Cómo medir Product-Market Fit sin depender de una sola métrica.
Un método para elegir evidencia según el modelo de negocio, leer retención y demanda, usar bien el test de Sean Ellis y decidir si conviene seguir aprendiendo, profundizar el encaje o empezar a escalar.
- La pregunta correcta
- Definir mercado y comportamiento de valor
- Construir un sistema de evidencia
- Retención, repetición y cohortes
- Cómo usar el Sean Ellis Test
- Qué cambia según el modelo de negocio
- Distinguir falta de fit de otros problemas
- Decidir qué hacer con la evidencia
- Ejemplo aplicado
- Errores frecuentes
- Preguntas frecuentes
- Referencias y bibliografía
La pregunta no es “¿qué métrica confirma PMF?”, sino “¿qué evidencia debería existir si realmente lo tenemos?”.
El Product-Market Fit describe un encaje entre una oferta y un mercado; no es una métrica aislada. Por eso medirlo no significa encontrar un número que lo certifique, sino construir un conjunto de evidencia coherente con la forma en que ese negocio crea y captura valor.
En una suscripción, que los clientes adecuados renueven puede ser central. En ecommerce, quizá importe la recompra dentro de una ventana razonable. En un marketplace hay que observar los dos lados. En un servicio B2B de compra infrecuente, la renovación mensual puede no tener ningún sentido y habrá que mirar adopción, continuidad contractual, expansión, referencias o repetición cuando exista una nueva necesidad.
Una señal es útil si representa valor real para el cliente y puede sostenerse dentro del modelo de negocio. Elegir métricas antes de definir esas dos cosas invita a declarar fit porque un dashboard se ve bien.
Definí primero para quién existe el fit y qué comportamiento expresa valor.
Medir PMF sobre “todos los usuarios” puede borrar justamente la señal que se busca. El encaje puede ser fuerte en un segmento concreto y débil fuera de él. Rahul Vohra mostró esta lógica en el proceso de Superhuman: segmentar a quienes más valoraban el producto permitió identificar qué perfil compartían y qué beneficio central los volvía especialmente dependientes de la solución.
¿Quién debería obtener valor?
Segmento, caso de uso, necesidad, contexto y alternativa actual. “Usuarios registrados” rara vez es una definición suficiente.
¿Qué conducta demuestra que lo obtuvo?
Uso relevante, renovación, recompra, pago, expansión, finalización de una tarea o cualquier evento que corresponda al producto.
También conviene distinguir activación de retención. Si una persona nunca llegó al momento en que el producto entrega su beneficio central, su abandono puede revelar una fricción de onboarding, adquisición mal segmentada o una propuesta poco clara. Si llega al valor y aun así no vuelve cuando debería, la hipótesis de fit queda mucho más comprometida.
03 — EvidenciaConstruí un sistema de señales que puedan contradecirse entre sí.
La evidencia más útil combina comportamientos, economía y aprendizaje cualitativo. Si todas las señales provienen de la misma fuente, es fácil confundir un artefacto de medición con una realidad del mercado.
La gente vuelve o repite
Retención, renovación, recompra, recurrencia de uso, expansión de cuentas o repetición de la acción que expresa valor.
Existe intención real de obtenerlo
Adopción, inbound, recomendación, referencias, espera, solicitudes de acceso o menor necesidad de empujar cada venta.
La relación puede sostenerse
Pago, disposición a renovar, expansión y una estructura económica que no convierte el crecimiento en destrucción de valor.
Entendemos qué valor se perdería
Entrevistas, motivos de uso, alternativas, beneficio central, fricciones y razones concretas por las que el cliente se quedaría o se iría.
Las cuatro capas no necesitan ser extraordinarias al mismo tiempo. Sirven para preguntar si cuentan una historia compatible. Una encuesta entusiasta con abandono fuerte es una contradicción. Buena retención en un grupo diminuto que no puede ampliarse puede indicar un nicho valioso, pero todavía no responde por sí sola qué tamaño de oportunidad existe.
04 — ComportamientoLeé la retención dentro de cohortes y dentro de la frecuencia natural del producto.
La retención suele ser una señal especialmente difícil de maquillar: muestra si una relación que ya comenzó sigue existiendo. Pero tampoco puede interpretarse sin contexto. Un producto usado diariamente y uno comprado dos veces al año no deberían compartir la misma ventana.
