del diseño: si aumentamos, reducimos o retiramos esta inversión, ¿qué resultado cambiará y en qué población?</p><h2>Por qué la atribución no demuestra causalidad</h2><p>Los usuarios expuestos a una campaña no son necesariamente comparables con los no expuestos. El algoritmo busca personas con mayor intención; las búsquedas de marca aparecen cerca de la compra; el CRM contacta a clientes conocidos.</p><p>Una atribución puede asignar crédito correctamente según su regla y sobreestimar el efecto causal. Cambiar de último clic a un modelo algorítmico distribuye crédito de otro modo, pero no crea por sí solo un contrafactual.</p><p>La causalidad pregunta qué habría ocurrido sin intervención. Como no observamos los dos estados en la misma unidad, necesitamos diseño.</p><h2>Elegir la unidad experimental</h2><h3>Usuario o cuenta</h3><p>Adecuado cuando podemos identificar y asignar de forma estable. Útil en CRM, producto y algunas plataformas. Riesgo: exposición cruzada entre dispositivos o miembros de una cuenta.</p><h3>Región</h3><p>Útil para medios agregados, offline o efectos de marca. Necesita suficiente número de geografías, tendencias comparables y poca contaminación.</p><h3>Tienda o unidad</h3><p>Valioso en redes físicas. Debe considerar capacidad, stock y diferencias locales.</p><h3>Tiempo</h3><p>Los switchback tests alternan tratamiento por ventanas. Sirven cuando la intervención afecta al sistema completo y el efecto se disipa rápido. Son sensibles a estacionalidad y carryover.</p><p>La unidad de análisis debe respetar la de asignación. Tratar miles de usuarios dentro de cuatro regiones como observaciones independientes exagera la potencia.</p><h2>Holdouts aleatorizados</h2><p>Asignan una parte elegible a control y otra a tratamiento. La aleatorización equilibra, en expectativa, factores observados y no observados.</p><p>Antes de lanzar definiría:</p><p>• Hipótesis y métrica primaria.<br>• Población elegible.<br>• Ratio tratamiento/control.<br>• Efecto mínimo detectable.<br>• Duración y estacionalidad.<br>• Exposición real.<br>• Guardrails.<br>• Regla de análisis.</p><p>Comprobaría equilibrio inicial, sample ratio mismatch y pérdida de tracking. El análisis por intención de tratar conserva la asignación original; analizar solo expuestos puede reintroducir sesgo.</p><h2>Geoexperimentos</h2><p>Comparan regiones tratadas con un contrafactual construido a partir de regiones control. Pueden utilizar emparejamiento, diferencias en diferencias, control sintético u otros modelos.</p><p>La selección se apoya en tendencias históricas, tamaño, mix y estabilidad. El tratamiento debe crear una diferencia suficiente de inversión sin provocar daño desproporcionado.</p><p>Registraría promociones, distribución, aperturas, stock, clima relevante y actividad comercial. Una campaña nacional paralela puede contaminar el contraste.</p><p>El resultado debe probarse con especificaciones alternativas y periodos placebo. Si el efecto solo aparece con una selección muy concreta, la conclusión es frágil.</p><h2>Diferencias en diferencias</h2><p>Compara el cambio antes-después del tratamiento con el cambio de un control. Su supuesto clave es que, sin intervención, ambos habrían seguido tendencias paralelas.</p><p>No basta con que los niveles sean parecidos. Examinaría tendencias previas y posibles shocks diferenciales. El método puede ser potente y también producir una historia convincente cuando el supuesto no se sostiene.</p><h2>Control sintético</h2><p>Construye una combinación ponderada de unidades no tratadas que reproduce el comportamiento previo de la unidad tratada. Es útil con pocas unidades grandes y una intervención claramente localizada.</p><p>La credibilidad depende del ajuste pretratamiento, de que no haya spillovers y de disponer de donantes comparables. Placebos en otras unidades ayudan a contextualizar el tamaño del efecto.</p><h2>Potencia, MDE e incertidumbre</h2><p>El efecto mínimo detectable o MDE es el cambio más pequeño que el diseño tiene una probabilidad razonable de detectar. No debe elegirse solo por conveniencia estadística; debe ser económicamente relevante.