Blog

Consultant arranging sticky notes on whiteboard mapping sales funnel strategy and lead capture stages

<figure id="figure-p47o7hwxdjmu8kspls"><img id="p47o7hwxdjmu8kspls" src="https://cdn.durable.co/blocks/18McniVYkkqH5aKdLOyENe3qLrhCfIDBK5mmMHimtnuMxQpCFhPx2Ptoj2eq4bCK.png" alt="Funnel de conversión con una restricción de capacidad que limita el throughput" title="Funnel de conversión con una restricción de capacidad que limita el throughput" 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/18McniVYkkqH5aKdLOyENe3qLrhCfIDBK5mmMHimtnuMxQpCFhPx2Ptoj2eq4bCK.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>La Teoría de las Restricciones sostiene que el rendimiento de un sistema está limitado, en cada momento, por una restricción dominante. Aplicada al funnel, obliga a identificar qué etapa limita el flujo económico antes de optimizar el resto.</p><p>Más tráfico no resuelve una capacidad comercial agotada. Mejorar una landing no crea margen si el cuello está en activación. Automatizar seguimiento no ayuda cuando la oferta no convierte. La optimización local puede producir mejores métricas y peor sistema.</p><p>La pregunta no es «¿qué etapa tiene peor porcentaje?». Es: ¿qué restricción impide ahora que el sistema genere más throughput rentable?</p><h2>Qué es la Teoría de las Restricciones</h2><p>Eliyahu M. Goldratt popularizó la Teoría de las Restricciones o TOC como un enfoque para mejorar sistemas concentrándose en su limitación principal.</p><p>Sus cinco pasos de enfoque son:</p><p>1. Identificar la restricción.<br>2. Explotarla: obtener el máximo con los recursos actuales.<br>3. Subordinar el resto del sistema.<br>4. Elevar la restricción si sigue limitando.<br>5. Repetir, porque el cuello se desplaza.</p><p>La lógica evita dispersar recursos entre mejoras que no cambian el resultado global. Una etapa puede tener una conversión baja y no ser la restricción; quizá procesa suficiente volumen y el límite real está después.</p><h2>Throughput: medir el flujo que crea valor</h2><p>En un funnel comercial, el throughput no es simplemente volumen. Lo acercaría al margen generado por clientes adicionales, descontando costes verdaderamente variables de producir la venta.</p><p>El objetivo no es maximizar entradas, sino flujo rentable que atraviesa el sistema. Si Marketing genera leads que Ventas no atiende, aumentan actividad y coste sin aumentar throughput.</p><p>También importa el inventario dentro del proceso: leads esperando, trials sin activar, propuestas estancadas o clientes pendientes de onboarding. Las colas revelan desajustes de capacidad.</p><h2>Identificar la restricción</h2><p>Buscaría señales como:</p><p>• Acumulación de trabajo o demanda antes de una etapa.<br>• Capacidad utilizada de forma persistente al máximo.<br>• Tiempo de espera creciente.<br>• Pérdida de oportunidades por falta de atención.<br>• Mejoras aguas arriba que no elevan resultado final.<br>• Dependencia de una habilidad, canal o aprobación escasa.</p><p>La tasa de conversión más baja no basta. Un paso del 2 % puede ser normal para una audiencia amplia y no limitar el resultado. Una etapa del 80 % puede ser el cuello si solo procesa una fracción de la demanda disponible.</p><h2>Un ejemplo de funnel con restricción comercial</h2><p>Ejemplo ilustrativo mensual:</p><p>• Etapa · Volumen · Conversión · Capacidad<br>• Visitas · 100.000 · — · Suficiente<br>• Leads · 4.000 · 4 % · Suficiente<br>• Leads cualificados · 1.200 · 30 % · Suficiente<br>• Contactados a tiempo · 700 · 58 % · Máximo 700<br>• Oportunidades · 280 · 40 % · Suficiente<br>• Ventas · 84 · 30 % · Suficiente</p><p>El equipo propone aumentar tráfico un 25 %. Sin ampliar o reorganizar la capacidad de contacto, los nuevos leads se unirán a la cola y perderán intención.</p><p>La restricción no es el cierre del 30 % ni la landing del 4 %. Es la capacidad de contactar 700 leads dentro de la ventana en la que mantienen valor.</p><h2>Paso 1: identificar con datos y observación</h2><p>Validaría la hipótesis midiendo tiempo hasta contacto, backlog, capacidad por comercial, distribución de calidad y pérdida por demora. También escucharía al equipo: los cuellos humanos no siempre aparecen en el CRM.</p><p>Traduciría el límite a economía. Si cada venta deja 600 euros de margen y atender 200 leads adicionales produce 24 ventas, la oportunidad es 14.400 euros antes de elevar costes.</p><h2>Paso 2: explotar la restricción</h2><p>Explotar significa utilizar mejor la capacidad existente antes de comprar más.</p><p>• Priorizar leads con mayor probabilidad y valor.<br>• Eliminar tareas que no necesitan al recurso escaso.<br>• Mejorar información antes del contacto.<br>• Reducir no-shows y reprocesos.<br>• Ajustar horarios a la entrada de demanda.<br>• Automatizar trabajo administrativo, no la conversación crítica.