Jerarquía de Métricas de Analítica de Producto

La Métrica North Star (NSM) es la única métrica que mejor captura el valor central que el producto entrega a los clientes y que, cuando crece, se correlaciona de manera más fiable con el éxito empresarial a largo plazo. Ocupa la cima de la jerarquía de métricas porque todas las demás métricas deben explicar los movimientos en la NSM. Seleccionar la NSM correcta requiere responder: ¿cuál es la acción específica que realizan los clientes que, cuando la hacen con frecuencia y profundidad, significa que están recibiendo el valor completo del producto? Buenos ejemplos de NSM: Slack utiliza "Mensajes Enviados" (cuando los equipos envían mensajes, se están comunicando en Slack en lugar de por correo electrónico, el valor central); Amplitude utiliza "Usuarios que Realizan Consultas Semanalmente" (usuarios que extraen activamente información del producto); Zendesk utiliza "Tickets Resueltos" (la tarea principal de cada equipo de soporte que utiliza la plataforma). Malas NSM: ingresos (un indicador rezagado, no una medida directa de la entrega de valor); usuarios registrados (una métrica de vanidad desvinculada del uso real); o visitas a la página (un proxy que puede crecer por razones equivocadas). La NSM debe ser comprensible para cada persona de la empresa y directamente mejorable por múltiples equipos.

Un árbol de métricas (también llamado árbol de impulsores o árbol de KPI) es un diagrama jerárquico que muestra matemáticamente cómo las métricas operativas de nivel inferior se combinan para producir la métrica North Star. Proceso de construcción: comience con la NSM en la parte superior. Pregunte "¿cuáles son los dos o tres factores que, al multiplicarse o sumarse, producen la NSM?" Estas se convierten en métricas de Nivel 2. Para cada métrica de Nivel 2, haga la misma pregunta: ¿cuáles son los factores que la producen? Estas se convierten en métricas de Nivel 3. Continúe hasta llegar a métricas que equipos específicos pueden influir directamente a través de su trabajo diario. Ejemplo de árbol parcial: NSM = Usuarios Activos Semanales × Funciones Utilizadas por Usuario. Nivel 2a: Usuarios Activos Semanales = Nuevos Usuarios Adquiridos × Tasa de Retención de la Semana 1. Nivel 2b: Funciones Utilizadas por Usuario = Amplitud de Funciones Adoptadas × Profundidad de Uso por Función. Nivel 3a bajo Nuevos Usuarios Adquiridos: Inicios de Prueba × Tasa de Activación de Prueba. Product Ops construye y mantiene este árbol en Notion o una herramienta de BI, y lo utiliza en cada reunión de revisión de producto para explicar qué está impulsando los cambios en la NSM: "La NSM disminuyó un 5% esta semana; el análisis de Nivel 2 muestra que los usuarios activos semanales se mantienen estables, pero las funciones por usuario disminuyeron: el Nivel 3 muestra que la adopción de amplitud disminuyó específicamente para la Función X."

Las métricas de diagnóstico (también llamadas "métricas de salvaguarda" o "métricas de salud") se sitúan por debajo de la NSM en la jerarquía y se investigan cuando la NSM se mueve inesperadamente. El principio: un cambio en la North Star tiene un impulsor específico e identificable que se puede encontrar al recorrer el árbol de métricas. Una investigación de diagnóstico efectiva sigue la estructura del árbol: si la NSM disminuyó, verifique las métricas de Nivel 2: ¿la disminución provino de la rama de recuento de usuarios o de la rama de profundidad de uso? Si el Nivel 2 muestra que el recuento de usuarios es el impulsor, verifique el Nivel 3: ¿la disminución se debe a la adquisición (menos usuarios nuevos) o a la retención (usuarios existentes que abandonan más rápido)? Si la retención es el impulsor, verifique el Nivel 4: ¿la disminución se concentra en un segmento de usuarios específico, un área de producto específica o una cohorte específica de un período de adquisición específico? Para cuando la investigación ha recorrido tres o cuatro niveles, la causa raíz suele ser lo suficientemente específica como para ser accionable: "La retención a 7 días para los usuarios que se registraron a través del lanzamiento de Product Hunt disminuyó del 45% al 28% en comparación con nuestra cohorte estándar; los usuarios de esa campaña tienden a ser equipos más pequeños que alcanzan el límite de funciones del plan gratuito antes de poder activarse por completo." Este hallazgo específico permite una respuesta dirigida, no un esfuerzo de mejora amplio y desenfocado.