El growth suele enseñarse como una colección de tácticas.
Programa de referidos. Test A/B. Nuevo canal. Mecánica viral. Experimento de precios.
Esta ruta de aprendizaje enseña un modelo diferente: el growth como un sistema de loops, métricas, hipótesis y aprendizaje multifuncional.
Fue creada para operadores que ya entienden de embudos y quieren salir de la optimización local hacia sistemas de efecto compuesto.
Requisitos previos
Debes entender:
- AARRR;
- etapas del embudo;
- activación y retención;
- economía básica de CAC/LTV;
- medición de la tasa de conversión.
Lectura previa recomendada:
- Growth Loops: cómo construir sistemas de crecimiento autorreforzados;
- Go-to-Market guiado por experimentación.
Resultados de aprendizaje
Al final, debes ser capaz de:
- distinguir embudos de loops;
- mapear un loop de crecimiento;
- identificar la velocidad del loop y los eslabones débiles;
- separar optimización de experimentación estratégica;
- escribir hipótesis falsables;
- priorizar por valor de aprendizaje;
- elegir métricas primarias y guardrails;
- interpretar experimentos negativos;
- construir una biblioteca de experimentos;
- conectar el trabajo de growth con resultados de negocio.
Módulo 1 — Pasa del pensamiento de embudo al pensamiento sistémico
Lee Growth Loops.
Los embudos son útiles para diagnosticar la progresión.
Los loops responden a una pregunta diferente:
¿Cómo genera la salida de un ciclo la entrada del siguiente?
Ejemplos:
Loop de referidos
cliente → invitación → nuevo usuario → activación → nueva invitación
Loop de contenido
usuario/creación de contenido → descubrimiento → nuevo usuario → más contenido
Loop de reinversión en medios pagos
inversión → cliente → margen → inversión reinvertida
Loop de marketplace
más oferta → mejor experiencia de demanda → más demanda → más oferta
Ejercicio
Elige un mecanismo de growth.
Define:
- entrada;
- acción;
- salida;
- reinversión;
- conversión en cada eslabón;
- tiempo de ciclo.
Si la salida no alimenta la próxima entrada, tienes un proceso, no un loop.
Módulo 2 — Mide la fuerza y la velocidad del loop
Un loop puede ser débil por dos motivos:
- conversión baja;
- tiempo de ciclo lento.
Supón que dos loops de referidos producen el mismo número de invitaciones exitosas por usuario.
Uno completa un ciclo cada tres días. Otro completa un ciclo cada 30 días.
El primero puede generar efecto compuesto más rápido.
Ejercicio
Para el loop que mapeaste, escribe:
- Entrada → acción — Conversión: · Tiempo:
- Acción → salida — Conversión: · Tiempo:
- Salida → nueva entrada — Conversión: · Tiempo:
Selecciona el eslabón más débil.
Eso se convierte en un problema de growth candidato.
Módulo 3 — Aprende la diferencia entre optimización y experimentación
CXL distingue los experimentos de growth de la optimización y los tests A/B.
Esa distinción importa.
Optimización
Mejorar un sistema existente en el que el problema y el objetivo son relativamente claros.
Ejemplo:
- mejorar la finalización del checkout.
Experimentación
Resolver la incertidumbre en torno a una premisa estratégica.
Ejemplo:
- probar si un segmento diferente tiene una retención materialmente más fuerte.
Tests A/B
Un método para comparación controlada.
Puede dar soporte tanto a la optimización como a la experimentación.
Ejercicio
Toma diez elementos de tu backlog de growth.
Clasifícalos:
- optimización;
- experimento estratégico;
- instrumentación/investigación;
- ejecución.
Muchos equipos descubren que casi todo lo que llaman “experimento” es ejecución.
Módulo 4 — Escribe hipótesis que pueden fallar
Lee Go-to-Market guiado por experimentación.
Una hipótesis útil incluye:
- segmento objetivo;
- intervención;
- comportamiento esperado;
- métrica primaria;
- guardrail;
- horizonte temporal.
Malo:
Mejorar el onboarding.
Mejor:
Para nuevos equipos de autoservicio, mostrar el checklist de configuración inmediatamente después del registro aumentará la proporción que llega al primer proyecto colaborativo en hasta 24 horas, sin reducir la retención de 14 días.
Ejercicio
Escribe tres hipótesis.
Luego, pregúntate:
Si este test es negativo, ¿qué vamos a aprender?
Si la respuesta es “nada”, reescribe la hipótesis.
Módulo 5 — Construye la stack de experimentación
La stack debe conectar:
- evidencias de comportamiento;
- backlog de hipótesis;
- entrega controlada;
- métricas primarias y guardrails;
- análisis;
- implementación;
- almacenamiento de conocimiento.
No compres software de experimentación antes de que el equipo tenga un proceso de hipótesis.
Ejercicio
Haz una auditoría de tu sistema actual.
¿Dónde está cada elemento?
- insight;
- hipótesis;
- diseño;
- implementación;
- resultado;
- decisión;
- aprendizaje.
Identifica dónde se pierde la información.
Módulo 6 — Estudia la experimentación iterativa
Lee TruckersReport: seis tests de CRO que elevaron la conversión de la landing page en 79,3%.
La lección importante no es el resultado histórico de 79,3%.
Es que varias buenas prácticas plausibles perdieron.
El equipo aprendió con cada ronda.
Eso es lo que hace un programa de experimentación de verdad:
`test → aprendizaje → próxima hipótesis`
en vez de:
`test → captura del ganador → olvidar`
Ejercicio
Crea una plantilla de registro de experimento que contenga:
- ID;
- hipótesis;
- evidencia;
- público;
- métrica primaria;
- guardrails;
- resultado;
- interpretación;
- próxima pregunta.