</p><p>No consiste en exprimir personas indefinidamente. Consiste en proteger el recurso limitado de usos que no aumentan throughput.</p><h2>Paso 3: subordinar el resto</h2><p>El sistema se organiza alrededor de la restricción. Marketing ajusta volumen y segmentación a capacidad; contenidos preparan mejor al lead; Producto simplifica la demo; Operaciones evita interrupciones.</p><p>Subordinar puede implicar reducir campañas que generan picos imposibles de atender. Parece una pérdida local para Marketing y mejora el resultado global.</p><h2>Paso 4: elevar la restricción</h2><p>Si sigue limitando después de mejorar su uso, añadimos capacidad o rediseñamos el proceso:</p><p>• Contratar o reasignar equipo.<br>• Cambiar tooling.<br>• Crear rutas self-service.<br>• Modificar cualificación.<br>• Rediseñar oferta o pricing.<br>• Externalizar una parte controlable.</p><p>La inversión debe compararse con throughput incremental, margen y tiempo hasta capacidad. Elevar demasiado puede trasladar el cuello y dejar recursos ociosos.</p><h2>Paso 5: encontrar el nuevo cuello</h2><p>Al aumentar contacto, la restricción puede moverse al cierre, onboarding, stock o retención. El sistema necesita volver a observar.</p><p>Esto explica por qué un proyecto «funciona» y pocas semanas después surge otro problema. No siempre es fracaso: mejorar un cuello revela el siguiente. El error es seguir optimizando el anterior porque el equipo construyó su identidad alrededor de él.</p><h2>TOC frente a optimización de conversión</h2><p>CRO suele mejorar etapas. TOC decide en qué etapa una mejora puede cambiar el sistema. Son complementarios.</p><p>Priorizaría hipótesis con cuatro criterios:</p><p>• ¿Actúan sobre la restricción actual?<br>• ¿Aumentan throughput o solo una métrica local?<br>• ¿Crean carga en una etapa posterior?<br>• ¿Qué ocurre cuando el cuello se desplaza?</p><p>Un uplift del 20 % fuera de la restricción puede valer menos que un 5 % en el cuello.</p><h2>Restricciones de mercado, política y capacidad</h2><p>No todas están dentro del funnel. Puede limitar la demanda disponible, la propuesta, una aprobación legal, el cash para financiar CAC o una política interna.</p><p>Si no hay demanda rentable, aumentar eficiencia operativa no resuelve el crecimiento. Si el payback consume caja, el cuello es financiero. Si pricing impide convertir valor en margen, el problema no es tráfico.</p><p>Nombrar correctamente la restricción evita convertir cada problema en una campaña.</p><h2>Cómo aplicar TOC en una revisión mensual</h2><p>1. Define throughput económico.<br>2. Mapea flujo, colas, capacidad y tiempos.<br>3. Formula una restricción dominante.<br>4. Valida con evidencia cuantitativa y operativa.<br>5. Protege y mejora la capacidad actual.<br>6. Subordina objetivos locales.<br>7. Modela retorno de elevar el cuello.<br>8. Ejecuta con guardrails.<br>9. Comprueba dónde se desplaza.<br>10. Actualiza KPIs y ownership.</p><h2>Errores frecuentes</h2><p>• Elegir la menor conversión como cuello.<br>• Optimizar etapas por separado.<br>• Generar demanda por encima de capacidad.<br>• Comprar recursos antes de explotar los existentes.<br>• Medir volumen en vez de throughput económico.<br>• Ignorar colas y tiempo de espera.<br>• Mantener incentivos locales incompatibles.<br>• Suponer que la restricción es permanente.</p><h2>Preguntas frecuentes</h2><h3>¿Puede haber varias restricciones?</h3><p>Puede haber muchos problemas, pero TOC busca el límite dominante para concentrar esfuerzo. Al resolverlo, otro puede convertirse en principal.</p><h3>¿Cómo distinguir cuello y síntoma?</h3><p>Interviene de forma controlada: si aumentar capacidad o calidad en esa etapa eleva el throughput global, era una restricción relevante. Si solo mueve inventario, el límite está en otro lugar.</p><h3>¿TOC sirve en funnels digitales?</h3><p>Sí. La restricción puede ser tráfico cualificado, latencia, activación, capacidad de soporte, pricing o retención. El principio es sistémico, no industrial.</p><h2>Conclusión: optimizar donde el sistema puede responder</h2><p>La Teoría de las Restricciones aporta una disciplina incómoda: muchas mejoras correctas no cambian el resultado porque actúan fuera del cuello.</p><p>Un equipo senior identifica qué limita el flujo rentable, alinea áreas alrededor de esa realidad y acepta que el problema se moverá. El objetivo no es construir la etapa más eficiente, sino un sistema capaz de generar más valor sin esconder el coste en la siguiente cola.</p><figure id="figure-ho993dt9s2mu8kugqe"><img id="ho993dt9s2mu8kugqe" src="https://cdn.durable.co/blocks/2en04f9YeoVlVyW9uZnq7mTlnvQM3ZvmLPquOlJsFSMH6tg5pzrytgWWG908d1fq.png" alt="Cinco pasos de la Teoría de las Restricciones de Goldratt aplicados a Growth" title="Cinco pasos de la Teoría de las Restricciones de Goldratt aplicados a Growth" 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>