</p><p>Un test con poca potencia puede no encontrar significación aunque el efecto sea valioso. Un test enorme puede detectar una diferencia minúscula sin impacto económico.</p><p>Comunicaría estimación e intervalo:</p><p>El efecto estimado es +4 %, con un rango compatible entre −1 % y +9 %.</p><p>La decisión depende de reversibilidad y coste de error. No convertiría «no significativo» en «cero» ni un p-valor bajo en certeza de negocio.</p><h2>Del efecto al margen incremental</h2><p>Ejemplo ilustrativo:</p><p>• Inversión: 100.000 euros.<br>• Ventas atribuidas: 5.000.<br>• Ventas incrementales estimadas: 800.<br>• Margen por venta: 90 euros.</p><p>El CPA atribuido es 20 euros. El CAC incremental es 125. El margen incremental total es 72.000 euros: inferior a la inversión.</p><p>La campaña puede mostrar ROAS positivo con ingresos brutos y destruir contribución. Por eso el análisis causal debe terminar en margen, payback y escenario de escala.</p><h2>Una jerarquía práctica de evidencia</h2><p>No siempre podemos aleatorizar. Utilizaría la evidencia más fuerte viable:</p><p>1. Experimento aleatorizado bien ejecutado.<br>2. Geo o switchback con contrafactual defendible.<br>3. Diseño cuasiexperimental con supuestos comprobables.<br>4. Modelo observacional y triangulación.<br>5. Atribución descriptiva.<br>6. Opinión informada.</p><p>La jerarquía no convierte niveles inferiores en inútiles. Obliga a ajustar confianza y tamaño de la decisión.</p><h2>Triangulación</h2><p>Combinaría experimentos, MMM, atribución y conocimiento operativo.</p><p>Si el holdout muestra poco lift, el MMM atribuye gran contribución y la búsqueda de marca crece, quizá exista un efecto retardado o una mala ventana. Si todos apuntan en la misma dirección, aumenta confianza. Si divergen, aparece una agenda de aprendizaje.</p><p>La evidencia no se suma como votos. Cada método tiene sesgos distintos; el objetivo es comprobar si una explicación sobrevive a varios ángulos.</p><h2>Errores frecuentes</h2><p>• Diseñar el análisis después de ver el dato.<br>• Tratar exposición y asignación como equivalentes.<br>• Ignorar interferencia entre unidades.<br>• Utilizar usuarios como muestras independientes en un geo test.<br>• No comprobar tendencias paralelas.<br>• Detener por significación temprana.<br>• Confundir ausencia de evidencia con ausencia de efecto.<br>• Comunicar lift sin economía.<br>• Extrapolar a presiones no probadas.</p><h2>Preguntas frecuentes</h2><h3>¿Qué método es mejor?</h3><p>El que construye el contrafactual más creíble para la decisión, dentro de las restricciones de negocio y ética. La aleatorización suele ser preferible, pero no siempre es viable.</p><h3>¿Cuánto debe durar un test?</h3><p>Lo suficiente para alcanzar potencia, cubrir ciclos relevantes y capturar retardos, sin incluir cambios estructurales innecesarios. Se decide antes con volumen y MDE.</p><h3>¿Puedo usar resultados de una plataforma?</h3><p>Sí, si comprende población, asignación, exposición, ventana y método. Deben conectarse con datos de negocio y, cuando sea posible, replicarse.</p><h2>Conclusión: la causalidad es una disciplina de decisión</h2><p>Medir causalidad no consiste en buscar una etiqueta estadística que cierre la discusión. Consiste en diseñar un contraste, hacer visibles sus supuestos y traducir el efecto a valor económico.</p><p>La atribución mantiene velocidad operativa. Los experimentos y cuasiexperimentos aportan un contrafactual para decisiones de inversión. Utilizados juntos, permiten dejar de preguntar quién se lleva el crédito y empezar a preguntar qué acción creó realmente valor.</p><figure id="figure-e7e7863zkqmu8knj69"><img id="e7e7863zkqmu8knj69" src="https://cdn.durable.co/blocks/16QIOrxxonSM0amqYB3zq8Bvw2yMdMWRwNK3CIJkQr8JbnfhxtGTNfmqjMCT0R87.png" alt="Mapa de métodos causales con holdouts, geoexperimentos, diferencias y control sintético" title="Mapa de métodos causales con holdouts, geoexperimentos, diferencias y control sintético" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

