Lean Analytics: cómo utilizar los datos para crear más rápido una startup mejor es un libro práctico y completo sobre la medición de datos en startups y empresas en crecimiento. Basado en metodologías como desarrollo de clientes, Lean Startup y enfoques ágiles, este libro ofrece herramientas clave para validar ideas de negocio, optimizar productos y acelerar el crecimiento de manera eficiente.
Los autores, Alistair Croll y Benjamin Yoskovitz, proporcionan numerosos ejemplos y casos prácticos, junto con entrevistas a emprendedores, intraemprendedores e inversores, lo que convierte a Lean Analytics en una obra de referencia para comprender y aplicar métricas en el ciclo Construir – Medir – Aprender del Lean Startup.
Uno de los aspectos más valiosos del libro es su enfoque en la definición de métricas efectivas y la clasificación de los tipos más relevantes para cada modelo de negocio. A continuación, presentamos un resumen de estos conceptos clave.
Características de una buena métrica
1. Es comparable
Una métrica efectiva debe permitir comparar datos en distintos períodos de tiempo, entre diferentes grupos de usuarios o frente a la competencia. Esta capacidad de comparación es clave para identificar tendencias y evaluar el impacto de las estrategias implementadas. Por ejemplo, saber que la tasa de conversión ha aumentado un 10% respecto a la semana pasada proporciona información más útil que simplemente conocer que actualmente es del 2%.
2. Es comprensible
Las métricas deben ser claras y fáciles de interpretar para todo el equipo. Si los datos son complejos o ambiguos, será difícil extraer conclusiones y tomar decisiones estratégicas basadas en ellos. Una métrica efectiva debe transmitir información de manera sencilla y accesible, evitando confusión o malentendidos.
3. Es un ratio o un índice
Los ratios y los índices son más valiosos que los valores absolutos, ya que permiten comparaciones significativas y una mejor interpretación de los datos. Estas métricas facilitan la evaluación de relaciones entre diferentes variables y ayudan a entender el equilibrio entre factores clave del negocio. Por ejemplo, conocer el coste de adquisición por cliente (CAC) en relación con el valor del ciclo de vida del cliente (LTV) proporciona una visión más precisa sobre la rentabilidad de una estrategia de captación.
4. Impulsa la acción
Una métrica útil no solo informa, sino que también debe servir como base para la toma de decisiones estratégicas. Si una métrica no permite actuar en consecuencia, no aporta valor real. Por ejemplo, si la tasa de abandono de carrito es alta, esta información debe generar acciones concretas, como mejorar la experiencia de pago o ajustar la estrategia de remarketing para recuperar ventas.
Los cinco tipos de métricas
Los autores clasifican las métricas en los siguientes tipos:
- métricas cualitativas frente a métricas cuantitativas
- métricas de vanidad frente a métricas accionables
- métricas exploratorias frente a métricas informativas
- métricas predictivas frente a métricas históricas
- métricas correlacionadas frente a métricas causales
1. Métricas cualitativas frente a métricas cuantitativas
Las métricas cualitativas son imprecisas, subjetivas y difíciles de medir o cuantificar. Nos permiten conocer el porqué de lo que está sucediendo. Obtenemos información cualitativa escuchando a los usuarios y clientes lo que nos permitirá conocer mejor nuestro mercado de clientes potenciales. Por otro lado, las métricas cuantitativas son más fáciles de entender y cuantificar. Nos proporcionan valores que se pueden medir y calcular. Nos permiten conocer el qué y cuánto de lo que está sucediendo.
2. Métricas de vanidad frente a métricas accionables
Las métricas de vanidad (o egocéntricas) son aquellas que, aunque pueden parecer impresionantes, no aportan información útil para la toma de decisiones. Si una métrica no nos permite actuar para mejorar el negocio, se trata de una métrica vanidosa. Estas métricas solo inflan el ego, pero no ayudan a optimizar estrategias ni a tomar mejores decisiones.