Goldratt y la Teoría de las Restricciones aplicada al funnel

Close-up of hand pointing at laptop screen displaying colorful website analytics, performance metrics, and SEO data

<figure id="figure-yhplcdzw4mmu8kvkoi"><img id="yhplcdzw4mmu8kvkoi" src="https://cdn.durable.co/blocks/25wC9ydP70PkVE0BrGtwNzHlI1v76QlFoj7v4A0QdPk9qdeyUHtZbopd7qbWIs6H.png" alt="Árbol de métricas que conecta inversión, clientes incrementales y margen de negocio" title="Árbol de métricas que conecta inversión, clientes incrementales y margen de negocio" 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/25wC9ydP70PkVE0BrGtwNzHlI1v76QlFoj7v4A0QdPk9qdeyUHtZbopd7qbWIs6H.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Un dashboard de negocio no es una colección de métricas. Es una interfaz para detectar una señal, entender su mecanismo y decidir una acción. Si una cifra cambia y nadie sabe qué decisión activa, puede ser información útil, pero todavía no es un KPI de gestión.</p><p>Las vanity metrics no son necesariamente falsas. Su problema es que parecen éxito sin mantener una relación suficientemente estable con valor de cliente o resultado económico. Seguidores, impresiones, leads o descargas pueden diagnosticar una etapa y ser peligrosos cuando representan por sí solos el rendimiento.</p><p>El diseño debe empezar por las decisiones, no por las visualizaciones disponibles.</p><h2>Qué es una vanity metric</h2><p>Una vanity metric es una medida que puede mejorar sin que mejore el resultado relevante, suele carecer de contexto o no conduce a una acción clara.</p><p>El mismo dato puede ser vanity o KPI según su uso. Las impresiones ayudan a controlar cobertura y frecuencia; no demuestran ventas. El CTR diagnostica respuesta creativa; no garantiza margen. Los leads permiten gestionar capacidad; no sustituyen pipeline ni calidad.</p><p>Preguntaría cuatro cosas:</p><p>1. ¿Qué resultado representa?<br>2. ¿Qué decisión cambia cuando se mueve?<br>3. ¿Cómo podría mejorar sin crear valor?<br>4. ¿Qué guardrail evita esa distorsión?</p><p>Si no existe una respuesta defendible, la métrica no debe ocupar el centro del dashboard.</p><h2>Empezar por una arquitectura de decisión</h2><p>Antes de elegir gráficos construiría una cadena:</p><p>Objetivo → resultado → drivers → calidad → guardrails → decisión</p><p>Ejemplo para adquisición B2B:</p><p>• Objetivo: crecer con payback sostenible.<br>• Resultado: margen o pipeline incremental.<br>• Drivers: oportunidades aceptadas y conversión por etapa.<br>• Calidad: win rate, ticket y duración del ciclo.<br>• Guardrails: CAC marginal, capacidad comercial y churn temprano.<br>• Decisión: escalar, corregir, reasignar o detener.</p><p>Esta estructura evita que CPL o MQL representen todo el sistema. También permite asignar propietarios sin fragmentar el resultado común.</p><h2>Un árbol de métricas, no veinte KPIs independientes</h2><p>El árbol explica cómo se compone el resultado. Por ejemplo:</p><p>Margen de clientes nuevos = clientes incrementales × margen medio por cliente − coste de adquisición</p><p>Los clientes dependen de demanda elegible, conversión y capacidad. El margen depende de precio, mix, devoluciones, retención y coste de servir.</p><p>Cuando el resultado cambia, el árbol guía diagnóstico. Si cae margen con clientes estables, investigamos mix y coste. Si cae adquisición, miramos volumen, conversión y capacidad. El dashboard deja de ser una pared de semáforos y se convierte en un mapa causal provisional.</p><p>No incluiría todas las métricas posibles. Cada nodo debe ayudar a explicar variación material o activar una decisión.</p><h2>Nivel ejecutivo, nivel de diagnóstico y nivel operativo</h2><p>Una única pantalla no puede satisfacer todas las preguntas.</p><h3>Ejecutivo</h3><p>Resultado, tendencia, desviación, escenario y decisiones pendientes. Pocas métricas con contexto económico.</p><h3>Diagnóstico</h3><p>Drivers, segmentos, cohortes y puentes de variación. Permite explicar por qué cambió el resultado.</p><h3>Operativo</h3><p>Señales frecuentes para ejecutar: campañas, incidencias, colas, calidad del dato y tareas.</p><p>El error común es llevar el detalle operativo al comité o intentar que un resumen ejecutivo sirva para optimizar anuncios. La arquitectura debe permitir profundizar sin mezclar cadencias.</p><h2>Un ejemplo: cuando el crecimiento de leads engaña</h2><p>Ejemplo ilustrativo:</p><p>• Métrica · Mes anterior · Mes actual · Variación<br>• Inversión · 60.000 € · 66.000 € · +10 %<br>• Leads · 2.000 · 3.000 · +50 %<br>• CPL · 30 € · 22 € · −27 %<br>• Oportunidades aceptadas · 360 · 270 · −25 %<br>• Coste por oportunidad · 167 € · 244 € · +46 %<br>• Pipeline ponderado · 540.000 € · 405.000 € · −25 %</p><p>Un dashboard de canal celebraría volumen y CPL. Uno de negocio muestra que el mix ha deteriorado calidad y pipeline.