Causalidad frente a atribución: holdouts, geotests y lift

Diverse marketing team collaborating around table with laptops and analytics data during strategy session

<figure id="figure-8ikalb4r1mu8komxe"><img id="8ikalb4r1mu8komxe" src="https://cdn.durable.co/blocks/dhrY3U8vm3nGG8uSTbSbEmZ4XyTKSfSCuWZB22rZNR3MO437JMJreKN6a09YZYwd.png" alt="Arquitectura Go-to-Market B2B desde ICP y propuesta hasta pipeline y revenue" title="Arquitectura Go-to-Market B2B desde ICP y propuesta hasta pipeline y revenue" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/dhrY3U8vm3nGG8uSTbSbEmZ4XyTKSfSCuWZB22rZNR3MO437JMJreKN6a09YZYwd.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Un Go-to-Market B2B conecta un problema de cliente, una propuesta, un sistema de demanda, un proceso comercial y una economía compartida. No es un plan de campañas ni una presentación de lanzamiento. Es la forma en la que una empresa identifica, adquiere, convierte, entrega valor y expande cuentas.</p><p>Cuando Marketing optimiza leads, Ventas oportunidades y Customer Success retención sin un modelo común, cada área puede cumplir su objetivo y el revenue fallar. El GTM crea la cadena y define quién decide en cada transición.</p><p>La pregunta central es: ¿para qué cuenta resolvemos qué problema, por qué ahora, mediante qué movimiento comercial y con qué Unit Economics?</p><h2>Los seis elementos de un GTM B2B</h2><p>1. ICP y segmentación: qué cuentas tienen problema, capacidad y condiciones para obtener valor.<br>2. Problema y trigger: qué tensión activa la búsqueda ahora.<br>3. Propuesta y prueba: qué cambio prometemos y qué evidencia lo hace creíble.<br>4. Movimiento comercial: self-service, inside sales, enterprise, partners o combinación.<br>5. Sistema de demanda: canales, contenido, outbound, eventos y producto.<br>6. Economía y aprendizaje: CAC, ciclo, win rate, margen, payback, retención y expansión.</p><p>La coherencia entre ellos importa más que optimizar cada pieza. Un ticket bajo con venta enterprise produce una economía inviable; una propuesta compleja con funnel puramente self-service puede no generar suficiente confianza.</p><h2>ICP: una hipótesis económica, no una lista demográfica</h2><p>Un Ideal Customer Profile útil describe cuentas donde el problema es relevante, la solución puede implantarse y la economía funciona.</p><p>Incluiría:</p><p>• Contexto y trigger.<br>• Coste actual del problema.<br>• Capacidad de compra e implementación.<br>• Stakeholders y proceso de decisión.<br>• Tiempo hasta valor.<br>• Coste de servir.<br>• Potencial de retención o expansión.</p><p>«Empresas de 50 a 500 empleados» no explica por qué comprarán ni si serán clientes sanos. Dos compañías del mismo tamaño pueden tener distinta urgencia, arquitectura o regulación.</p><p>El ICP se valida con win rate, ciclo, ticket, margen, activación y retención, no solo con respuesta comercial.</p><h2>Del mensaje a una hipótesis de valor</h2><p>El mensaje debe conectar situación, problema, consecuencia y prueba. Evitaría listas de funcionalidades sin mecanismo.</p><p>Una hipótesis puede expresarse:</p><p>Para organizaciones con X tensión, nuestra propuesta reduce Y coste o acelera Z resultado porque cambia este proceso, como demuestra esta evidencia.</p><p>Después se adapta a cada stakeholder. Finanzas necesita impacto y riesgo; el usuario, flujo y esfuerzo; Tecnología, integración y seguridad; Compras, coste y términos.</p><p>Consistencia no significa repetir el mismo copy. Significa que todas las conversaciones sostienen la misma promesa económica.</p><h2>Diseñar el movimiento comercial</h2><p>El movimiento depende de complejidad, ticket, riesgo y número de stakeholders.</p><p>• Product-led: valor rápido, bajo coste de prueba y compra simple.<br>• Sales-led: problema complejo, ticket alto, integración o negociación.<br>• Partner-led: acceso, confianza o capacidad local diferencial.<br>• Híbrido: producto genera señal y Ventas amplía o acelera.</p><p>Calcularía cuánto esfuerzo puede financiar el margen. Si el ACV es 6.000 euros y la venta exige meses de preventa senior, el problema no se resuelve generando más MQL.</p><h2>Pipeline con definiciones compartidas</h2><p>Cada etapa debe representar evidencia, no actividad.</p><p>Ejemplo:</p><p>• Cuenta objetivo: cumple criterios mínimos.<br>• Cuenta engaged: muestra comportamiento relevante.<br>• Oportunidad aceptada: problema y stakeholder confirmados.<br>• Oportunidad cualificada: impacto, proceso y siguiente paso definidos.<br>• Propuesta: solución y alcance discutidos.<br>• Commit: existe decisión y fecha defendible.<br>• Closed won: contrato y condición de ingreso claras.</p><p>Las definiciones reducen el traspaso de «leads» que Marketing considera buenos y Ventas rechaza. También mejoran forecast.