Un ejemplo de métrica de vanidad es el número de usuarios registrados. Aunque esta cifra aumente con el tiempo, no nos dice nada sobre el comportamiento de esos usuarios ni su valor real para el negocio. Muchos pueden haberse registrado una vez y nunca volver a usar la aplicación o el servicio.
Otro caso es el de los usuarios activos totales. Esta cifra también tiende a crecer con el tiempo, salvo que el producto esté fallando gravemente. Sin embargo, no refleja la calidad del engagement de los usuarios ni su lealtad hacia la plataforma.
En cambio, una métrica accionable y relevante es el porcentaje de usuarios activos, ya que mide el grado de compromiso de los usuarios con el producto. Si se introduce una mejora en la plataforma y esta métrica aumenta, indica que la optimización ha sido efectiva.
Otra métrica valiosa es el número de usuarios adquiridos en un período de tiempo concreto. Esto permite analizar el rendimiento de diferentes estrategias de adquisición, como campañas en Facebook Ads, Google Ads o LinkedIn Ads. Comparar estos datos ayuda a identificar qué canal es más efectivo y dónde conviene invertir más recursos publicitarios.
En resumen, para tomar decisiones estratégicas acertadas, es fundamental centrarse en métricas accionables, que permitan medir, analizar y optimizar el rendimiento del negocio en lugar de solo ofrecer cifras llamativas sin impacto real.
Ocho métricas vanidosas:
- número de hits
- número de páginas vistas
- número de visitas
- número de visitantes únicos
- número de seguidores, amigos o me gusta
- tiempo en la página o número de páginas
- número de e-mails registrados
- número de descargas
3. Métricas exploratorias frente a métricas informativas
El experto en analítica web Avinash Kaushik, evangelista de Google, explica la diferencia entre métricas exploratorias e informativas a través de una interesante clasificación inspirada en el ex secretario de Defensa de EE.UU.:
- Cosas que sabemos que sabemos: Son hechos que asumimos como ciertos, pero que deben ser validados con datos para evitar errores o sesgos.
- Cosas que sabemos que no sabemos: Son preguntas claras que podemos responder a través de la medición y los informes. Estas métricas deben establecerse de forma estructurada y automatizarse para facilitar su seguimiento.
- Cosas que no sabemos que sabemos: Son intuiciones o hipótesis implícitas en el negocio que, al ser cuantificadas y analizadas, pueden ayudar a mejorar la efectividad y eficiencia de las decisiones estratégicas.
- Cosas que no sabemos que no sabemos: Representan los descubrimientos inesperados que pueden generar ventajas competitivas. Son las más valiosas a nivel de negocio, ya que pueden revelar oportunidades desconocidas y transformar un mercado.
En este contexto, las métricas informativas nos ayudan a monitorizar el rendimiento y validar hipótesis, mientras que las métricas exploratorias permiten descubrir patrones ocultos, identificar nuevas oportunidades y desarrollar estrategias innovadoras.
4. Métricas predictivas frente a métricas históricas
Las métricas pueden dividirse en predictivas e históricas, cada una con un propósito diferente en la toma de decisiones.
- Métricas predictivas: Ayudan a anticipar futuros resultados. Por ejemplo, el número de clientes potenciales en el embudo de ventas puede indicar cuántos clientes nuevos se esperan en un período determinado. Estas métricas permiten actuar con antelación para optimizar estrategias.
- Métricas históricas: Reflejan lo que ya ha ocurrido. Un ejemplo es la tasa de cancelación (churn rate), que indica cuántos clientes se han perdido en un período de tiempo. Aunque estas métricas pueden revelar problemas, en muchos casos, cuando se detectan ya es demasiado tarde para reaccionar de manera efectiva.
Al comenzar un negocio, es probable que no haya suficientes datos para predecir tendencias con precisión. En esta fase, las métricas históricas sirven como base de referencia para evaluar el rendimiento. A medida que la empresa crece, se pueden emplear análisis más avanzados, como el análisis de cohortes, para comparar el comportamiento de diferentes grupos de clientes en distintos períodos de tiempo y extraer métricas más accionables.