</p><p>La visualización útil no necesita ser compleja: resultado arriba, puente de drivers, calidad por cohorte y decisión propuesta. El valor está en la jerarquía, no en añadir más gráficos.</p><h2>Contexto que toda métrica necesita</h2><p>Una cifra aislada carece de significado. Añadiría:</p><p>• Definición y fórmula.<br>• Fuente y última actualización.<br>• Propietario.<br>• Comparación relevante: objetivo, periodo o cohorte.<br>• Volumen absoluto junto al porcentaje.<br>• Intervalo o nivel de confianza cuando proceda.<br>• Anotaciones de cambios.<br>• Umbral y acción asociada.</p><p>Mostrar 4,2 % sin denominador, horizonte ni benchmark obliga al lector a inventar la interpretación.</p><h2>Alertas: detectar cambio material, no producir ruido</h2><p>Una alerta debe combinar magnitud, persistencia, confianza e impacto económico. Umbrales fijos generan fatiga cuando la métrica tiene estacionalidad o volumen variable.</p><p>Separaría:</p><p>• Incidente de dato.<br>• Anomalía operativa.<br>• Desviación económica.<br>• Cambio estructural que necesita análisis.</p><p>Cada alerta requiere propietario y playbook. Notificar sin capacidad de acción solo traslada ansiedad.</p><h2>Calidad de dato visible</h2><p>El dashboard debería mostrar frescura, cobertura y roturas. Si el tracking pierde el 20 % de eventos, esconderlo detrás de una cifra exacta es peor que no mostrarla.</p><p>Definiría contratos de datos: qué evento existe, quién lo produce, qué campos son obligatorios y qué prueba detecta cambios. Los problemas de instrumentación también son métricas operativas.</p><p>Para cálculos financieros, documentaría reconciliación con la fuente maestra. Marketing y Finanzas no pueden discutir rendimiento utilizando ingresos, descuentos o clientes definidos de forma diferente.</p><h2>Diseño visual al servicio de la lectura</h2><p>• Una jerarquía clara: resultado, explicación, acción.<br>• Consistencia de escalas, colores y periodos.<br>• Líneas para tendencia; barras para comparación; tablas para precisión.<br>• Color reservado para excepciones y decisiones.<br>• Etiquetas directas y unidades visibles.<br>• Espacio suficiente para leer, no para decorar.<br>• Versión móvil con bloques apilados y objetivos táctiles.</p><p>Evitaría velocímetros sin benchmark, dobles ejes, arcoíris de categorías y gráficos 3D. La sofisticación visual no compensa una pregunta mal definida.</p><h2>Cómo construir el dashboard paso a paso</h2><p>1. Lista las decisiones recurrentes y sus responsables.<br>2. Define resultado económico y horizonte.<br>3. Construye árbol de drivers.<br>4. Añade calidad y guardrails.<br>5. Asigna fuente, fórmula y propietario.<br>6. Diseña tres niveles de lectura.<br>7. Establece umbrales y acciones.<br>8. Anota cambios de negocio.<br>9. Valida con casos reales de decisión.<br>10. Retira aquello que nadie utiliza.</p><h2>Errores frecuentes</h2><p>• Empezar por datos disponibles.<br>• Llamar KPI a todo lo medible.<br>• Mezclar resultados y drivers sin jerarquía.<br>• Mostrar porcentajes sin volúmenes.<br>• Comparar cohortes con distinta madurez.<br>• Ocultar calidad del dato.<br>• Utilizar el mismo panel para dirección y operación.<br>• Crear alertas sin acción.<br>• Mantener métricas por costumbre.<br>• Confundir precisión decimal con certeza.</p><h2>Preguntas frecuentes</h2><h3>¿Cuántos KPIs debe tener un dashboard ejecutivo?</h3><p>Los mínimos que permitan entender resultado, principales drivers, calidad y riesgo. Normalmente son pocos; el detalle vive en capas de diagnóstico.</p><h3>¿Una North Star Metric evita vanity metrics?</h3><p>No por sí sola. Puede simplificar demasiado y generar optimización local. Necesita un árbol de drivers y guardrails económicos y de cliente.</p><h3>¿Qué hace que un dashboard sea accionable?</h3><p>Que cada cambio material tenga una interpretación posible, un responsable, un umbral y un conjunto limitado de decisiones.</p><h2>Conclusión: el dashboard debe reducir tiempo hasta decisión</h2><p>El mejor dashboard no es el que reúne más datos ni el que impresiona en una presentación. Es el que permite detectar qué cambió, entender qué parte del sistema lo explica y decidir qué hacer después.</p><p>Cuando la arquitectura conecta Marketing con margen, calidad y capacidad, las vanity metrics recuperan su lugar correcto: señales parciales dentro de un sistema, nunca sustitutos del resultado.</p><figure id="figure-r1x3jkllosmu8kvtcl"><img id="r1x3jkllosmu8kvtcl" src="https://cdn.durable.co/blocks/301vJAKEnn8AvZV6Ewj4QYA8kgOnW4qh8tj1DjnOWjXdgQqZYdK6UKsfJ5cOSKbD.png" alt="Dashboard ejecutivo con resultado, drivers, calidad, guardrails y decisiones" title="Dashboard ejecutivo con resultado, drivers, calidad, guardrails y decisiones" 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>

Cómo diseñar un dashboard sin vanity metrics

High-resolution monitor displaying clean SaaS pricing tier interface with three subscription options and feature comparisons

