Señales de product-market fit: cómo saber si lo que has construido resuelve un problema real antes de invertir en crecer

Qué vas a aprender hoy

En la lección 6 viste cómo conseguir tus primeros usuarios cuando no tenías ninguno. Hoy das el paso siguiente: cómo saber si esos usuarios se quedan porque el producto resuelve algo real, o si solo lo probaron una vez y no van a volver. Vas a salir con dos métodos concretos y medibles para comprobarlo, y con un criterio claro de por qué “tener usuarios” y “tener product-market fit” no son lo mismo.

Conceptos base

Product-market fit (PMF): el grado en que un producto satisface una demanda de mercado real y sostenida. El término lo popularizó Marc Andreessen a mediados de la década de 2000, pero aquí nos vamos a apoyar en definiciones y métodos verificables en fuentes con nombre y fecha, no en la versión más citada pero menos rastreable de la idea.

Preferencia declarada frente a comportamiento revelado: una preferencia declarada es lo que alguien dice que haría (“sí, lo compraría”); un comportamiento revelado es lo que alguien hace de verdad cuando tiene que gastar tiempo, atención o dinero (hacer clic, pagar, volver a usar la app). La preferencia declarada es más barata de conseguir pero mucho menos fiable, porque no cuesta nada decir que sí en una encuesta.

High-Expectation Customer (HXC): dentro de tu base de usuarios, la persona más exigente de tu público objetivo, la que tiene los estándares más altos y por tanto la señal más informativa. Si el producto le convence a ella, probablemente convence a un segmento amplio; si no le convence, el resto de opiniones son menos útiles para decidir qué construir.

Aprendizaje validado (validated learning): en el marco de Eric Ries, la idea de que una startup no avanza acumulando funciones sino generando evidencia empírica, mediante experimentos, sobre si su modelo de negocio funciona. Contrapone esto a las “métricas de vanidad”: números que suben con el tiempo (usuarios registrados totales, descargas acumuladas) pero que no dicen nada sobre si la gente encuentra valor real, porque no distinguen entre quien probó el producto una vez y quien lo sigue usando.

Cohorte: un grupo de usuarios agrupados por el momento en que empezaron a usar el producto (por ejemplo, “los que se registraron en julio”). Analizar cohortes por separado, en vez de mirar el total acumulado de usuarios, es lo que permite ver si la gente se queda o se va, porque el total acumulado solo puede crecer y esconde el abandono.

Desarrollo

Por qué “tener usuarios” no es tener product-market fit

El error más común después de resolver el arranque en frío es confundir la llegada de usuarios con la validación del producto. Puedes conseguir cientos de registros con una buena campaña, un lanzamiento en una comunidad o un golpe de suerte en redes, y aun así no tener nada que la gente necesite de verdad. La señal de que no hay fit no es la ausencia de usuarios: es que los usuarios llegan, prueban, y no vuelven. Por eso los dos métodos de esta lección se centran en algo más difícil de fingir que el número de registros: si la gente que ya probó el producto lo echaría de menos, y si su comportamiento real (no lo que dice) confirma eso.

Método 1: la encuesta del 40% (Sean Ellis)

Sean Ellis, que trabajó en crecimiento en empresas como Dropbox y LogMeIn antes de acuñar el término “growth hacking”, propuso un método concreto y replicable en su blog: preguntar directamente a los usuarios actuales “¿cómo te sentirías si ya no pudieras usar este producto?”, con tres opciones de respuesta: muy decepcionado, algo decepcionado, o no decepcionado (no lo uso tanto). Su regla práctica, recogida por el Martin Trust Center para el Emprendimiento del MIT, es que si al menos el 40% de los encuestados responde “muy decepcionado”, tienes una señal razonable de product-market fit; por debajo de ese umbral, probablemente no lo tienes todavía.