</p><h2>Un modelo numérico de pipeline</h2><p>Ejemplo ilustrativo trimestral:</p><p>• Etapa · Volumen · Conversión<br>• Cuentas engaged · 800 · —<br>• Oportunidades aceptadas · 160 · 20 %<br>• Oportunidades cualificadas · 96 · 60 %<br>• Propuestas · 48 · 50 %<br>• Ganadas · 14 · 29 %</p><p>Con ACV medio de 24.000 euros, el new ARR es 336.000. Si el margen del primer año es 70 %, la contribución antes de adquisición es 235.200.</p><p>Si Marketing y Ventas consumen 180.000 euros para generar esa cohorte, el retorno inicial es estrecho y el payback depende de renovación. Subir engaged un 25 % no resuelve el modelo si la capacidad comercial o el win rate son el cuello.</p><p>La conversación debe localizar qué palanca mueve margen: mejor ICP, mayor conversión, ticket, ciclo, coste o retención.</p><h2>Acuerdos entre Marketing y Ventas</h2><p>Un SLA útil incluye:</p><p>• Definición de etapa y criterios.<br>• Tiempo de respuesta.<br>• Información mínima.<br>• Propietario.<br>• Motivos de rechazo normalizados.<br>• Feedback de calidad.<br>• Reglas de reciclaje.<br>• Revisión conjunta por cohortes.</p><p>No lo diseñaría como contrato defensivo. Es un mecanismo para que la señal comercial mejore targeting, contenido y producto.</p><p>También alinearía incentivos. Si Marketing recibe premio por MQL y Ventas por revenue, la fricción está diseñada en el sistema.</p><h2>Medición: de campañas a revenue</h2><p>Mantendría métricas de canal para operar, pero el scorecard común incluiría:</p><p>• Pipeline y margen incremental.<br>• Conversión y tiempo por etapa.<br>• CAC fully loaded y marginal.<br>• ACV, margen y payback.<br>• Win rate por ICP y origen.<br>• Activación, retención y expansión.<br>• Capacidad comercial.</p><p>La atribución multi-touch puede ayudar a entender recorridos. No utilizaría sus pesos como prueba causal definitiva. En B2B, pocas cuentas y ciclos largos exigen combinar trazabilidad, experimentos posibles y juicio comercial documentado.</p><h2>Feedback de postventa</h2><p>El GTM no termina en la firma. Si las cuentas adquiridas no activan, retienen o expanden, el ICP o la promesa pueden estar equivocados.</p><p>Incluiría razones de churn, tiempo hasta valor, adopción, tickets y expansión en la revisión de campañas. Marketing necesita saber qué clientes crean valor, no solo cuáles convierten.</p><p>Customer Success también devuelve lenguaje, objeciones y casos. Esa información debe actualizar mensajes y cualificación.</p><h2>Cadencia de operación</h2><p>• Semanal: pipeline, bloqueos, capacidad y acciones.<br>• Mensual: cohortes, calidad, conversión y economía.<br>• Trimestral: ICP, propuesta, canales, movimiento y apuestas.</p><p>Cada revisión termina con decisiones, propietarios y supuestos a validar. El reporting sin cambio de conducta no es gobernanza.</p><h2>Errores frecuentes</h2><p>• Llamar GTM al plan de medios.<br>• Definir ICP solo por tamaño e industria.<br>• Optimizar MQL sin aceptación ni revenue.<br>• Elegir movimiento comercial incompatible con ticket.<br>• Crear etapas basadas en actividad.<br>• Medir pipeline sin margen ni probabilidad real.<br>• Ignorar capacidad de Ventas.<br>• No devolver aprendizaje de postventa.<br>• Utilizar atribución para repartir culpa o mérito.</p><h2>Preguntas frecuentes</h2><h3>¿Quién es dueño del GTM?</h3><p>Necesita ownership ejecutivo compartido y derechos de decisión explícitos. Marketing, Ventas, Producto y Customer Success poseen partes; nadie debe optimizar la suya contra el sistema.</p><h3>¿Qué métrica une Marketing y Ventas?</h3><p>Pipeline o margen incremental por cohorte, acompañado de conversión, ciclo y calidad. Ninguna cifra única sustituye el árbol completo.</p><h3>¿Cuándo revisar el ICP?</h3><p>Cuando cambian win rate, ciclo, margen, retención o contexto. También después de suficiente evidencia de nuevos segmentos, no por una oportunidad aislada.</p><h2>Conclusión: el GTM es un sistema de aprendizaje comercial</h2><p>Un buen Go-to-Market no solo lleva una propuesta al mercado. Aprende qué clientes obtienen valor, qué mecanismo convierte confianza en compra y qué economía permite escalar.</p><p>Cuando campañas, pipeline y postventa comparten definiciones, Marketing deja de entregar volumen y Ventas deja de operar como filtro final. El sistema completo asigna esfuerzo a las cuentas donde puede crear y capturar más valor.</p><figure id="figure-n727ta0wi9mu8kovbn"><img id="n727ta0wi9mu8kovbn" src="https://cdn.durable.co/blocks/18DfHVnRDBxUfdgiPCWlxQ3BegZkxnoKnbZYPvkE8pnOagpN5BHptZV66qzJBHk9.png" alt="Funnel B2B con conversiones, capacidad comercial, CAC, ACV y margen" title="Funnel B2B con conversiones, capacidad comercial, CAC, ACV y margen" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