<figure id="figure-45qg778ormu8kx36m"><img id="45qg778ormu8kx36m" src="https://cdn.durable.co/blocks/30TJbTqfCBevL6hQPE5BdTty5S1x2Ecyf5hB5nevzuCwsy30NqCCVclcIOX5Q8eh.png" alt="Relación entre descuento, margen unitario y volumen necesario para mantener contribución" title="Relación entre descuento, margen unitario y volumen necesario para mantener contribución" 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/30TJbTqfCBevL6hQPE5BdTty5S1x2Ecyf5hB5nevzuCwsy30NqCCVclcIOX5Q8eh.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Un descuento crea valor solo si el aumento de volumen, retención o valor futuro compensa la reducción de margen y los costes adicionales que provoca. Medir únicamente ventas o conversión puede presentar como crecimiento una promoción que necesita el doble de pedidos para mantener la misma contribución.</p><p>Precio, margen y elasticidad forman una misma decisión. El precio modifica demanda, mix, percepción y comportamiento futuro. El margen determina cuánto volumen adicional necesitamos. La elasticidad describe cuánto responde la demanda, no si la respuesta es rentable.</p><p>Antes de lanzar un descuento preguntaría: ¿qué volumen incremental debe generar, con qué margen, en qué clientes y durante cuánto tiempo?</p><h2>Ingresos no son margen</h2><p>El ingreso por unidad es el precio neto. El margen de contribución resta los costes variables necesarios para vender y servir esa unidad.</p><p>Margen unitario = precio neto − coste variable unitario</p><p>Los costes pueden incluir producto, logística, comisiones, soporte, devoluciones y medios variables. Los costes fijos importan para la rentabilidad total, pero el margen de contribución permite analizar el siguiente bloque de ventas.</p><p>Una campaña puede aumentar ingresos y reducir contribución si el descuento afecta a todas las unidades, atrae un mix de menor margen o exige más coste de servicio.</p><h2>La matemática que suele sorprender</h2><p>Supongamos un producto con precio de 100 euros y coste variable de 60. El margen unitario es 40.</p><p>Aplicamos un descuento del 20 %. El nuevo precio es 80 y el margen cae a 20. Para mantener el mismo margen total necesitamos vender el doble de unidades.</p><p>Multiplicador de volumen necesario = margen anterior / margen nuevo</p><p>40 / 20 = 2</p><p>Un descuento del 20 % ha reducido el margen unitario un 50 %. Si la conversión sube un 30 %, los ingresos pueden mejorar y el margen total empeorar.</p><p>• Escenario · Precio · Coste variable · Margen unitario · Unidades para generar 4.000 € de margen<br>• Sin descuento · 100 € · 60 € · 40 € · 100<br>• 10 % descuento · 90 € · 60 € · 30 € · 134<br>• 20 % descuento · 80 € · 60 € · 20 € · 200<br>• 30 % descuento · 70 € · 60 € · 10 € · 400</p><p>El porcentaje promocional no coincide con el esfuerzo de volumen. Cuanto menor es el margen inicial, más peligrosa resulta una rebaja aparentemente pequeña.</p><h2>Qué es la elasticidad-precio de la demanda</h2><p>La elasticidad mide el cambio porcentual de la cantidad demandada ante un cambio porcentual del precio.</p><p>Elasticidad = % cambio en cantidad / % cambio en precio</p><p>Si una reducción del 10 % eleva unidades un 20 %, la elasticidad observada es aproximadamente −2. La demanda responde con fuerza. Pero eso no garantiza rentabilidad: necesitamos aplicar la nueva cantidad al nuevo margen.</p><p>Además, la elasticidad no es constante. Cambia por segmento, producto, canal, competidor, temporada, nivel de precio y magnitud del cambio. Extrapolar una promoción pequeña a una rebaja permanente puede ser una mala inferencia.</p><h2>Elasticidad de ingresos frente a elasticidad de beneficio</h2><p>Con demanda elástica, reducir precio puede elevar ingresos. El beneficio necesita superar un umbral más exigente porque cada unidad aporta menos margen.</p><p>Por eso calcularía tres respuestas:</p><p>• Variación de unidades.<br>• Variación de ingresos netos.<br>• Variación de margen de contribución.</p><p>Añadiría coste de campaña, devoluciones, inventario y efecto futuro. Una promoción que liquida stock obsoleto puede ser racional aunque el margen inmediato sea bajo. La misma promoción sobre un producto escaso puede destruir valor.</p><h2>El contrafactual de la promoción</h2><p>No todas las ventas durante una oferta son causadas por ella. Algunas habrían ocurrido a precio completo; otras se adelantan desde el mes siguiente; otras canibalizan un producto con mayor margen.</p><p>Separaría:</p><p>• Demanda incremental real.<br>• Demanda adelantada.<br>• Canibalización.<br>• Clientes existentes que reciben un descuento innecesario.<br>• Nuevos clientes y su valor futuro.</p><p>Un holdout, regiones comparables o una prueba por segmentos pueden aproximar el efecto. Comparar únicamente con la semana anterior confunde promoción, estacionalidad y tendencia.</p><h2>Un ejemplo completo de decisión</h2><p>Ejemplo ilustrativo:</p><p>Una empresa vende 10.000 unidades al mes a 50 euros. El coste variable es 30; el margen unitario, 20; y el margen total, 200.000 euros.</p><p>Propone un descuento del 15 %, que reduce precio a 42,50 y margen a 12,50. Para mantener 200.000 euros necesita 16.000 unidades: un 60 % más.</p><p>El equipo espera que la conversión aumente un 35 %. Incluso si el tráfico se mantiene y el aumento es completamente incremental, el margen caería. La promoción solo tendría sentido si existe valor adicional: liquidar inventario, captar cohortes con alta repetición, reducir coste comercial o activar un producto complementario.</p><p>La recomendación podría ser limitar el descuento a un segmento sensible, probar un bundle con mejor margen o ofrecer valor no monetario. El objetivo no es evitar promociones; es diseñarlas alrededor de la economía real.</p><h2>Precio y LTV: el efecto no termina en la primera compra</h2><p>Un descuento de adquisición puede atraer clientes con menor disposición a pagar y mayor churn cuando vuelve el precio normal. También puede reducir la barrera de prueba y generar clientes valiosos.</p><p>Compararía cohortes promocionales y no promocionales en:</p><p>• Margen de primera compra.<br>• Segunda compra o renovación.<br>• Tiempo hasta payback.<br>• Devoluciones y soporte.<br>• Sensibilidad a promociones futuras.<br>• LTV observado, no solo previsto.</p><p>Si el descuento cambia el tipo de cliente captado, el análisis necesita una ventana suficiente para ver esa calidad.</p><h2>Alternativas al descuento lineal</h2><p>• Bundles que elevan ticket y protegen margen.<br>• Beneficios por volumen con coste marginal bajo.<br>• Prueba o garantía que reduce riesgo percibido.<br>• Segmentación por sensibilidad y valor.<br>• Promoción ligada a segunda compra.<br>• Precio por packaging o capacidad.<br>• Financiación o fraccionamiento.<br>• Beneficios no monetarios.</p><p>La mejor palanca no siempre es bajar precio. A veces el problema es confianza, comparación, liquidez o falta de claridad sobre valor.</p><h2>Cómo diseñar una prueba de pricing</h2><p>1. Define hipótesis y segmento.<br>2. Calcula margen y volumen de equilibrio.<br>3. Decide métrica primaria: margen incremental, no solo conversión.<br>4. Controla canibalización y adelanto.<br>5. Añade guardrails de devolución, churn y percepción.<br>6. Mantén exposición suficiente para observar comportamiento.<br>7. Analiza heterogeneidad sin atomizar.<br>8. Revisa capacidad e inventario.<br>9. Documenta qué parte del resultado es observada y cuál proyectada.<br>10. Define condición de escala o retirada.</p><h2>Errores frecuentes con descuentos</h2><p>• Aplicar el porcentaje al precio y no al margen.<br>• Celebrar ingresos sin contribución.<br>• Suponer que todas las ventas son incrementales.<br>• Ignorar canibalización y adelanto.<br>• Extrapolar una elasticidad fuera del rango probado.<br>• No comparar cohortes futuras.<br>• Descontar a clientes que habrían pagado precio completo.<br>• Generar demanda por encima de capacidad o stock.<br>• Convertir una promoción táctica en referencia permanente.</p><h2>Preguntas frecuentes</h2><h3>¿Qué volumen necesito para compensar un descuento?</h3><p>Divide el margen unitario anterior entre el nuevo. El resultado es el multiplicador de unidades necesario para mantener la misma contribución, antes de costes adicionales.</p><h3>¿Una demanda elástica garantiza que bajar precio sea rentable?</h3><p>No. Puede elevar ingresos y reducir margen. La decisión depende de coste variable, volumen incremental, canibalización y valor futuro.</p><h3>¿Cómo afecta el descuento a la marca?</h3><p>La frecuencia y el contexto pueden modificar precio de referencia y expectativas. Ese efecto es más difícil de medir, pero debe entrar como riesgo y observarse con investigación y comportamiento posterior.</p><h2>Conclusión: el descuento es una inversión, no una decoración comercial</h2><p>Una promoción tiene un coste económico explícito: margen cedido. Debe competir con otras formas de adquirir, retener o monetizar clientes.</p><p>La conversación mejora cuando Marketing no pregunta cuánto subirá la conversión, sino cuánto volumen incremental necesitamos, qué cohorte atraeremos, cuándo recuperaremos la inversión y qué ocurrirá al volver al precio normal. Ahí pricing deja de ser una palanca táctica y se convierte en una decisión de crecimiento.</p><figure id="figure-6pqcn8qwmu8kxdf4"><img id="6pqcn8qwmu8kxdf4" src="https://cdn.durable.co/blocks/1YS4TBe98wpRSUWJIpFg33G6EicxvmZql7LhRmUxJvOTB0QXG0E0zUJW4JsH6Jxw.png" alt="Curva de elasticidad y umbral de rentabilidad de una promoción de precio" title="Curva de elasticidad y umbral de rentabilidad de una promoción de precio" 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>