Es importante entender los límites de este método antes de usarlo. Primero, solo funciona con usuarios que ya han usado el producto lo suficiente para tener una opinión formada: no sirve antes de lanzar nada. Segundo, a quién le preguntas importa tanto como qué preguntas. Rahul Vohra, cofundador y CEO de Superhuman (una aplicación de correo electrónico), documentó en el blog oficial de la empresa cómo usó exactamente esta encuesta pero se dio cuenta de que mezclar en el mismo cálculo a usuarios ocasionales y usuarios comprometidos diluía la señal: los primeros nunca iban a estar “muy decepcionados” porque apenas usaban el producto, y arrastraban el porcentaje hacia abajo sin decir nada útil sobre si el producto era bueno para quien sí lo necesitaba.

La solución de Vohra fue segmentar: identificar, dentro del grupo que respondió “muy decepcionado”, qué tipo de persona era (su rol, su contexto de uso) y definir a partir de ahí su “High-Expectation Customer”: para Superhuman era una persona con un rol de responsabilidad que gestiona entre 100 y 200 correos al día y valora la velocidad. A partir de ahí, el equipo dejó de intentar contentar a todo el mundo y se concentró en profundizar lo que ese perfil concreto valoraba. El resultado, según el mismo relato, fue que el porcentaje de “muy decepcionados” pasó del 22% al 58% en tres trimestres, repitiendo el ciclo de encuesta, segmentación y ajuste de producto de forma periódica. La cifra en sí no es replicable para ti (depende de tu producto y tu ejecución), pero el método sí: encuesta, segmenta por perfil, prioriza lo que ese perfil exigente valora, vuelve a medir.

Una nota honesta: esta encuesta mide una intención declarada (“me sentiría decepcionado”), no un comportamiento. Es más barata y rápida de aplicar que rastrear comportamiento real, pero conviene no tratarla como prueba definitiva por sí sola.

Método 2: mirar el comportamiento, no lo que la gente dice

Un artículo de Harvard Business Review de 2022, firmado por Heather Myers y Zasima Razack, plantea una crítica directa a apoyarse solo en lo que la gente declara: los métodos tradicionales de validación (paneles, encuestas, grupos focales) miden lo que la gente cree que haría, y eso se aleja sistemáticamente de lo que hace cuando de verdad tiene que actuar. Su alternativa, que llaman “heat-testing”, consiste en exponer a usuarios reales a un estímulo concreto (en su ejemplo, un anuncio) y medir si actúan: si hacen clic, si dejan sus datos, si completan una acción. La lógica no es exclusiva de la publicidad: se puede aplicar a cualquier producto digital sustituyendo “encuesta de intención” por “medición de una acción real que cuesta algo a quien la hace” (tiempo, un dato de contacto, dinero).

Para un producto digital en fase temprana, esto se traduce en preguntas como: de la gente que llega a tu landing page, ¿qué porcentaje deja su email o reserva una llamada, sin que se lo pidas con presión artificial? De los que empiezan a usar el producto, ¿qué porcentaje vuelve al día siguiente sin que se lo recuerdes con una notificación? Estas son señales de comportamiento revelado, y son más difíciles de inflar artificialmente que una respuesta de encuesta.

La retención por cohortes como tercera señal

Eric Ries, en El método Lean Startup, argumenta que las startups deberían sustituir las métricas de vanidad (usuarios totales acumulados, descargas totales) por lo que llama “contabilidad de la innovación”: medir el comportamiento de cohortes concretas a lo largo del tiempo, no el total acumulado. La razón es sencilla: un total acumulado solo puede subir, así que puede seguir creciendo mientras el producto pierde a casi todos los usuarios que capta, y esa pérdida queda invisible en el número total. Mirar cada cohorte por separado (por ejemplo, qué porcentaje de los que se registraron en tu primera semana siguen activos ocho semanas después, comparado con la cohorte de la semana siguiente) te dice si estás mejorando algo real o simplemente acumulando gente que se va por la puerta de atrás al mismo ritmo que entra por la de delante.

No existe un umbral universal de “buena retención” citable de forma fiable, porque varía radicalmente según el tipo de producto (no es comparable una app que se usa a diario con una que se usa una vez al año), así que cualquier cifra concreta que veas sobre “el porcentaje de retención que indica PMF” fuera de tu propio histórico hay que tratarla con escepticismo.