Go-to-market B2B: conectar campañas, pipeline y revenue

Consultant's hands typing on laptop keyboard displaying customer retention analytics dashboard with real-time metrics.

<figure id="figure-zxds2qg8rtmu8kpxt5"><img id="zxds2qg8rtmu8kpxt5" src="https://cdn.durable.co/blocks/epbWViJMlO1DDLxrcs6NkVRGWjB8dBXKEulYfDTe7DLvwl4oyZxKF95vSfV1nZa3.png" alt="Modelo de LTV que separa margen observado, valor proyectado y escenarios de incertidumbre" title="Modelo de LTV que separa margen observado, valor proyectado y escenarios de incertidumbre" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/epbWViJMlO1DDLxrcs6NkVRGWjB8dBXKEulYfDTe7DLvwl4oyZxKF95vSfV1nZa3.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>El LTV no es una propiedad fija del cliente. Es una estimación del valor económico que una cohorte puede generar durante un horizonte y bajo unos supuestos. Presentarlo como una cifra exacta oculta diferencias de margen, retención, madurez y riesgo.</p><p>Un LTV útil separa valor observado de valor proyectado, trabaja con cohortes comparables y expresa escenarios. Su función no es justificar un CAC alto, sino definir cuánto podemos invertir, cuándo recuperaremos caja y qué supuesto amenaza la decisión.</p><p>La pregunta correcta no es «¿cuál es nuestro LTV?». Es: ¿de qué clientes, en qué horizonte, con qué margen y con cuánta incertidumbre?</p><h2>Qué es el Lifetime Value</h2><p>El Lifetime Value estima el valor económico generado por un cliente durante su relación. Para decisiones de adquisición debería expresarse en margen de contribución, no únicamente en ingresos.</p><p>Una fórmula simplificada en suscripción estable es:</p><p>LTV aproximado = ingreso medio por periodo × margen % / churn del periodo</p><p>Es útil para entender relaciones: más ingreso o margen eleva valor; más churn lo reduce. Pero asume churn constante, cohortes comparables y un horizonte potencialmente infinito. En negocios jóvenes o cambiantes, puede fabricar precisión.</p><p>Prefiero calcular margen por cohortes y horizonte explícito. Lo observado se suma; lo futuro se proyecta en escenarios.</p><h2>Ingresos, margen y caja</h2><p>Tres empresas pueden mostrar el mismo revenue LTV y economías distintas.</p><p>Restaría costes variables de producto, logística, comisiones, soporte, devoluciones, impagos y otros costes necesarios para servir al cliente. También observaría cuándo llega el margen.</p><p>Un cliente con 600 euros de margen en tres años puede ser menos escalable que otro con 450 en doce meses si la empresa tiene caja limitada. El payback complementa al LTV porque muestra el tiempo durante el que financiamos la adquisición.</p><p>Cuando los flujos son largos, puede aplicarse descuento financiero. Pero antes de discutir tasa de descuento resolvería errores más grandes: ingresos brutos, churn mal definido o cohortes mezcladas.</p><h2>Cohortes antes que promedios</h2><p>Agruparía por periodo de adquisición y segmentaría solo donde cambie una decisión: canal, mercado, plan, producto o tipo de cliente.</p><p>El promedio general mezcla clientes maduros y recientes. También puede mejorar porque cambia el mix, no porque una cohorte retenga mejor.</p><p>Para cada cohorte mostraría:</p><p>• Tamaño y CAC.<br>• Margen en cada periodo.<br>• Margen acumulado.<br>• Retención o supervivencia.<br>• Payback.<br>• Parte observada y proyectada.<br>• Intervalo de escenarios.</p><p>Así Marketing ve calidad económica, Producto identifica ventanas de abandono y Finanzas conoce la caja comprometida.</p><h2>Un ejemplo: mismo CAC, valor opuesto</h2><p>Ejemplo ilustrativo con dos campañas y CAC de 140 euros.</p><p>• Cohorte · Margen primera compra · Margen a 12 meses · Payback<br>• A · 70 € · 245 € · Mes 5<br>• B · 95 € · 135 € · No recuperado</p><p>B parece mejor si solo observamos primera compra. A genera repetición y supera adquisición; B pierde clientes antes de payback.</p><p>El mismo CAC produce decisiones opuestas. La atribución de la primera conversión no mide la calidad futura de lo adquirido.</p><h2>Escenarios en lugar de una falsa precisión</h2><p>Separaría tres escenarios:</p><p>• Conservador: retención y margen en la parte baja del rango.<br>• Base: continuidad defendible con evidencia actual.<br>• Exigente: mejora que necesita una intervención concreta.