Precio, margen y elasticidad: cuándo un descuento destruye valor

Marketing strategist pointing at analytics dashboard on tablet during strategy session in bright modern office

<figure id="figure-0geu27n4fpmu8kyj28"><img id="0geu27n4fpmu8kyj28" src="https://cdn.durable.co/blocks/37FUPz1N93FNpQw7qLv6f9cA8kYrBJDBFCdXG0a4gfPRlgVyuArtipsTCpLGoRSI.png" alt="Marco Cynefin con los dominios claro, complicado, complejo, caótico y desordenado" title="Marco Cynefin con los dominios claro, complicado, complejo, caótico y desordenado" 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/37FUPz1N93FNpQw7qLv6f9cA8kYrBJDBFCdXG0a4gfPRlgVyuArtipsTCpLGoRSI.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Cynefin es un marco de sentido que ayuda a elegir cómo decidir según la naturaleza del contexto: claro, complicado, complejo, caótico o desordenado. Su aportación para Marketing no es clasificar problemas por dificultad, sino evitar aplicar el mismo método a situaciones que funcionan de forma distinta.</p><p>Un error técnico conocido puede resolverse con una práctica estándar. Una arquitectura de atribución necesita análisis experto. Una propuesta nueva exige pruebas pequeñas porque la relación causa-efecto todavía no puede conocerse por adelantado. Una crisis obliga primero a estabilizar.</p><p>La seniority no consiste en tener siempre una respuesta. Consiste en reconocer qué tipo de incertidumbre tenemos delante y utilizar el proceso adecuado.</p><h2>Qué es el marco Cynefin</h2><p>Dave Snowden desarrolló Cynefin para ayudar a líderes y organizaciones a dar sentido a situaciones diferentes. El marco distingue cinco dominios:</p><p>• Claro: la relación causa-efecto es estable y conocida.<br>• Complicado: existe relación causa-efecto, pero requiere análisis o experiencia.<br>• Complejo: la causalidad solo puede comprenderse retrospectivamente; emergen patrones.<br>• Caótico: no hay tiempo para entender el sistema antes de intervenir.<br>• Desordenado: todavía no sabemos en qué dominio estamos.</p><p>No es una escala desde fácil hasta difícil. Un problema complicado puede ser técnicamente arduo y aun así tener soluciones analizables. Uno complejo puede parecer sencillo y cambiar al interactuar con personas, mercados o competidores.</p><h2>Dominio claro: sentir, categorizar y responder</h2><p>La relación entre acción y resultado es repetible. Utilizamos reglas, checklists y buenas prácticas.</p><p>Ejemplos en Marketing: convenciones UTM, QA de landings, nomenclatura de campañas, cumplimiento de marca o corrección de un evento roto con causa confirmada.</p><p>El riesgo es la complacencia. Una práctica puede seguir ejecutándose porque «siempre se ha hecho así» aunque el entorno haya cambiado. El límite entre claro y caótico es una advertencia: los sistemas aparentemente estables pueden colapsar cuando se ignoran señales.</p><h2>Dominio complicado: sentir, analizar y responder</h2><p>Puede haber varias respuestas válidas y hace falta conocimiento experto.</p><p>Ejemplos: rediseñar una arquitectura CRM, construir un modelo de atribución, evaluar elasticidad o decidir entre soluciones tecnológicas. Analizamos datos, contrastamos especialistas y modelamos escenarios.</p><p>El peligro es la parálisis por análisis o convertir la opinión del experto en certeza absoluta. El conocimiento reduce incertidumbre, pero no elimina supuestos.</p><h2>Dominio complejo: sondear, sentir y responder</h2><p>El comportamiento emerge de muchas interacciones y la causalidad se entiende después. No podemos analizar hasta descubrir «la respuesta correcta» porque el sistema cambia mientras actuamos.</p><p>Ejemplos: crear una categoría, construir comunidad, lanzar una propuesta novedosa o modificar hábitos de un mercado. Diseñamos pruebas seguras de fallar, observamos patrones y amplificamos lo que funciona.</p><p>Una prueba segura de fallar es limitada, reversible, diversa y capaz de producir aprendizaje. No significa lanzar sin criterio. Significa evitar comprometer toda la estrategia con una única predicción en un contexto que todavía no podemos modelar.</p><h2>Dominio caótico: actuar, sentir y responder</h2><p>Primero estabilizamos; después investigamos.</p><p>Una crisis reputacional, el checkout completamente caído o una filtración activa no esperan un estudio perfecto. Se contiene el daño, se establece una mínima visibilidad y se mueve el problema hacia un dominio donde pueda analizarse.</p><p>El error es romantizar el caos y convertir la organización en una sucesión de urgencias. La acción inicial necesita límites, responsables y una transición explícita hacia aprendizaje posterior.</p><h2>Desordenado: cuando cada equipo está resolviendo un problema diferente</h2><p>En desorden no existe acuerdo sobre la naturaleza del contexto. Marketing lo trata como problema creativo, Datos como error de medición y Operaciones como falta de capacidad.</p><p>La salida consiste en descomponer. Qué parte es conocida, cuál requiere expertise, dónde necesitamos experimentar y qué debe estabilizarse ya.</p><p>Nombrar el dominio no resuelve el problema, pero evita que cada área imponga su método favorito al sistema completo.</p><h2>Un mismo síntoma, cuatro respuestas</h2><p>La conversión cae después de una actualización.</p><p>• Si existe un error técnico confirmado, estamos en lo claro: corregir y verificar.<br>• Si hay varias causas plausibles en pagos, UX y mix, es complicado: analizar con especialistas.<br>• Si lanzamos una categoría sin comportamiento conocido, es complejo: probar varias propuestas pequeñas.<br>• Si el checkout está completamente caído, es caótico: restaurar servicio y analizar después.</p><p>El síntoma es el mismo. La respuesta correcta depende de la estructura causal, no de la métrica afectada.</p><h2>Cuatro preguntas para diagnosticar antes de decidir</h2><p>1. ¿La relación causa-efecto es estable y repetible?<br>2. ¿Existe conocimiento experto suficiente para analizarla?<br>3. ¿Necesitamos actuar para que aparezca el patrón?<br>4. ¿Debemos estabilizar antes de comprender?</p><p>Añadiría coste de error, reversibilidad y velocidad de cambio. Dos situaciones del mismo dominio pueden exigir distinta intensidad de control.</p><h2>Cómo cambia la gestión por dominio</h2><p>• Dominio · Método · Tipo de evidencia · Riesgo principal<br>• Claro · Estándar y checklist · Cumplimiento y excepción · Complacencia<br>• Complicado · Análisis experto · Modelos, diagnóstico, escenarios · Parálisis o autoridad ciega<br>• Complejo · Experimentos seguros · Patrones emergentes · Escalar demasiado pronto<br>• Caótico · Contención · Señales mínimas de estabilidad · Mantener modo crisis</p><p>La gobernanza también cambia. En claro, estandarizar. En complicado, convocar expertise. En complejo, proteger diversidad de pruebas. En caos, concentrar autoridad temporalmente y limitar daño.</p><h2>Los dominios se mueven</h2><p>Una práctica novedosa puede empezar en complejo, pasar a complicado cuando entendemos el mecanismo y convertirse en clara al estandarizarse.</p><p>También ocurre lo contrario. Un canal tratado como predecible cambia por regulación, competencia o tecnología. Si la organización sigue aplicando la vieja receta, lo claro cae hacia el caos.</p><p>Por eso registraría no solo la clasificación, sino la evidencia que la sostiene y la señal que obligaría a reclasificar.</p><h2>Cynefin aplicado a una cartera de Growth</h2><p>No todo el backlog debería gestionarse con el mismo framework de priorización.</p><p>• Tareas claras: automatizar y controlar excepciones.<br>• Problemas complicados: asignar análisis y fecha de decisión.<br>• Apuestas complejas: lanzar varias sondas pequeñas y comparar aprendizaje.<br>• Incidentes caóticos: activar protocolo de contención.</p><p>Mezclarlo todo en una única lista ICE o RICE premia aquello que parece cuantificable y castiga exploración estratégica. La cartera necesita capacidad separada para operación, análisis, experimentación y resiliencia.</p><h2>Errores frecuentes al utilizar Cynefin</h2><p>• Confundir complicado con complejo.<br>• Experimentar con problemas ya resueltos.<br>• Encargar más análisis cuando el patrón solo aparecerá al actuar.<br>• Usar «caos» para justificar ausencia de proceso.<br>• Tratar el dominio como etiqueta permanente.<br>• Clasificar según preferencia del equipo, no según causalidad.<br>• Ejecutar una única gran prueba en un entorno complejo.<br>• No mover el problema después de estabilizarlo.</p><h2>Preguntas frecuentes</h2><h3>¿Cynefin sirve para priorizar iniciativas?</h3><p>Sirve primero para elegir método. Después se prioriza dentro de cada tipo considerando impacto, riesgo, reversibilidad y capacidad.</p><h3>¿Cómo diferenciar complicado y complejo?</h3><p>En complicado, el análisis experto puede descubrir relaciones defendibles antes de actuar. En complejo, necesitamos interactuar con el sistema para que aparezcan patrones.</p><h3>¿Un problema puede estar en varios dominios?</h3><p>Sí. Un lanzamiento puede contener QA claro, pricing complicado, adopción compleja y un plan de crisis para incidentes. Conviene descomponer.</p><h2>Conclusión: elegir el método antes de defender una respuesta</h2><p>Muchos errores de Marketing no proceden de falta de talento, sino de aplicar una lógica correcta al contexto equivocado.</p><p>Cynefin obliga a detenerse antes del framework de moda: ¿debemos estandarizar, analizar, experimentar o contener? Esa pregunta mejora la calidad de la decisión y también la conversación con stakeholders, porque hace explícita la incertidumbre en vez de esconderla detrás de una recomendación demasiado segura.</p><figure id="figure-x3tqh7x0yomu8kyt7c"><img id="x3tqh7x0yomu8kyt7c" src="https://cdn.durable.co/blocks/8xF9tiHUxRPdY5BCEs2cG304KVTC3fw2dHn3qhxhnv98E5A7ZN1vjh78LOtaepE5.png" alt="Métodos de decisión de Marketing según el dominio de incertidumbre de Cynefin" title="Métodos de decisión de Marketing según el dominio de incertidumbre de Cynefin" 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>