Un desacuerdo real

Conviene ser transparente sobre algo: no hay consenso sobre cuál de estos métodos es “el correcto”. Quien defiende la encuesta de Ellis valora que da un número único, rápido de obtener y fácil de repetir en el tiempo. Quien defiende medir comportamiento (como el artículo de HBR) argumenta que cualquier medida basada en lo que la gente dice está sesgada por el deseo de complacer o por no querer parecer indiferente. En la práctica, lo más sólido es no depender de una sola señal: la encuesta te da una lectura rápida y con contexto humano (qué tipo de persona respondió y por qué), el comportamiento y la retención por cohortes te dan una prueba más difícil de maquillar. Si las tres apuntan en la misma dirección, la conclusión es mucho más fiable que si te fías de una sola.

Aplicación práctica

Elige el ejercicio según tu situación (10-15 minutos):

Si ya tienes usuarios activos, aunque sean pocos: escribe la pregunta de Sean Ellis tal cual (“¿cómo te sentirías si ya no pudieras usar [tu producto]?”, con las tres opciones de respuesta) y prepárala para enviarla a quienes hayan usado el producto más de una vez. No hace falta que la envíes ya si tu base es muy pequeña para que el porcentaje signifique algo; el ejercicio de hoy es dejarla redactada y decidir a quién se la vas a mandar quien cumpla un mínimo de uso real, no a cualquiera que se haya registrado una vez.

Si todavía no tienes usuarios o tienes muy pocos: diseña, por escrito, un “heat-test” barato. Define una acción concreta que le costaría algo a un desconocido (dejar su email, apuntarse a una lista de espera, reservar una demo) y el canal donde la vas a exponer (un post, un anuncio mínimo, un mensaje directo a diez personas de tu público). El ejercicio no es ejecutarlo hoy entero, es dejar escrita la acción exacta que vas a medir y el umbral que considerarías una señal positiva, antes de lanzarlo.

Errores comunes

Tratar el número de registros o descargas como si fuera la métrica que importa. Es la métrica de vanidad que describe Ries: sube sola con cualquier campaña y no distingue entre quien encontró valor y quien probó una vez y se fue.

Enviar la encuesta de Ellis a toda tu base de usuarios sin segmentar, incluyendo a gente que apenas ha usado el producto. Diluye la señal y puede esconder que sí tienes un núcleo de usuarios muy satisfechos dentro de una base más amplia de usuarios indiferentes.

Buscar una única cifra mágica y dejar de mirar el resto de señales en cuanto la consigues. Un 40% en la encuesta con una retención por cohortes que sigue cayendo a cero no es product-market fit; es una respuesta de encuesta optimista sin comportamiento que la respalde.

Fuentes

1. Martin Trust Center for MIT Entrepreneurship, “What is Product/Market Fit?” (cita el método original de Sean Ellis, “The Startup Pyramid”), MIT Orbit Knowledgebase. https://orbit-kb.mit.edu/hc/en-us/articles/205194123-What-is-Product-Market-Fit
2. Rahul Vohra, “How Superhuman Built an Engine to Find Product Market Fit”, blog oficial de Superhuman, 27 de noviembre de 2018. https://blog.superhuman.com/how-superhuman-built-an-engine-to-find-product-market-fit/
3. Heather Myers y Zasima Razack, “Validating Product-Market Fit in the Real World”, Harvard Business Review, 22 de diciembre de 2022. https://hbr.org/2022/12/validating-product-market-fit-in-the-real-world
4. Eric Ries, The Lean Startup (Crown Business, 2011), ficha oficial de la editorial. https://www.penguinrandomhouse.com/books/210088/the-lean-startup-by-eric-ries/
5. “Eric Ries on ‘The Lean Startup’”, Knowledge at Wharton, Universidad de Pensilvania, 22 de noviembre de 2011 (resumen y contexto de los conceptos de aprendizaje validado y ciclo construir-medir-aprender del libro anterior). https://knowledge.wharton.upenn.edu/article/eric-ries-on-the-lean-startup/

Para la próxima lección

La próxima lección de esta pista trata qué hacer cuando la encuesta y el comportamiento indican que todavía no tienes product-market fit: cómo distinguir si el problema es de ejecución (hay que iterar sobre la misma idea) o de idea (hay que pivotar), y qué significa “pivotar” en la práctica sin tirar todo lo construido hasta ahora.