Para productos digitales o de suscripción, el análisis de retención por cohortes ayuda a separar usuarios que comenzaron en períodos diferentes y observar si la continuidad mejora, empeora o encuentra un piso. Lo importante no es copiar una tasa de otra empresa, sino definir qué comportamiento sería coherente con valor sostenido en esta categoría.
| Pregunta | Qué mirar | Qué evitar |
|---|---|---|
| ¿Vuelven? | Cohortes, renovación, recompra o recurrencia relevante. | Usuarios acumulados o descargas históricas. |
| ¿Vuelven los adecuados? | Retención por segmento, caso de uso, canal o plan. | Promedios que mezclan perfiles incompatibles. |
| ¿El patrón mejora? | Cohortes posteriores después de cambios importantes. | Celebrar un promedio sin observar tendencia. |
| ¿La continuidad expresa valor? | Uso o relación que realmente corresponde al beneficio buscado. | Actividad superficial que no completa el trabajo central. |
Usá el 40% como benchmark histórico, no como certificado.
El Sean Ellis Test pregunta cómo se sentiría una persona si ya no pudiera usar el producto. La señal más observada es el porcentaje que responde “muy decepcionado”. Ellis encontró, al comparar numerosas startups, que las empresas con fuerte tracción tendían a superar aproximadamente el 40%.
≈ 40% “muy decepcionado” = benchmark útil para una encuesta específica. No significa “40% = PMF”, no reemplaza retención y no convierte cualquier muestra en evidencia concluyente.
Vohra volvió el test más accionable al no quedarse con el score general. Su proceso identifica el perfil de quienes más extrañarían el producto, el beneficio que valoran y las fricciones que impiden que usuarios cercanos a ese perfil obtengan el mismo valor. Ahí está buena parte de la utilidad: segmentar y aprender qué reforzar, no solamente alcanzar un número.
¿A quién conviene encuestar?
A personas que hayan experimentado suficientemente el beneficio central como para juzgar qué perderían. Encuestar registros que nunca activaron, usuarios de una prueba que apenas entraron o perfiles fuera del mercado objetivo puede diluir la señal y llevar a conclusiones extrañas.
¿Cuántas respuestas hacen falta?
No existe un mínimo universal que convierta la encuesta en “significativa”. La precisión depende del tamaño de muestra, de la proporción observada, del universo, de la segmentación y de la incertidumbre que se pueda aceptar. Con pocos casos puede haber aprendizaje cualitativo útil; lo que no corresponde es presentar ese resultado como una prueba estadística definitiva.
06 — Modelo de negocioLa evidencia de PMF cambia cuando cambia la forma de crear valor.
| Modelo | Señales especialmente útiles | Advertencia |
|---|---|---|
| SaaS / suscripción | Activación, uso del valor central, cohortes, renovación, expansión, churn. | MRR nuevo puede esconder una base que se pierde rápido. |
| Ecommerce / consumo | Recompra dentro del ciclo natural, frecuencia, margen, referencias, penetración en el segmento. | No todas las categorías deberían generar compra mensual. |
| Marketplace | Retención de oferta y demanda, liquidez, repetición, tiempo hasta match, calidad de transacción. | Un lado puede crecer mientras el otro deteriora la experiencia. |
| B2B / servicio | Adopción real, renovación contractual, expansión, referencias, resultados obtenidos, repetición cuando corresponde. | Ciclos largos requieren ventanas y muestras distintas a una app de consumo. |
| Producto gratuito / media | Frecuencia y profundidad de uso, retorno, creación o consumo relevante, recomendación, monetización compatible. | Volumen de tráfico puede existir sin hábito ni economía sostenible. |
Esta adaptación evita convertir PMF en una checklist de SaaS aplicada a cualquier categoría. El fenómeno es el mismo; las observaciones que lo vuelven visible no.
07 — DiagnósticoNo atribuyas automáticamente todo problema de crecimiento a falta de fit.
Un producto puede entregar valor a quienes llegan correctamente y, aun así, tener problemas de distribución, mensaje, onboarding, pricing o capacidad operativa. También puede ocurrir lo contrario: una campaña excepcional puede generar miles de usuarios para un producto que después no retiene.
Mucho tráfico, poca activación
Revisá targeting, promesa, onboarding, fricción inicial y si el visitante correcto entiende el valor.
Buena activación, mala continuidad
La experiencia inicial funciona, pero el valor puede no ser suficientemente profundo o repetible.
Retención fuerte en un subgrupo
Puede existir un encaje más estrecho. Investigá qué tienen en común antes de expandir el mercado.
