Preguntas de entrevista Responsable de crecimiento

El backlog comienza por entender el modelo de crecimiento: ¿cuál es la métrica estrella del norte, cuáles son los inputs que la mueven, y dónde están las mayores caídas en el funnel? Mapeo el funnel desde la conciencia hasta la activación, la retención y los ingresos, luego uso los datos para identificar las etapas con la mayor oportunidad de mejora. Para cada oportunidad genero hipótesis con el equipo, luego las puntúo usando ICE (Impacto, Confianza, Facilidad) o PIE (Potencial, Importancia, Facilidad). El resultado es una lista de experimentos priorizados donde cada elemento tiene una hipótesis clara, una métrica de éxito medible, un efecto mínimo detectable y un tamaño de muestra requerido. Reviso y re-priorizo el backlog cada dos semanas, porque tanto los datos como el contexto del negocio cambian lo suficientemente rápido como para que un backlog estático se vuelva obsoleto.

Un test A/B válido requiere que se decidan cuatro cosas antes de empezar: la métrica principal que se está probando, el efecto mínimo detectable que te importa, el tamaño de muestra requerido basado en la línea base actual y el tamaño de efecto deseado, y la duración del test predeterminada. Uso una calculadora de tamaño de muestra para determinar cuántos usuarios necesito en cada variante para lograr un 80% de potencia estadística a un 95% de nivel de confianza. Nunca detengo un test antes de tiempo basándome en resultados intermedios, debido al problema del "peeking": la significatividad temprana que desaparece cuando alcanzas el tamaño de muestra completo lleva a conclusiones falsas. También verifico los efectos de novedad en tests que implican cambios significativos de UI extendiendo el test lo suficiente para capturar el comportamiento del usuario después de que la sorpresa inicial se disipe.

La activación es el momento en que un nuevo usuario experimenta por primera vez el valor central del producto, y definirla con precisión es una de las cosas más importantes que puede hacer un equipo de crecimiento. Una buena métrica de activación es específica en términos de comportamiento (una acción concreta, no un sentimiento), predictiva de la retención a largo plazo, y alcanzable por una proporción significativa de nuevos usuarios. Para definirla, miro los datos de retención por cohortes: ¿qué acciones tempranas en la primera sesión o primera semana están más fuertemente correlacionadas con los usuarios que aún están activos 30 o 90 días después? Esa acción o secuencia de acciones se convierte en el evento de activación. Una vez que tengo el evento de activación definido, miro el funnel que lleva a él: ¿qué proporción de nuevos usuarios lo alcanza, dónde abandonan los usuarios, y cómo es el tiempo mediano hasta la activación?

El análisis de retención comienza con las curvas de cohortes: miro el porcentaje de usuarios de cada cohorte de adquisición que todavía están activos a los 7, 30, 60 y 90 días. La forma de la curva de retención me dice si tengo un problema de retención y dónde ocurre en el ciclo de vida. Luego segmento las curvas de retención por canal de adquisición, persona de usuario, ruta de onboarding y uso de funcionalidades para identificar qué segmentos retienen bien y cuáles no. El objetivo es entender qué hacen de manera diferente los usuarios retenidos en su primera semana, y luego encontrar formas de conseguir que más nuevos usuarios hagan esas mismas cosas. Las intervenciones habituales incluyen mejoras de onboarding que llevan a los usuarios al evento de activación más rápido, nudges dentro del producto durante los primeros 30 días críticos, campañas de email y push activadas por patrones de uso en lugar de intervalos de tiempo fijos, y funcionalidades que crean hábitos como las rachas o los resúmenes semanales.

Ejecuté un experimento probando un flujo de onboarding simplificado para una app B2C. La hipótesis era que reducir el número de pasos de configuración de siete a tres aumentaría la tasa de activación. El experimento alcanzó significatividad estadística después de tres semanas y no mostró ninguna diferencia significativa en la tasa de activación entre el control y la variante. Antes de declararlo un fracaso, profundicé en los datos. El análisis por segmento reveló algo interesante: los usuarios que se registraron en móvil mostraron una mejora del 12% en la activación con el flujo más corto, mientras que los usuarios de escritorio mostraron una ligera bajada. El resultado nulo estaba ocultando una ganancia significativa en móvil. Hice un seguimiento con un despliegue solo para móvil del flujo más corto, y la activación en móvil mejoró un 9% en la siguiente cohorte.