</p><p>No utilizaría el escenario exigente como forecast. Es una hipótesis condicionada: «si activación aumenta y churn del mes 2 baja, el valor podría…».</p><p>Ejemplo:</p><p>• Escenario · LTV en margen · CAC máximo con colchón · Payback<br>• Conservador · 180 € · 120 € · 10 meses<br>• Base · 260 € · 170 € · 7 meses<br>• Exigente · 340 € · 220 € · 5 meses</p><p>Si el CAC actual es 190, solo resulta cómodo en el escenario exigente. La decisión no debería presentarse como rentable sin explicar esa dependencia.</p><h2>Sensibilidad: descubrir qué supuesto manda</h2><p>Variaría retención, margen, ticket, frecuencia y coste de servicio para ver qué mueve más el resultado.</p><p>Si un cambio del 10 % en churn altera LTV un 25 % y el mismo cambio en ticket solo un 6 %, la calidad del modelo depende principalmente de churn. Esa variable merece más datos, intervención y seguimiento.</p><p>La sensibilidad también evita discusiones sobre decimales irrelevantes. No necesitamos perfeccionar una tasa secundaria cuando un supuesto no observado domina el 70 % de la proyección.</p><h2>LTV observado, contractual y modelado</h2><p>Conviene distinguir:</p><p>• Observado: margen ya generado.<br>• Contractual: flujos comprometidos, ajustados por riesgo de impago o cancelación.<br>• Modelado: valor futuro basado en comportamiento esperado.</p><p>La mezcla sin etiquetas convierte expectativa en hecho. En un comité mostraría cuánto del valor es real y cuánto depende de retención futura.</p><h2>Heterogeneidad y distribución</h2><p>El promedio puede estar impulsado por pocos clientes de gran valor. Observaría mediana, percentiles y concentración.</p><p>En B2B, una cuenta grande cambia el promedio y exige costes comerciales distintos. En ecommerce, compradores promocionales pueden concentrarse en la cola baja. En suscripción, expansión de pocas cuentas puede ocultar churn de logos.</p><p>La segmentación debe reflejar mecanismos, no buscar el grupo con mejor resultado después de verlo.</p><h2>Cómo construir un modelo de LTV accionable</h2><p>1. Define unidad y horizonte.<br>2. Utiliza ingreso neto y margen de contribución.<br>3. Crea cohortes de adquisición comparables.<br>4. Separa observado y proyectado.<br>5. Modela retención adecuada al negocio.<br>6. Construye escenarios y sensibilidad.<br>7. Añade payback y necesidad de caja.<br>8. Compara con CAC compatible.<br>9. Establece un colchón de riesgo.<br>10. Actualiza cuando madura la cohorte.</p><h2>Errores frecuentes</h2><p>• Utilizar revenue en lugar de margen.<br>• Dividir por churn con pocos meses de historia.<br>• Mezclar cohortes y planes.<br>• Proyectar una mejora todavía no observada.<br>• Comparar LTV a tres años con CAC parcial.<br>• Ignorar payback y liquidez.<br>• Mostrar promedio sin distribución.<br>• Tratar el valor como permanente pese a cambios de precio o producto.<br>• Utilizar LTV para justificar cualquier coste de adquisición.</p><h2>Preguntas frecuentes</h2><h3>¿Qué horizonte debo utilizar?</h3><p>Uno que contenga suficiente valor para la decisión y sea defendible con datos. Un horizonte más largo no es mejor si casi todo depende de supuestos.</p><h3>¿Qué ratio LTV/CAC es bueno?</h3><p>No existe un umbral universal. Depende de margen, payback, capital, costes fijos, riesgo y capacidad de reinversión. El ratio pierde información temporal.</p><h3>¿Puedo calcular LTV en un negocio sin suscripción?</h3><p>Sí. Se modelan recompras, frecuencia, margen y probabilidad de retorno por cohorte. No es necesario asumir churn mensual.</p><h2>Conclusión: el LTV es un modelo de decisión</h2><p>Un LTV honesto no promete conocer el futuro. Muestra qué valor ya existe, qué parte estamos proyectando y qué variable puede invalidar la inversión.</p><p>Cuando se conecta con CAC, payback, caja y sensibilidad, deja de ser una cifra para presentar. Se convierte en una frontera para asignar capital y en un mapa de qué debe mejorar Marketing, Producto u Operaciones para que el crecimiento sea sostenible.</p><figure id="figure-bg43c646dmu8kq83r"><img id="bg43c646dmu8kq83r" src="https://cdn.durable.co/blocks/1cw9J1W5SDNcQVw6V2HxybD8gezKKPj5L8lsGG1ag8bycrtrRhD04rMfGkfOFsQi.png" alt="Comparativa de cohortes por CAC, margen acumulado, payback y Lifetime Value" title="Comparativa de cohortes por CAC, margen acumulado, payback y Lifetime Value" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

