Si trabajas en producto, te suena el patrón: en una reunión alguien defiende construir X, otra persona prefiere Y, sale a relucir lo que ha pedido un cliente importante y, al final, decide la voz más fuerte, o la del CEO. La intuición está bien para arrancar, pero no escala.
La analítica de producto es lo que rompe esa dinámica. Te dice cómo se usa de verdad tu producto, no cómo crees que se usa. Y a partir de ahí cambia la forma en la que decides.
En este primer artículo del curso vas a entender qué es, en qué se diferencia de la analítica web y de marketing, y por qué hoy es competencia básica de un PM.
Qué es la analítica de producto, en una frase
La analítica de producto consiste en capturar y analizar cómo los usuarios interactúan con un producto digital. Es una definición seca, pero el corazón está ahí: medir lo que el usuario hace, no lo que dice que va a hacer. Cualquier clic, navegación, formulario, descarga o flujo dentro de tu app o tu plataforma puede registrarse y consultarse después.
Una herramienta de analítica de producto es el software que hace ese trabajo: captura los eventos, los almacena y te enseña los patrones de uso en gráficas y tablas. Algunas de las opciones conocidas son Mixpanel, Amplitude, PostHog, Pendo y Heap. Hablamos de ellas a fondo más adelante en el curso, así que por ahora basta con tenerlas localizadas.
Hay un matiz que conviene clavar desde el principio: capturar datos en bruto no aporta valor por sí solo. Una lista interminable de eventos no te dice nada útil. El valor aparece cuando agrupas, comparas, segmentas y haces preguntas concretas con esos datos. La herramienta no piensa por ti.
Las tres formas básicas de mirar el uso de tu producto
Antes de entrar en métricas, frameworks o herramientas, conviene tener clara la base. Casi todo lo que vas a hacer con la analítica de producto cae en una de estas tres miradas. Si las dominas, el resto encaja casi solo.
Tendencias
Una línea de tendencia muestra cómo evoluciona algo a lo largo del tiempo. Cuántos usuarios entran cada semana, cuántas reservas se cierran cada mes, cuántas veces se ejecuta una feature concreta cada día.
Lo entiendes mejor con un ejemplo. Imagina que en tu SaaS B2B existe la funcionalidad «duplicar reserva». Tu equipo la lanzó hace seis meses como atajo para clientes que repiten itinerarios y se ha convertido en una de las acciones más usadas. La instrumentas y la mides cada semana. Durante medio año la gráfica sube despacio pero de forma constante: 800 ejecuciones la primera semana, 1.000 al mes, 1.400 al cuarto, 1.800 al sexto.
Un lunes ves que ha caído un 30% respecto a la semana anterior. La línea de tendencia te lo enseña antes de que entre el primer ticket de soporte. A partir de ahí toca investigar: ¿cambió algo en la última release? ¿hubo un downtime? ¿hemos tocado el copy del botón? ¿ha pasado algo en un cliente grande? Sin esa gráfica te enterarías cuando llegara la queja, y normalmente para entonces ya es tarde.
Las tendencias también sirven para comparar periodos: este trimestre frente al anterior, después de un lanzamiento frente a antes, este enero frente al de hace dos años. Es la herramienta más sencilla de las tres, y a la vez la que más vas a usar.
Funnels o embudos
Un funnel mide cómo avanzan los usuarios por una secuencia de pasos y te dice en cuál se quedan por el camino.
Ejemplo típico de e-commerce: el funnel de checkout. Carrito → introducir dirección → introducir pago → confirmar compra. Si entre «introducir pago» y «confirmar compra» cae el 40% de los usuarios, ya tienes una pista clarísima de dónde mirar. No necesitas entrevistar a nadie para empezar a investigar.
En SaaS, un funnel habitual es el de activación: signup → completar perfil → conectar la primera integración → invitar al primer compañero. Cada paso que pierde gente es un paso que vale la pena pelear, y normalmente el primer paso roto es el que más impacto tiene en la retención. El funnel no te resuelve el problema, pero te dice por dónde empezar a arreglarlo, que ya es mucho.
Paths o flujos de usuario
Un path responde a una pregunta distinta: ¿qué hace el usuario antes o después de pasar por una página o feature concreta? No marcas tú la secuencia, la herramienta te muestra los caminos reales.
Ejemplo: tras completar el signup, ¿adónde va el usuario? Si esperabas que entrara al onboarding pero el 30% se va directamente a la página de precios, eso te cuenta algo del mensaje que están leyendo y de cómo está diseñada tu primera pantalla. Y lo importante es lo que haces después: rediseñar el onboarding, ajustar el copy, mover el énfasis, plantarles una guía in-app antes de que se vayan. Sin el path, ese problema sigue invisible y todos en la empresa creen que el onboarding «funciona bien».