Cynefin de Dave Snowden: decidir en Marketing bajo incertidumbre

Strategist arranging colorful marketing analytics cards and performance charts on organized white desk workspace

<figure id="figure-tvye0oh37mu8kzyaa"><img id="tvye0oh37mu8kzyaa" src="https://cdn.durable.co/blocks/1IgYV9xxcIAy6Ep1IaGbpRCDO8bmV21xn3YZMyEb1nB3rkjpTT01tN6T8rpGGH4D.png" alt="Heatmap de cohortes de retención comparadas por edad del cliente y mes de adquisición" title="Heatmap de cohortes de retención comparadas por edad del cliente y mes de adquisición" 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/1IgYV9xxcIAy6Ep1IaGbpRCDO8bmV21xn3YZMyEb1nB3rkjpTT01tN6T8rpGGH4D.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>Un análisis de cohortes agrupa clientes que comparten un momento o evento de entrada y observa cómo evoluciona su comportamiento con la misma «edad». Su ventaja es separar el paso del tiempo de los cambios de mix: permite saber si una cohorte retiene mejor, monetiza antes o recupera su CAC con más rapidez que otra.</p><p>El heatmap no es la conclusión. Es una estructura para formular decisiones: qué adquisición genera clientes valiosos, dónde se rompe la experiencia y qué intervención cambia margen o payback.</p><p>Leer únicamente porcentajes de retención puede premiar una mejora visualmente atractiva que todavía no produce mejor economía.</p><h2>Qué es una cohorte de retención</h2><p>Una cohorte reúne usuarios o clientes según un evento común: alta, primera compra, activación, primera factura o inicio de prueba. Después compara su comportamiento en periodos relativos: mes 0, mes 1, mes 2 y siguientes.</p><p>Elegir el evento es una decisión analítica. Si agrupamos por registro, medimos desde adquisición. Si lo hacemos por activación, excluimos parte del problema de onboarding. Mezclar hitos cambia el significado de la curva.</p><p>También debemos definir qué significa «retenido»: estar activo, comprar, pagar, generar margen o mantener una suscripción. La definición debe representar el modelo de negocio y la decisión.</p><h2>Tiempo calendario frente a edad de cliente</h2><p>Un dashboard mensual tradicional compara enero con febrero. Mezcla clientes nuevos, antiguos y cambios de estacionalidad.</p><p>La cohorte compara el mes 1 de clientes adquiridos en enero con el mes 1 de quienes llegaron en febrero. Así observamos si cambió la calidad o la experiencia para grupos de edad comparable.</p><p>Necesitamos ambas vistas. El calendario explica el resultado operativo total. La edad de cohorte ayuda a identificar mecanismo. Una caída general puede venir de adquirir más clientes jóvenes, no de que cada cohorte se comporte peor.</p><h2>Tipos de retención</h2><h3>Retención clásica</h3><p>Porcentaje de usuarios activos exactamente en el periodo N. Funciona bien con uso frecuente.</p><h3>Rolling retention</h3><p>Porcentaje que vuelve en el periodo N o después. Puede ser más adecuada cuando el uso no tiene una frecuencia fija.</p><h3>Retención de revenue</h3><p>Mide cuánto ingreso o margen permanece. En B2B y suscripción conviene distinguir retención bruta y neta, porque expansión puede ocultar pérdida de cuentas.</p><h3>Supervivencia</h3><p>Estima la probabilidad de que una relación siga activa conforme pasa el tiempo y maneja mejor observaciones todavía incompletas.</p><h3>Recompra</h3><p>En ecommerce o servicios esporádicos, no comprar cada mes no implica churn. Frecuencia, tiempo hasta segunda compra y probabilidad acumulada pueden representar mejor el comportamiento.</p><h2>Un caso: mejora inicial que no resuelve el largo plazo</h2><p>Ejemplo ilustrativo con dos cohortes de 1.000 clientes:</p><p>• Cohorte · Mes 1 · Mes 3 · Mes 6 · CAC<br>• Enero · 55 % · 42 % · 32 % · 100 €<br>• Febrero · 62 % · 47 % · 33 % · 120 €</p><p>Febrero mejora claramente en los primeros meses, pero ambas curvas convergen en el sexto. La intervención parece acelerar activación o valor inicial; no resuelve la causa de abandono a largo plazo.</p><p>Además, el CAC de febrero es un 20 % mayor. Si enero recupera adquisición en el mes 5 y febrero en el 7, celebrar solo la retención temprana sería prematuro.</p><p>La pregunta cambia de «¿retiene mejor?» a «¿el margen adicional y la velocidad de recuperación compensan el mayor coste de captación?».</p><h2>De la curva al margen acumulado</h2><p>Para cada cohorte calcularía:</p><p>• Clientes o cuentas activas.<br>• Ingreso neto.<br>• Margen de contribución.<br>• Coste de servicio.<br>• Margen acumulado.<br>• CAC y payback.<br>• LTV observado y parte todavía estimada.</p><p>Una cohorte puede retener menos usuarios y más revenue si conserva cuentas de mayor valor. Otra puede mantener actividad pero con descuentos o soporte tan alto que su margen empeora.</p><p>El objetivo es conectar comportamiento con economía, no sustituir un vanity metric por otro más sofisticado.</p><h2>Segmentación sin atomización</h2><p>Segmentaría por variables capaces de cambiar una decisión: canal, mercado, producto, plan, propuesta o comportamiento de activación.</p><p>Abrir decenas de cortes crea patrones aleatorios y muestras pequeñas. Cada segmento debería partir de una hipótesis: «los usuarios que completan la acción X durante la primera semana retienen mejor porque alcanzan antes el valor».</p><p>Después comprobaría si la acción es causa, señal de intención o ambas. Forzar a todos a completar el comportamiento de los mejores usuarios no garantiza que se conviertan en ellos.</p><p>También vigilaría cambios de mix. La cohorte de febrero puede parecer mejor porque contiene más clientes de un canal con mayor intención, no porque el producto haya mejorado.</p><h2>Anotar cambios para no inventar causas después</h2><p>El dashboard debe registrar lanzamientos, precios, promociones, incidencias, cambios de canal y estacionalidad. Sin anotaciones, una curva se mueve y el equipo construye una explicación retrospectiva convincente pero no verificable.</p><p>Una anotación no demuestra causalidad. Permite formular hipótesis y decidir qué análisis o experimento necesita la siguiente iteración.</p><h2>Cómo construir un análisis de cohortes útil</h2><p>1. Define la decisión: adquisición, onboarding, retención o monetización.<br>2. Elige el evento de entrada.<br>3. Define actividad, revenue o margen retenido.<br>4. Alinea el horizonte y evita comparar cohortes inmaduras.<br>5. Calcula tamaños y muestra incertidumbre.<br>6. Añade CAC, margen acumulado y payback.<br>7. Segmenta solo por hipótesis accionables.<br>8. Anota cambios de producto, precio y campañas.<br>9. Busca divergencias entre retención temprana y larga.<br>10. Traduce el patrón a una intervención y una validación.</p><h2>Del patrón a la decisión</h2><p>Si una cohorte de Paid Social activa bien y abandona pronto, Marketing puede cambiar promesa o segmentación. Si todos los canales caen en el mismo punto, Producto o Servicio probablemente deben intervenir. Si el churn se concentra después de un aumento de precio, necesitamos entender valor y sensibilidad.</p><p>Las decisiones posibles incluyen:</p><p>• Cambiar mix de captación.<br>• Corregir onboarding.<br>• Acelerar segunda compra o uso recurrente.<br>• Rediseñar packaging o límites de plan.<br>• Intervenir antes de una ventana de abandono.<br>• Dejar de adquirir segmentos con mala contribución.</p><p>La curva no asigna automáticamente el propietario. Muestra dónde se manifiesta un problema sistémico.</p><h2>Errores frecuentes</h2><p>• Agrupar por una fecha que no representa entrada real.<br>• Mezclar definiciones de actividad.<br>• Comparar cohortes con distinta madurez.<br>• Ignorar tamaños pequeños.<br>• Observar usuarios y olvidar revenue o margen.<br>• Abrir segmentos hasta encontrar una historia.<br>• Confundir correlación de comportamiento con causalidad.<br>• No anotar cambios de producto y precio.<br>• Proyectar LTV con una retención todavía no observada.</p><h2>Preguntas frecuentes</h2><h3>¿Qué periodo debo utilizar?</h3><p>El que refleje la frecuencia natural del comportamiento. Diario para productos muy frecuentes, semanal o mensual para otros. Una ventana demasiado corta convierte ausencia normal en churn.</p><h3>¿La retención debe llegar a una meseta?</h3><p>No en todos los negocios. La forma depende de recurrencia, contratos y madurez. Una meseta puede indicar una base estable, pero debe interpretarse con horizonte suficiente.</p><h3>¿Cómo trato cohortes recientes?</h3><p>Se muestran solo hasta la edad observada y se separa dato real de proyección. No deben compararse en periodos que todavía no han alcanzado.</p><h2>Conclusión: la cohorte es una unidad de decisión</h2><p>Las cohortes permiten ver algo que el promedio oculta: quién llegó, bajo qué condiciones y cómo cambia su valor con el tiempo.</p><p>Su uso maduro conecta adquisición, experiencia, retención y margen. El equipo deja de celebrar una celda más verde y pregunta qué mecanismo cambió, cuánto valor económico produjo y si merece escalarse. Ahí el gráfico se convierte en una decisión de negocio.</p><figure id="figure-p4r6sfzoomu8l078h"><img id="p4r6sfzoomu8l078h" src="https://cdn.durable.co/blocks/d7QU7mSoStQScpowsR7oHphLkK9C42u8rPTu5ZWc0KMKmJmaEQRO7wyU9DHAeB5x.png" alt="Curvas de retención conectadas con margen acumulado, CAC y payback" title="Curvas de retención conectadas con margen acumulado, CAC y payback" 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>

