Unos invierten demasiado pronto y se gastan 30.000€ al año en una herramienta que nadie consulta, otros la posponen tres trimestres seguidos y aterrizan en un comité a defender una iniciativa sin datos que no se podían reconstruir hacia atrás.
El detonante para invertir en analítica de producto no es ni el tamaño de la empresa ni el revenue. Es haber empezado a hacer preguntas que tu equipo actual no puede contestar y tener a alguien que va a decidir con esa respuesta.
Una aclaración importante para no caer en una trampa habitual: el tamaño no determina cuándo aparece la necesidad, pero sí cuándo la herramienta empieza a generar suficiente señal para justificar la inversión. El volumen no es detonante de la decisión, pero sí factor de viabilidad.
La pregunta mal planteada ¿la necesitamos?
La pregunta que veo en muchas reuniones es ¿necesitamos una herramienta de product analytics?. Mal planteada, si tienes producto digital con usuarios reales, acabarás necesitando algún tipo de analítica de producto. La cuestión real es cuándo una herramienta dedicada empieza a compensar su coste, frente a seguir cubriendo lo básico con Google Analytics, una hoja de cálculo y alguna consulta SQL a la base de datos.
La pregunta correcta es entonces ¿el coste de seguir un trimestre más con lo que tenemos es mayor que el coste de poner una herramienta dedicada? Casi nunca se contesta porque el coste de seguir como estás es invisible, lo pagas en decisiones tomadas a ciegas, no en una factura.
La asimetría que enmarca todo el resto
Antes de entrar en costes, una cosa que conviene tener clara desde el principio, hay una diferencia fundamental entre la analítica de producto y casi cualquier otra inversión de producto: no puedes recuperar el tiempo perdido.
Si hoy no defines un color de botón, mañana lo cambias, si hoy no escribes un PRD, lo escribes la semana que viene, si hoy no contratas a un diseñador, lo intentas el mes que viene. Pero si hoy no registras un comportamiento, ese dato no aparecerá mágicamente dentro de seis meses cuando alguien lo necesite.
Esta asimetría es la razón por la que el coste de equivocarse no es simétrico, y la que enmarca todo lo que viene a continuación: los dos tipos de coste (demasiado pronto, demasiado tarde) se pagan en monedas distintas, y solo una de las dos monedas es reversible.
El coste de invertir demasiado pronto
Para no caer en la moda de todo equipo serio mide con Amplitude desde el día uno, tres costes reales a tener en cuenta:
- Herramienta vacía: Si todavía no tienes uno o dos objetivos de producto claros (mira artículo 7 y artículo 8), la herramienta se queda con dashboards genéricos que nadie consulta, pagas la licencia y no usas el producto.
- Coste económico desproporcionado para la fase: Una herramienta de product analytics dedicada vale miles de euros al año cuando empiezas a tener volumen. En una empresa con 200 usuarios activos al mes, ese dinero seguramente sea mejor inversión en investigación cualitativa.
- Instrumentación sin contexto se convierte en deuda: Si nadie en el equipo sabe todavía qué eventos importan, terminas trackeando todo «por si acaso», lo hemos visto al inicio del curso. Aunque medir todo, de primeras suena espectacular en nuestras cabezas, es lo contrario, una taxonomía sucia que tendrás que limpiar dentro de un año cuando ya nadie recuerde qué significa cada evento.
El coste de invertir demasiado tarde (y por qué pesa más)
Adelantarse cuesta dinero, llegar tarde cuesta decisiones que no se pueden reconstruir hacia atrás. Cada trimestre que retrasas la inversión es un trimestre de histórico que no existe cuando llegue la pregunta que el equipo necesite responder.
Tres problemas de llegar tarde:
- Decisiones de roadmap basadas en anécdotas: Cada PM defiende su iniciativa con un histórico de tres clientes, el que mejor convence gana, no el que tiene razón.
- Cohortes perdidas para siempre: Si lanzas un cambio de onboarding en marzo y no estabas instrumentando, en septiembre no podrás comparar la cohorte de marzo con la de junio. La pregunta ¿funcionó? no tendrá respuesta.
- Casos de negocio sin foto inicial: Como vimos en el artículo casos de negocio, el caso de negocio bueno tiene una métrica con valor actual y valor esperado, sin instrumentación previa no tienes el valor actual, y no podremos argumentar la apuesta..