Los paths se usan menos que las tendencias y los funnels, quizá porque parecen menos ordenados. Pero precisamente por eso son útiles: te enseñan caminos que no habías imaginado. Y en producto, muchas veces el aprendizaje está ahí, en lo que el usuario hace cuando no sigue el recorrido que tú habías dibujado.
En qué se diferencia de la analítica web y la de marketing
Es habitual confundir la analítica de producto con otras analíticas porque comparten herramientas, lenguaje y métodos. La diferencia está en qué pregunta responde cada una.
La analítica web se centra en el sitio público. Páginas vistas, fuentes de tráfico, tiempo en página, tasa de rebote. Su pregunta es: ¿cómo funciona mi sitio para atraer y guiar visitas? Google Analytics sigue siendo la referencia.
La analítica de marketing se centra en las campañas y en el embudo de adquisición que pasa antes del producto. CTR, conversión por canal, coste por adquisición, retorno por campaña. Su pregunta es: ¿cómo de bien atraen mis canales y qué inversiones funcionan?
La analítica de producto se centra en lo que pasa dentro del producto, una vez la persona ya entró. Cómo se usa, qué features cogen tracción, dónde se atascan los usuarios, quién vuelve. Su pregunta es: ¿cómo de bien funciona mi producto cuando la gente ya está dentro?
La confusión es comprensible. Durante años el primer reflejo de muchas empresas fue meterlo todo en Google Analytics y dar el tema por cerrado. Y aunque GA4 ha intentado acercarse al mundo del producto, sigue pensado para sitios web y se queda corto cuando lo que mides es una app o un SaaS con muchos eventos por usuario y un modelo de cuentas (no solo visitantes anónimos).
Las tres analíticas no son excluyentes. En una empresa madura conviven y se cruzan: marketing puede atraer mucho tráfico, pero si la activación dentro del producto va mal, los datos del producto te dicen dónde está el problema. Lo importante es saber cuál estás mirando y no confundir métricas de tráfico con métricas de uso. Es una confusión más cara de lo que parece: lleva a optimizar lo que no toca.
Por qué es competencia básica de un PM hoy
Hace diez o quince años, casi nadie medía esto. La razón es histórica: el software vivía instalado en local y era difícil saber qué hacía la gente con él. Los equipos de producto decidían con conversaciones de cliente, demos, feedback de ventas y mucha intuición. La voz más fuerte ganaba.
Con el cambio a productos en la nube y a SaaS, medir lo que hacen los usuarios pasó de imposible a casi gratis. Un evento bien instrumentado cuesta un par de líneas de código. Y eso ha cambiado dos cosas, las dos importantes para tu trabajo:
- Lo que se espera de un PM. Hoy no basta con tener buen criterio: hay que saber leer datos, plantear hipótesis y comprobarlas. Un PM que no sabe responder «¿cuánta gente está usando esta feature?» en su producto está incompleto, igual que estaría incompleto un PM que no hablara con sus clientes.
- Cómo se justifican las decisiones. Cualquier propuesta seria de roadmap se acompaña de datos de uso. Y cualquier responsable que apruebe presupuesto va a preguntar por el ROI medido, no por el «creemos que esto va a funcionar». Si no traes números, traes opiniones, y las opiniones las tiene todo el mundo.
Esto no significa volverse esclavo de los datos. Los datos te dicen qué pasa, no qué hacer. Sigue haciendo falta criterio, conversaciones con clientes y oficio. Pero te dan una capa de verdad que la intuición sola no te da, y te quitan la dependencia de la voz más fuerte de la sala.
Si estás empezando, no necesitas dominar todo el stack analítico para ser útil. Necesitas entender el lenguaje y las tres formas de mirar el uso. El resto del curso baja a cómo se hace en la práctica.
Resumen rápido
- La analítica de producto captura cómo se usa un producto digital y permite consultarlo después.
- Tres formas básicas de mirarlo: tendencias, funnels y paths. Casi todo lo que harás con datos de producto encaja en una de las tres.
- No es lo mismo que la analítica web (sitio público) ni que la analítica de marketing (campañas y adquisición). Las tres conviven y conviene no mezclarlas.
- Hoy es competencia básica de un PM porque el coste de medir bajó muchísimo y las decisiones se exigen con datos.
Siguiente paso
Sabes qué es y por qué importa. En el siguiente artículo abrimos la caja: cómo capturan los datos las herramientas de analítica de producto, qué son los eventos y las propiedades, y por qué importa la diferencia entre tracking sin código e instrumentado.
Cómo funcionan las herramientas de analítica de producto por dentro →