LTV sin falsa precisión: cohortes, escenarios e incertidumbre

User wearing headphones immersed in laptop screen displaying AI conversation agent interface with chat bubbles

<figure id="figure-m3ucrrhpxmu8krcdg"><img id="m3ucrrhpxmu8krcdg" src="https://cdn.durable.co/blocks/14t26mbmmazCHPILSnSwYRcnb7nhzWWRaGraRminAQLprk0jth4niLWKQj3KeyTA.png" alt="Arquitectura de un agente de IA con modelo, herramientas, memoria, permisos y evaluación" title="Arquitectura de un agente de IA con modelo, herramientas, memoria, permisos y evaluación" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionx="undefined" data-positiony="undefined" data-fullwidth="false" data-mce-src="https://cdn.durable.co/blocks/14t26mbmmazCHPILSnSwYRcnb7nhzWWRaGraRminAQLprk0jth4niLWKQj3KeyTA.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Un agente de IA es un sistema que utiliza un modelo para interpretar un objetivo, elegir acciones y operar herramientas dentro de unos límites definidos. En Marketing puede investigar, preparar borradores, clasificar información, actualizar sistemas o coordinar flujos. Pero automatizar una tarea no equivale a delegar ownership.</p><p>La arquitectura senior empieza por riesgo y evaluación, no por autonomía. Cuanto mayor sea el impacto de una acción —publicar, modificar presupuesto, contactar a un cliente o utilizar datos sensibles— más deterministas deben ser los controles y más clara la intervención humana.</p><p>La pregunta adecuada no es «¿podemos crear un agente?». Es: ¿qué decisión puede tomar, qué evidencia necesita, qué herramientas puede usar y cómo sabremos que funciona mejor que el proceso actual?</p><h2>Qué diferencia a un agente de una automatización tradicional</h2><p>Una automatización clásica ejecuta reglas predefinidas: si ocurre A, realiza B. Un agente introduce razonamiento probabilístico para interpretar entradas variables, seleccionar pasos o decidir qué herramienta utilizar.</p><p>Sus componentes suelen incluir:</p><p>• Objetivo e instrucciones.<br>• Modelo.<br>• Herramientas y permisos.<br>• Contexto o recuperación de conocimiento.<br>• Estado o memoria de trabajo.<br>• Bucle de planificación y ejecución.<br>• Controles, logs y evaluación.<br>• Puntos de aprobación humana.</p><p>No toda tarea necesita un agente. Si el flujo es estable y las excepciones conocidas, una automatización determinista suele ser más barata, rápida y verificable.</p><h2>Casos de uso razonables en Marketing</h2><h3>Research asistido</h3><p>Recopilar fuentes autorizadas, extraer afirmaciones y preparar una síntesis con citas. El agente reduce trabajo mecánico; una persona valida relevancia y conclusión.</p><h3>Operaciones de contenido</h3><p>Convertir un brief aprobado en variantes, comprobar requisitos y preparar una cola editorial. Publicar debe requerir revisión cuando existe riesgo de marca o factual.</p><h3>QA de campañas</h3><p>Revisar nomenclatura, URLs, parámetros, formatos y coherencia frente al brief. Las reglas duras deben seguir siendo deterministas; el modelo ayuda con ambigüedad.</p><h3>Voz de cliente</h3><p>Clasificar tickets, entrevistas y reseñas, proponer temas y enlazar ejemplos. Necesita protección de datos y muestreo para comprobar sesgo.</p><h3>Asistencia comercial</h3><p>Preparar contexto de cuenta y borradores utilizando fuentes permitidas. Nunca debería inventar hechos ni enviar sin el nivel de aprobación acordado.</p><h2>Arquitectura por niveles de autonomía</h2><p>Diseñaría cuatro niveles.</p><p>1. Recomendar: analiza y propone; una persona ejecuta.<br>2. Preparar: crea el cambio en borrador; una persona aprueba.<br>3. Ejecutar con límites: actúa dentro de importe, audiencia y herramientas restringidas.<br>4. Operar por excepción: ejecuta de forma recurrente y escala casos anómalos.</p><p>No empezaría por el nivel cuatro. La autonomía se gana cuando existe evidencia de calidad, observabilidad y un coste de error asumible.</p><p>El nivel puede variar dentro del mismo flujo. El agente clasifica automáticamente, redacta en borrador, necesita aprobación para publicar y no puede modificar permisos.</p><h2>Herramientas: conceder la capacidad mínima</h2><p>Cada herramienta amplía el impacto posible. Separaría lectura y escritura, limitaría objetos y establecería importes o audiencias máximas.</p><p>Un agente que analiza campañas no necesita capacidad para cambiar presupuestos. Si más adelante la necesita, puede proponer el cambio y esperar aprobación. Los tokens, credenciales y datos deben vivir fuera del prompt y respetar permisos del usuario.</p><p>También validaría argumentos antes de ejecutar: formato, rango, destino y coherencia. El modelo propone; una capa determinista comprueba.</p><h2>Memoria y contexto</h2><p>La memoria no debe ser una grabación ilimitada de conversaciones. Distinguiría:</p><p>• Contexto temporal de la tarea.<br>• Preferencias confirmadas.<br>• Conocimiento recuperado de fuentes.<br>• Historial de acciones y resultados.</p><p>Cada categoría necesita retención, propietario y posibilidad de corrección. Guardar una suposición como verdad permanente puede degradar todas las decisiones posteriores.</p><p>Para conocimiento empresarial, utilizaría recuperación con citas y vigencia. El agente debe saber cuándo no dispone de evidencia suficiente.</p><h2>Evaluar el sistema completo, no una respuesta bonita</h2><p>Prepararía casos reales y mediría:</p><p>• Corrección de la decisión.<br>• Calidad y trazabilidad de fuentes.<br>• Selección de herramienta.