Por eso, si tengo que equivocarme por un lado, prefiero equivocarme un poco pronto a equivocarme un poco tarde. El «demasiado pronto» se cura cancelando la licencia, el «demasiado tarde» se cura esperando seis meses a tener histórico, que es el coste que ningún PM quiere pagar dos veces.
Las herramientas suelen tener planes gratuitos, pero ojo, que la herramienta no te cobre una suscripción mensual no significa que sea gratis. El verdadero coste inicial está en las horas de implementación que va a consumirle a tu equipo como vimos en los primeros artículos.
Cinco señales de que ya estás listo
Estas son las cinco señales a cruzar cuando un equipo se pregunta si es su momento, si tienes las cinco, estás listo. Si te faltan dos o más, todavía no.
- Tienes uno o dos objetivos de producto claros con métrica asociada. No «queremos crecer», sino «subir adopción de plantillas Enterprise del 28% al 45% en 90 días» (recuerda: los objetivos no son tareas).
- Has empezado a hacer preguntas que tu equipo actual no puede contestar: ¿Qué hacen los usuarios Enterprise en su primera semana?, ¿Hay un patrón común entre los que cancelan?, ¿La cohorte de marzo retiene mejor que la de junio?. Si esas preguntas se contestan en un día con tu base de datos y Excel, todavía no necesitas herramienta dedicada.
- Hay alguien que va a decidir con esa respuesta: No basta con tener la pregunta, tiene que haber un PM, un fundador o un comité que vaya a actuar sobre la respuesta, si la respuesta no cambia nada, el dato no tiene tampoco valor.
- Tienes volumen suficiente para que los números signifiquen algo: El umbral depende del contexto: en un B2B Enterprise 20 cuentas pueden ser suficientes para detectar patrones, en un producto B2C 50 usuarios mensuales seguramente son ruido. La pregunta no es cuántos usuarios tienes, sino si las cohortes que vas a comparar son lo bastante grandes para distinguir señal de casualidad.
- Tienes a alguien capaz de mantener la herramienta viva: Definir eventos nuevos, mantener la taxonomía, responder a las preguntas. No tiene que ser una persona a tiempo completo, pero sí alguien con tiempo asignado y la responsabilidad adquiridad. Una herramienta sin dueño se llena de eventos huérfanos en seis meses y nadie se atreve a tocarla.
| Señal | Mal indicador | Buen indicador |
|---|---|---|
| Objetivos | «Queremos crecer en Enterprise» | «Subir adopción Enterprise del 28% al 45% en 90 días» |
| Preguntas | «Necesitamos entender mejor al usuario» | «¿Qué hace la cohorte que sí renueva en su primera semana?» |
| Decisión | «Cuando tengamos datos, ya veremos» | «El comité de Q3 decide la inversión en plantillas con esto» |
| Volumen | Cohortes tan pequeñas que el ruido domina | Cohortes donde una diferencia del 10-15% es señal, no casualidad |
| Mantenimiento | «Lo verá quien pueda» | «Marta, 1d/semana en Q3 + revisión mensual en Q4» |
El test del ¿qué pasa si no hacemos nada?
Es el mismo test que vimos en el artículo de casos de negocio aplicado a la decisión de invertir en la herramienta ¿qué pasa si seguimos sin product analytics dedicado durante los próximos 12 meses?
Una respuesta honesta en un SaaS B2B en crecimiento, traducida a consecuencias de negocio: dos lanzamientos sin saber si funcionaron, una renovación Enterprise sin entender por qué se perdió, un caso de negocio defendido con opiniones en lugar de datos y un cambio de pricing decidido sin una foto inicial para medir el impacto.
Eso ya es mucho coste acumulado, y todo invisible, ninguna factura lo registra, nadie lo defiende en el all-hands, pero está ahí, pesando sobre la cuenta de resultados del año que viene.
Si tu respuesta a ¿qué pasa si no hacemos nada? es «nada importante», todavía no estás listo, si tu respuesta empieza por «pues perderíamos…», ya tienes la justificación.