5. Métricas correlacionadas frente a métricas causales
Entender la relación entre métricas es clave para hacer predicciones y tomar decisiones estratégicas. Existen dos tipos principales de relaciones:
- Métricas correlacionadas: Son aquellas que tienden a moverse juntas, lo que permite predecir tendencias. Por ejemplo, si se observa que un aumento en el tráfico web está asociado con mayores conversiones, se puede inferir una correlación entre ambas métricas. Sin embargo, la correlación no implica causalidad, lo que significa que una métrica no necesariamente provoca la otra.
- Métricas causales: Identifican relaciones de causa y efecto. Determinar la causa de un fenómeno es crucial para modificarlo. Sin embargo, rara vez existe una única causa, ya que los resultados suelen depender de múltiples factores.
Para confirmar una relación causal, es fundamental realizar experimentos controlados. Una forma efectiva de hacerlo es aislando variables y midiendo el impacto de los cambios en una métrica dependiente. Si bien las correlaciones son útiles para hacer predicciones, solo al entender la causalidad se pueden tomar decisiones estratégicas basadas en datos reales.
Partes seleccionadas del libro
Frases
- Si no puedes medirlo, no puedes gestionarlo, Peter Drucker
- Una métrica debe estar relacionada con un objetivo de negocio, en caso contrario es una pérdida de tiempo.
- Una start up debe invertir su tiempo en buscar un modelo de negocio escalable y repetitivo, Steve Blank
- Los humanos ponen la inspiración, las maquinas la validación
- La optimización trata de encontrar los valores más bajos o más altos de una función concreta.
- Es el marco el que cambia con cada nueva tecnología y no solo la imagen dentro del marco. Marshall McLuhan.
- El marketing trata de vender más cosas a más personas con más frecuencia por más dinero de manera más eficiente, Sergio Zyman, CMO Coca-Cola.
- Veo demasiados líderes tratando de aumentar la lealtad. Si está en modo de adquisición, probablemente no puedas, y no debas intentar aumentar la lealtad. El cliente promedio solo necesita un par de pares de jeans al año. ¡No puedes obligar al cliente a comprar más! Conocer a tu cliente y el modo es realmente importante”. Kevin Hillstrom, Mine That Data.
- El éxito no es definitivo, el fracaso no es fatal: lo que cuenta es el coraje de continuar, Sir Winston Churchill
Libros mencionados
- The Lean Startup, Eric Ries
- Business Model Generation, Alexander Osterwalder and Yves Pigneur, 2011
- Running Lean, Ash Maurya, 2014
- River out of Eden: A Darwinian View of Life, Richard Dawkins, 2015
- Startup Growth Engines: Case Studies of How Today’s Most Successful Startups Unlock Extraordinary Growth, Sean Ellis, 2014
- The Innovator’s Solution, Clayton M. Christensen and Michael E. Raynor, 2013
- Made to Stick, Dan and Chip Heath, 2007
- Four Steps to the Epiphany, Steven Blank, 2020
- The Rules of Work, Richard Templar, 2015
- Next, Michael Lewis, 2002
- Start-up Nation, Dan Senor and Saul Singer
- Confronting Reality, Larry Bossidy and Ram Charan
- Growing Pains, Eric G. Flamholtz and Yvonne Randle
- High-Tech Ventures, C. Gordon Bell with John E. McNamara
- Don’t Just Roll the Dice, Neil Davidson
- 11 Rules for Creating Value in the Social Era, Nilofer Merchant
- Measuring the Networked Nonprofit: Using Data to Change the World,
- Beth Kanter and Katie Delahaye Paine
- The Righteous Mind, Jonathan Haidt
Conceptos
- Producto mínimo viable o PMV
- Coeficiente de viralidad
- Desarrollo de clientes (de Steve Blank)
- Métrica
- The Lean Canvas
- Growth hacking
- Bootstrapping
- Key performance indicators (KPIs)