<br>• Cumplimiento de límites.<br>• Tasa de escalado correcta.<br>• Errores silenciosos.<br>• Latencia y coste.<br>• Tiempo humano ahorrado.<br>• Resultado económico de la tarea.</p><p>Ejemplo ilustrativo sobre 200 casos:</p><p>• Métrica · Resultado<br>• Clasificación correcta · 92 %<br>• Uso correcto de herramientas · 96 %<br>• Salida aceptada sin cambios · 71 %<br>• Casos críticos escalados · 100 %<br>• Coste por caso · 0,42 €</p><p>El 92 % puede parecer alto y ser inaceptable si el 8 % contiene publicaciones erróneas. La evaluación debe ponderar severidad, no solo promedio.</p><h2>Human in the loop con un propósito concreto</h2><p>Poner una persona en cada paso elimina parte del valor y no garantiza que revise. La aprobación debe concentrarse donde cambia el perfil de riesgo:</p><p>• Uso de datos sensibles.<br>• Comunicación externa.<br>• Gasto o compromiso contractual.<br>• Cambios irreversibles.<br>• Ambigüedad alta.<br>• Excepción fuera de política.</p><p>La interfaz debe mostrar propuesta, evidencia, acción exacta y consecuencias. Aprobar una caja negra por fatiga es control únicamente en apariencia.</p><h2>Seguridad y fallos específicos</h2><p>Un agente puede recibir instrucciones maliciosas dentro de documentos, páginas o mensajes. Trataría todo contenido externo como datos, no como autoridad para cambiar sus reglas.</p><p>Controles relevantes:</p><p>• Lista cerrada de herramientas.<br>• Permisos mínimos y por tarea.<br>• Aislamiento de datos.<br>• Validación de entradas y salidas.<br>• Presupuesto de pasos, tiempo y coste.<br>• Idempotencia y prevención de duplicados.<br>• Logs y capacidad de detener.<br>• Pruebas adversariales.</p><p>También diseñaría para fallos normales: API caída, respuesta incompleta, dato obsoleto o herramienta que devuelve éxito sin aplicar el cambio.</p><h2>Unit Economics de un agente</h2><p>El business case no puede limitarse al coste del modelo. Incluiría integración, revisión humana, mantenimiento, evaluación, errores y oportunidad.</p><p>Valor neto = tiempo ahorrado + mejora de resultado − coste tecnológico − supervisión − coste esperado de error</p><p>Un agente que ahorra cinco minutos en una tarea poco frecuente quizá no merece operación. Uno que reduce errores en miles de activos puede crear valor aunque necesite revisión.</p><p>Mediría coste por tarea completada correctamente, no por llamada. Si requiere tres reintentos y una corrección humana, ese es el coste real.</p><h2>Hoja de ruta para implantar agentes</h2><p>1. Seleccionar una tarea repetible y medible.<br>2. Dibujar proceso actual, excepciones y coste.<br>3. Definir límites y resultado correcto.<br>4. Construir una línea base sin agente.<br>5. Empezar en modo recomendación.<br>6. Crear un set de evaluación con casos difíciles.<br>7. Añadir herramientas una a una.<br>8. Introducir aprobaciones por riesgo.<br>9. Medir calidad, economía y adopción.<br>10. Ampliar autonomía solo con evidencia.</p><h2>Errores frecuentes</h2><p>• Automatizar un proceso que todavía no se entiende.<br>• Dar acceso amplio para «facilitar» el piloto.<br>• Evaluar con demos elegidas.<br>• Confundir tono fluido con corrección.<br>• Guardar memoria sin gobernanza.<br>• No diseñar abstención ni escalado.<br>• Medir tokens y olvidar coste humano.<br>• Añadir varios agentes cuando un workflow basta.<br>• Publicar o gastar sin control proporcional.</p><h2>Preguntas frecuentes</h2><h3>¿Un agente necesita autonomía completa?</h3><p>No. Muchos casos valiosos recomiendan o preparan borradores. La autonomía es un parámetro de diseño, no una definición de éxito.</p><h3>¿Agente y RAG son lo mismo?</h3><p>No. RAG aporta conocimiento recuperado. Un agente puede usar RAG como herramienta y además decidir pasos o ejecutar acciones.</p><h3>¿Cuándo escalar a producción?</h3><p>Cuando existe evaluación representativa, controles de permisos, observabilidad, propietario operativo y economía mejor que la alternativa.</p><h2>Conclusión: automatizar ejecución sin abdicar criterio</h2><p>Los agentes reducirán fricción táctica, pero harán más importante el diseño de decisiones. Definir qué puede hacer el sistema, con qué evidencia y bajo qué límites será parte del trabajo de Marketing.</p><p>El objetivo no es construir una organización sin personas. Es reservar el juicio humano para ambigüedad, contexto y responsabilidad, mientras la máquina asume tareas repetibles con trazabilidad. La autonomía útil no se declara en una demo; se gana con evaluación, control y resultados.</p><figure id="figure-r40y3h9rqamu8krlc6"><img id="r40y3h9rqamu8krlc6" src="https://cdn.durable.co/blocks/2022IgCctqc6Ncf5f246o7svy7cyDgZZEo8QG9VAlATqzACaUfeZ7tESYujK9S9z.png" alt="Niveles de autonomía y aprobación humana para agentes de IA en Marketing" title="Niveles de autonomía y aprobación humana para agentes de IA en Marketing" class="object-cover bg-gray-100 " style="aspect-ratio: 16/9; object-position: center center;" data-corners="default" data-aspect="16:9" data-caption="" data-positionX="undefined" data-positionY="undefined" data-fullWidth="false"/></figure>

Fran López Ballero

Blog

Growth Loops frente a funnels: diseñar crecimiento acumul...

El modelo de difusión de Bass: estimar la adopción

Causalidad frente a atribución: holdouts, geotests y lift

Go-to-market B2B: conectar campañas, pipeline y revenue

LTV sin falsa precisión: cohortes, escenarios e incertidu...

Agentes de IA para Marketing: arquitectura, control y eva...