Módulo 7 — Estudia la optimización local vs. global
La finalización del registro de Smartlook mejoró mientras la activación se deterioraba.
Esto ilustra por qué los experimentos necesitan una jerarquía de métricas.
Métrica local primaria
El comportamiento inmediato.
Métrica downstream
La siguiente etapa relevante.
Guardrail
Una medida que protege contra daños.
Para optimización de registro:
- local: finalización de registro;
- downstream: activación;
- guardrail: carga de soporte o retención.
Ejercicio
Para tus tres hipótesis, añade una métrica downstream y un guardrail.
Módulo 8 — Sabe cuándo el problema exige un pivote estratégico
Lee Pangea: cuando un problema de retención forzó un pivote de modelo de negocio.
Algunos problemas no se pueden resolver con optimización de interfaz.
Si la curva de retención es estructuralmente débil, la hipótesis puede necesitar subir un nivel:
- público;
- caso de uso;
- producto;
- precios;
- diseño de marketplace;
- modelo de negocio.
Los operadores de growth necesitan permiso para escalar el problema.
Ejercicio
Para la métrica más débil de tu sistema, escribe hipótesis en tres niveles:
Táctico
- cambiar la ejecución.
Producto
- cambiar la experiencia o la funcionalidad.
Estratégico
- cambiar el segmento, la propuesta de valor o el modelo.
Módulo 9 — Conecta el growth con la North Star y las métricas de entrada
Reforge separa las métricas de resultado de alto nivel de las métricas de entrada que los equipos pueden influir directamente.
Amplitude, de forma similar, recomienda partir del momento de valor para el cliente al definir una North Star Metric y luego validar que predice retención e ingresos.
No uses una única métrica como sustituta del modelo completo de growth.
Ejercicio
Define:
North Star / resultado ¿Qué comportamiento valioso o resultado económico indica un crecimiento saludable?
Entradas ¿Qué comportamientos pueden influir los equipos este mes?
Guardrails ¿Qué no puede deteriorarse?
Esto crea un árbol de métricas.
Proyecto final — Construye un sistema de experimentos de growth
Tu entregable final incluye:
Modelo de growth
- un embudo;
- un loop;
- restricción actual.
Árbol de métricas
- métrica de resultado;
- tres métricas de entrada;
- dos guardrails.
Backlog
Al menos diez hipótesis, puntuadas por:
- impacto;
- incertidumbre/confianza;
- esfuerzo;
- valor de aprendizaje.
Diseño de experimento
Escribe un experimento completo:
- hipótesis;
- público;
- tratamiento;
- métrica primaria;
- guardrails;
- duración;
- regla de decisión.
Loop de conocimiento
Define dónde se almacenan los experimentos concluidos y cómo crean la próxima hipótesis.
Cadencia sugerida
Día 1: loops
Día 2: medición de loops
Día 3: experimentación vs. optimización
Día 4: diseño de hipótesis
Día 5: casos TruckersReport y Smartlook
Día 6: escalada estratégica y Pangea
Día 7: árbol de métricas y sistema final de experimentos
Qué estudiar a continuación
Avanza a Medición & Métricas si tu principal debilidad es la confianza en los datos o en las definiciones de métricas.
Vuelve a Estrategias de Adquisición si la restricción de growth es el volumen de nuevos clientes.
Vuelve a Embudos & Ciclo de Vida si la activación o la retención son débiles.
El objetivo del growth no es ejecutar más tests.
Es crear un sistema que convierte repetidamente incertidumbre en evidencia y evidencia en un comportamiento de efecto compuesto cada vez más fuerte.
Construye un portafolio de experimentación, no solo un backlog
Una lista de experimentos puede estar sesgada hacia lo que es fácil de entregar.
Un portafolio más fuerte equilibra deliberadamente diferentes tipos de incertidumbre.
Experimentos de conversión
Mejorar una jornada existente.
Ejemplos:
- página de precios;
- checkout;
- onboarding.
Experimentos de modelo de growth
Probar cómo una cohorte puede generar la siguiente.
Ejemplos:
- referidos;
- loop de contenido;
- loop de socios.
Experimentos de mercado
Probar premisas estratégicas.
Ejemplos:
- nuevo ICP;
- nuevo caso de uso;
- nueva geografía;
- nuevo canal.
Experimentos de monetización
Probar:
- packaging;
- presentación de precios;
- estructura de trial;
- rutas de upgrade.
Experimentos de medición
Mejorar la confianza en el propio sistema.
Ejemplos:
- validar la definición de activación;
- probar incrementalidad;
- conciliar la atribución.
Ejercicio
Toma los 15 principales elementos de tu backlog.
Marca cada uno por el tipo de experimento.
Si más de dos tercios están en una única categoría, el equipo puede estar optimizando una capa e ignorando incertidumbres mayores en otros lugares.
Revisión de calidad del experimento
Antes del lanzamiento, pregúntate:
- ¿La hipótesis es falsable?
- ¿Hay tráfico u oportunidad de muestra suficiente?
- ¿La métrica primaria está lo suficientemente cerca del valor pretendido?
- ¿Están definidos los guardrails?
- ¿Algún otro cambio simultáneo puede contaminar el resultado?
- ¿Qué decisión cambia si el resultado es positivo?
- ¿Qué decisión cambia si es negativo?
- ¿Vale el aprendizaje el costo de implementación?
Un test sin consecuencia de decisión suele ser un test débil.
Los programas más fuertes optimizan para calidad de decisión, no para la cantidad de experimentos.