Quería añadir un programa de referidos a nuestro producto, lo que requería tres semanas de trabajo de ingeniería. El equipo de ingeniería tenía un backlog completo de trabajo de funcionalidades y el programa de referidos no estaba en su hoja de ruta. Preparé un business case que modelaba el impacto esperado: usando datos de productos comparables en nuestra categoría, estimé un k-factor de 0,15, lo que significa que cada 100 usuarios traerían 15 usuarios adicionales por referidos. Al ritmo de crecimiento actual, eso se compondría en unos 800 usuarios adicionales por mes en seis meses. Propuse un enfoque por fases: primero un mecanismo de referidos por email ligero (una semana de trabajo de ingeniería) para probar la hipótesis antes de construir la experiencia in-product completa. El equipo de ingeniería acordó la versión ligera. Generó un k-factor de 0,11, suficiente para justificar la construcción completa.

En una herramienta de colaboración en documentos en la que trabajé, identifiqué un bucle viral infraexplotado. Cuando un usuario compartía un documento con un no usuario, este recibía un email con una vista previa y una invitación a registrarse para editar. La tasa de conversión de ese email a un usuario registrado era del 18%, pero la tasa de activación de esos usuarios era solo del 31%, muy por debajo de nuestra tasa de activación general del 54%. El problema era que el registro desde el email de compartición llevaba al nuevo usuario a un flujo de onboarding genérico en lugar de directamente al documento al que había sido invitado. Rediseñé el redirect post-registro para enviar a los nuevos usuarios directamente al documento invitado, rellenando previamente su perfil desde el contexto de la invitación. La tasa de activación para los registros por invitación subió al 61%, y la retención a 30 días de estos usuarios era 22 puntos porcentuales superior a la media.

Una buena instrumentación comienza con una taxonomía de eventos que se mapea al modelo de crecimiento, no solo a lo que es técnicamente fácil de rastrear. Antes de escribir una sola llamada de tracking, defino los eventos que representan acciones de usuario significativas en cada etapa del funnel: creación de cuenta, primera acción clave, uso de funcionalidades, acciones de compartición, y cualquier evento que sirva como indicador adelantado de retención o ingresos. Uso un esquema de eventos estructurado con convenciones de nomenclatura coherentes. Implemento el tracking del lado del servidor donde sea posible, especialmente para eventos de ingresos y eventos de conversión críticos, porque el tracking del lado del cliente puede ser bloqueado por bloqueadores de anuncios. Para las pruebas A/B, me aseguro de que la asignación de variante se registre como propiedad en los eventos posteriores, para poder segmentar cualquier métrica posterior por variante de experimento sin una unión de atribución separada.

SQL es la herramienta fundamental para el análisis de crecimiento porque me permite hacer preguntas directamente contra los datos de eventos sin esperar a que se construya un panel. Una consulta que escribo con frecuencia es un análisis de retención por cohortes. Empiezo identificando la cohorte: todos los usuarios que completaron su primera sesión en una semana determinada. Luego uno esa cohorte con sus eventos de actividad posteriores para encontrar qué usuarios estaban activos en cada semana siguiente. La estructura de la consulta usa un CTE para definir la cohorte con su fecha de primera actividad, luego un LEFT JOIN a la tabla de eventos para encontrar actividad en períodos posteriores, agrupado por semanas desde la primera actividad. Calculo la retención como el recuento de usuarios activos en la semana N dividido por el tamaño total de la cohorte. También escribo regularmente consultas de funnel: para cada paso del funnel, cuento los usuarios distintos que completaron ese paso, luego calculo las tasas de conversión de paso a paso.

Conectar las métricas de crecimiento con los ingresos requiere dos cosas: un modelo de ingresos que vincule el comportamiento del usuario con la monetización, y la disciplina para rastrear los experimentos contra métricas vinculadas a los ingresos, no solo proxies de engagement. Para un producto de suscripción, rastro la cadena completa desde la tasa de activación hasta la tasa de conversión freemium a pago, el plan inicial seleccionado, los ingresos medios por usuario de pago y la tasa de retención a 12 meses. Una mejora en la tasa de activación solo es valiosa si se convierte en usuarios de pago a una tasa similar o mejor: a veces un experimento mejora la activación atrayendo usuarios menos cualificados que nunca pagan. Construyo un modelo de atribución de ingresos que asigna valor de vida esperado a cada cohorte en la activación basándose en las curvas históricas de conversión y retención, lo que me permite estimar el impacto en los ingresos de un experimento sin esperar 12 meses.