Tres motivos que retrasan la decisión
Los tres argumentos que más veo para posponer la inversión, y por qué los tres son falsos:
Motivo 1: Cuando tengamos más datos lo arreglamos, el razonamiento es, ahora mismo no tenemos suficientes usuarios, mejor esperar. El problema es que lo que no instrumentas hoy no existe en el histórico de mañana. Cuando tengas más datos descubrirás que tienes pocos datos recientes y cero datos del pasado.
Motivo 2: Lo arreglamos con SQL y hojas de cálculo. Cuidado con descartar este hecho demasiado rápido, hay empresas que facturan millones y siguen viviendo de SQL contra el warehouse, y tienen razón al hacerlo. El problema no es SQL, el problema es la dependencia, cada pregunta nueva requiere trabajo manual y depende de personas concretas (un analista, un ingeniero…). Cuando hacer una pregunta cuesta tres días de ida y vuelta con el equipo, producto termina haciendo menos preguntas. La espera mata la cultura analítica antes de que ningún PM se dé cuenta de que ha dejado de analizar.
Motivo 3: Esperemos al año que viene cuando el roadmap esté claro. El roadmap mejora con datos, no al revés, esperar a tener el roadmap claro para medir es esperar a tener buen tiempo para comprar paraguas.
Algora aplicado: por qué este es su momento
Seguimos con el ejemplo ficticio de Algora, hace 18 meses, cuando Algora tenía 400 cuentas y 2 PMs, su setup era Google Analytics + consultas SQL a la base de datos, funcionaba, ningún PM se quejaba.
Hoy, Algora tiene 3.200 cuentas activas, 4 PMs, segmentación clara Free/Pro/Enterprise y un objetivo declarado de Q3: subir adopción de plantillas Enterprise del 28% al 45%.
Cruzamos las cinco señales:
- Objetivos claros con métrica: Sí, adopción de plantillas Enterprise + retención semanal del segmento.
- Preguntas que la forma actual de trabajar no contesta: Sí ¿Cómo se comporta la cohorte que adopta plantillas en sus primeros 30 días frente a la que no? requiere reconstruir un funnel de comportamiento con cohortes a 90 días. Eso ya no cabe en una consulta SQL puntual.
- Alguien que decide con la respuesta: Sí, el comité de Q4 va a decidir el caso de negocio del artículo 19 con esa respuesta.
- Volumen suficiente: Sí, solo el segmento Enterprise mueve más de 600 cuentas activas mensuales. Cohortes de sobra para distinguir señal.
- Alguien que la mantenga: sí. Marta, PM del segmento Enterprise, va a dedicar un día a la semana durante Q3, con revisión mensual a partir de Q4.
Las cinco señales están presentes, la pregunta ya no es si Algora necesita una herramienta de analítica, la pregunta es cuánto tiempo más está la empresa dispuesta a seguir perdiendo histórico.
Resumen rápido
- Tesis: El detonante para invertir no es tamaño ni revenue, sino haber empezado a hacer preguntas que tu setup actual no contesta y tener a alguien que decidirá con esa respuesta.
- La analítica de producto no es retroactiva: Si hoy no registras un comportamiento, mañana no podrás analizarlo. Esa es la razón principal para no retrasar la decisión indefinidamente, y la idea más difícil de revertir si te equivocas.
- El coste del error es asimétrico: Adelantarse se cura cancelando la licencia, llegar tarde se cura esperando seis meses a tener histórico. Si tienes que equivocarte, equivócate un poco pronto, no un poco tarde.
- Cinco señales: Objetivos claros, preguntas que no se contestan con tu equipo actual, alguien que decide con la respuesta, volumen suficiente, alguien que mantiene la herramienta.
- Test del «no hacer nada»: Si seguir 12 meses como estás cuesta cohortes, foto iniciales y casos de negocio, ya estás listo.
- Tres motivos a derribar: Esperar a tener más datos, lo arreglamos con SQL, esperar al roadmap siguiente. Los tres ignoran la asimetría de la analítica.
Siguiente paso
Si has cruzado las cinco señales, entras en la siguiente decisión: qué herramienta elegir. Lo trato en el siguiente artículo, con los criterios concretos para comparar las opciones del mercado sin caer en la comparativa-paja de feature por feature.
Cómo elegir la mejor herramienta de analítica de producto para tu equipo →