Cohortes de retención: del gráfico a la decisión de negocio

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

<figure id="figure-knfmdcat22mu8l1fye"><img id="knfmdcat22mu8l1fye" src="https://cdn.durable.co/blocks/bzZ2kKobt1vwdrSGKgOErJnBAKh39QqO7YHxIiWw3C9rEYawzOaGj72EcLLzlUCp.png" alt="Diferencia entre conversiones atribuidas y ventas incrementales causadas por Marketing" title="Diferencia entre conversiones atribuidas y ventas incrementales causadas por 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" data-mce-src="https://cdn.durable.co/blocks/bzZ2kKobt1vwdrSGKgOErJnBAKh39QqO7YHxIiWw3C9rEYawzOaGj72EcLLzlUCp.png" data-mce-style="aspect-ratio: 16/9; object-position: center center;"></figure><p>La incrementalidad mide cuántas conversiones, ventas o unidades de margen ocurrieron por una intervención y no habrían ocurrido sin ella. La atribución asigna crédito dentro de un recorrido observado; la incrementalidad intenta estimar el contrafactual: qué habría pasado en ausencia de la campaña.</p><p>Ambas son útiles, pero responden preguntas distintas. La atribución ayuda a operar canales. La incrementalidad decide si la inversión crea demanda, desplaza otra fuente o reclama ventas que ya iban a suceder.</p><p>La diferencia puede convertir una campaña aparentemente excelente en una mala asignación de capital sin cambiar una sola conversión registrada.</p><h2>Atribución, causalidad e incrementalidad</h2><h3>Atribución</h3><p>Distribuye crédito entre puntos de contacto según una regla: último clic, primer clic, posición, modelo algorítmico u otra lógica. Describe recorridos observados y facilita optimización táctica.</p><h3>Causalidad</h3><p>Pregunta si modificar una variable produjo un cambio en otra, manteniendo comparables las demás condiciones. Necesita un contrafactual creíble.</p><h3>Incrementalidad</h3><p>Expresa el efecto adicional de la intervención. Puede medirse como diferencia absoluta, lift relativo, clientes adicionales o margen incremental.</p><p>Si un usuario habría comprado de todos modos, atribuirle una conversión a la campaña no la convierte en incremental. La plataforma puede estar técnicamente correcta según su ventana y, al mismo tiempo, no responder a la pregunta económica.</p><h2>El contrafactual: la parte que no podemos observar directamente</h2><p>Para una misma persona no podemos ver simultáneamente qué ocurre con y sin exposición. Construimos el contrafactual mediante un grupo comparable: usuarios, regiones, tiendas o periodos que no reciben la intervención.</p><p>La calidad depende de comparabilidad y ausencia de contaminación. Si el grupo de control recibe impactos por otro dispositivo, si una promoción nacional afecta solo al tratamiento o si las regiones tienen tendencias distintas, la diferencia deja de aislar el efecto.</p><p>La aleatorización es la herramienta más fuerte cuando es viable. Cuando no lo es, utilizamos diseños cuasiexperimentales y más supuestos. Esos supuestos deben formar parte de la comunicación, no esconderse en un anexo.</p><h2>Un ejemplo: 2.600 conversiones atribuidas y 400 incrementales</h2><p>Ejemplo ilustrativo:</p><p>• Población elegible: 100.000 usuarios.<br>• Tratamiento: 80.000, con conversión del 4,0 %.<br>• Control: 20.000, con conversión del 3,5 %.<br>• Inversión: 60.000 euros.<br>• Conversiones atribuidas por la plataforma: 2.600.</p><p>La diferencia absoluta es 0,5 puntos porcentuales. Aplicada a 80.000 usuarios tratados equivale a 400 conversiones incrementales.</p><p>Lift relativo = (4,0 % − 3,5 %) / 3,5 % = 14,3 %</p><p>CPA atribuido = 60.000 / 2.600 = 23 €</p><p>CAC incremental = 60.000 / 400 = 150 €</p><p>Si el margen esperado por cliente es 120 euros, la campaña destruye 30 euros por cliente incremental antes de costes fijos. La atribución sigue siendo útil para operar creatividades y audiencias. No debe utilizarse sola para defender presupuesto.</p><h2>Del lift al resultado económico</h2><p>Un test termina demasiado pronto si solo informa de porcentaje de lift. Traduciría el resultado a:</p><p>• Conversiones o clientes adicionales.<br>• Margen incremental.<br>• CAC incremental.<br>• Payback y caja.<br>• Intervalo de incertidumbre.<br>• Capacidad de escalar el tratamiento.</p><p>Si el intervalo plausible del ejemplo va de 120 a 680 conversiones adicionales, el CAC incremental podría estar entre 88 y 500 euros. Esa amplitud no hace inútil el test; define qué decisión permite.</p><p>Una repetición pequeña o reversible puede justificarse para ganar potencia. Un contrato anual o una gran expansión necesitaría más evidencia.</p><h2>Diseñar un experimento de incrementalidad</h2><p>Antes de empezar fijaría:</p><p>1. Población elegible.<br>2. Unidad de aleatorización.<br>3. Tratamiento y control.<br>4. Métrica primaria.<br>5. Efecto mínimo detectable.<br>6. Tamaño y duración.<br>7. Criterios de exclusión.<br>8. Riesgos de contaminación.<br>9. Guardrails.<br>10. Regla de decisión.</p><p>Revisar cada día y detener cuando aparece significación eleva falsos positivos. Cambiar la métrica después de ver resultados convierte el experimento en una historia. El análisis exploratorio es válido, pero debe etiquetarse como tal y validarse después.</p><p>También comprobaría sample ratio mismatch, pérdida de datos, cambios de exposición y equilibrio inicial. Un cálculo sofisticado no rescata un experimento mal ejecutado.</p><h2>Holdouts de usuario</h2><p>Funcionan cuando podemos asignar usuarios de forma estable y separar exposición de conversión. Son útiles para CRM, campañas identificadas y plataformas con herramientas de lift.</p><p>Sus límites incluyen contaminación entre dispositivos, baja tasa de exposición real y dificultad para medir efectos de marca o spillovers. Debemos distinguir asignación al tratamiento de exposición efectiva.</p><h2>Geoexperimentos</h2><p>Asignan regiones a tratamiento y control. Resultan útiles cuando la exposición no puede aislarse a nivel individual o queremos medir medios offline y efectos agregados.</p><p>Necesitan regiones comparables, suficiente variación, tratamiento intenso y control de interferencias. Promociones, aperturas, stock, clima, competencia y actividad comercial deben registrarse.</p><p>En lugar de elegir regiones solo por tamaño, utilizaría tendencias históricas, composición y estabilidad para construir un contrafactual. El resultado debe incluir sensibilidad a especificaciones alternativas.</p><h2>Tests de apagado y escalado</h2><p>Un holdback mantiene un porcentaje sin campaña. Un test de apagado retira inversión en una zona o audiencia. Un test de escalado aumenta presión para crear señal.</p><p>Apagar puede tener coste comercial y efectos retardados; escalar puede entrar en saturación. La intervención debe ser suficientemente fuerte para detectar efecto, pero limitada para proteger el negocio.</p><h2>Cómo convive incrementalidad con atribución y MMM</h2><p>• La atribución opera el corto plazo.<br>• La incrementalidad calibra causalidad en decisiones concretas.<br>• El MMM integra evidencia agregada y simula presupuesto.</p><p>Los resultados experimentales pueden calibrar priors o rangos de un MMM. El MMM puede señalar canales y mercados donde la incertidumbre económica merece un experimento. Cuando atribución e incrementalidad divergen, no elegiría la cifra más favorable; investigaría qué demanda está capturando el canal.</p><h2>Errores frecuentes</h2><p>• Llamar incremental a toda conversión atribuida.<br>• Diseñar control después de lanzar.<br>• Elegir la métrica al ver resultados.<br>• Ignorar exposición real y contaminación.<br>• Detener el test por significación temprana.<br>• No registrar promociones, stock o actividad comercial.<br>• Comunicar lift sin margen ni CAC incremental.<br>• Tratar un resultado incierto como «sin efecto».<br>• Extrapolar fuera de la población y presión probadas.</p><h2>Preguntas frecuentes</h2><h3>¿Una campaña con muchas ventas atribuidas puede tener poco lift?</h3><p>Sí. Puede concentrarse en usuarios que ya tenían alta intención o capturar demanda generada por otros canales.</p><h3>¿No significación equivale a cero efecto?</h3><p>No. Puede significar que el experimento no tuvo potencia suficiente para distinguir el efecto del ruido. Hay que observar intervalo y efecto mínimo detectable.</p><h3>¿Debo medir todo con experimentos?</h3><p>No. Experimentar tiene coste. Priorizaría decisiones con alto presupuesto, incertidumbre material y posibilidad de construir un contrafactual útil.</p><h2>Conclusión: atribuir ayuda a operar; incrementar ayuda a invertir</h2><p>La atribución responde quién tocó la conversión según una regla. La incrementalidad intenta responder si la inversión cambió lo que habría ocurrido.</p><p>Una organización madura utiliza ambas sin pedirles lo mismo. Opera campañas con velocidad, reserva experimentos para decisiones importantes y traduce el lift a margen, CAC, riesgo y capacidad de escala. Ahí la medición deja de repartir mérito y empieza a asignar capital.</p><figure id="figure-ctv06ze8lmu8l1uqk"><img id="ctv06ze8lmu8l1uqk" src="https://cdn.durable.co/blocks/1e78D5xiKseHsBvBL404BBmCJhDLgSD1RUi5GWJeJesp40Dxg58P3Nl1av5gWxtZ.png" alt="Diseño de experimento con tratamiento, control, lift y traducción a margen incremental" title="Diseño de experimento con tratamiento, control, lift y traducción a margen incremental" 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

Goldratt y la Teoría de las Restricciones aplicada al funnel

Cómo diseñar un dashboard sin vanity metrics

Precio, margen y elasticidad: cuándo un descuento destruy...

Cynefin de Dave Snowden: decidir en Marketing bajo incert...

Cohortes de retención: del gráfico a la decisión de negocio

Incrementalidad: ¿la venta habría ocurrido igualmente?