Clientes felices, economía inviable
Hay valor percibido, pero todavía falta resolver captura de valor, costos, pricing o modelo.
El MVP puede ayudar a aprender antes de invertir más, pero lanzar uno no prueba PMF. Del mismo modo, una propuesta de valor clara expresa una hipótesis de beneficio; el comportamiento del mercado determina si esa hipótesis se sostiene.
08 — DecisiónConvertí la evidencia en una decisión de aprendizaje o escala.
No hace falta convertir PMF en una falsa variable binaria para decidir. Una lectura operativa puede ordenar la evidencia en tres estados provisionales. No son estándares universales; son una forma de hacer explícita la incertidumbre del equipo.
Seguir aprendiendo
La retención o repetición no aparece, el valor central no está claro o la demanda depende casi por completo del empuje. Reducí inversión de escala y volvé a problema, segmento y producto.
Profundizar el encaje
Hay un segmento, conducta o beneficio prometedor, pero todavía conviven contradicciones. Concentrá producto e investigación donde la señal es más fuerte.
Escalar de forma controlada
Valor, continuidad, demanda y economía convergen en el mercado relevante. Aumentá distribución mientras verificás que las cohortes y la calidad no se deterioren.
Escalar no debería ser el premio por alcanzar una cifra. Es una decisión de inversión que se vuelve razonable cuando varias fuentes independientes de evidencia empiezan a contar la misma historia.
Ejemplo: una herramienta de presupuestos para estudios de arquitectura.
Supongamos que una herramienta consigue 2.000 registros en tres meses. Mirar solamente esa cifra podría sugerir tracción. El equipo define entonces su segmento prioritario: estudios de entre tres y quince personas que todavía preparan presupuestos con planillas.
La activación relevante no es “crear una cuenta”, sino importar una plantilla y generar el primer presupuesto completo. Al separar cohortes aparece algo interesante: quienes alcanzan ese evento en el primer día mantienen un uso mensual mucho más estable que quienes no importan sus datos. Las entrevistas muestran además que el beneficio más valorado no es “tener más funciones”, sino reducir el tiempo de preparación y evitar errores de versiones.
El Sean Ellis Test aplicado únicamente a usuarios que completaron varios presupuestos muestra una dependencia alta, mientras el score cae al mezclar a todos los registrados. La conclusión correcta no sería declarar que “la empresa tiene PMF” sin matices. Sería más específica: existe evidencia fuerte de encaje en estudios pequeños que migran su flujo existente y llegan rápidamente al primer presupuesto terminado.
La decisión puede ser concentrar onboarding, mensaje y producto en ese segmento antes de ampliar adquisición. La medición produjo foco, no un trofeo.
10 — Errores frecuentesErrores que fabrican una sensación falsa de Product-Market Fit.
Tratar PMF como una métrica
Retención, NPS, crecimiento o el Sean Ellis Test son señales posibles. Ninguna reemplaza por sí sola la relación entre producto y mercado.
Convertir el 40% en una ley
Es un benchmark histórico para una pregunta y una población determinadas, no un umbral científico universal.
Inventar un mínimo universal de usuarios
No existe una cantidad fija que vuelva concluyente cualquier medición. Muestra, segmentación, frecuencia del evento y diseño importan.
Medir sobre usuarios que nunca experimentaron valor
Su respuesta puede hablar más de adquisición o activación que de la dependencia respecto del producto.
Celebrar crecimiento sin mirar continuidad
Distribución, promociones o viralidad pueden producir volumen que desaparece cuando se corta el empuje.
Mezclar segmentos
Un promedio puede ocultar un encaje muy fuerte en un grupo y prácticamente nulo en otro.
Copiar benchmarks de otra categoría
La frecuencia natural de uso, renovación o compra cambia radicalmente entre modelos.
Escalar apenas aparece una señal positiva
La inversión adicional debería comprobar si el patrón se sostiene, no asumir que ya quedó resuelto.
Preguntas frecuentes sobre cómo medir Product-Market Fit.
¿Cómo se mide Product-Market Fit?
No existe una métrica universal. Combiná señales conductuales y económicas compatibles con el modelo —retención, repetición, renovación, uso, pago o expansión— con demanda y evidencia cualitativa. El test de Sean Ellis puede sumar una señal, pero no sustituye esa triangulación.
¿Qué porcentaje confirma Product-Market Fit?
Ninguno de forma universal. El 40% del Sean Ellis Test es un benchmark histórico sobre usuarios que responderían “muy decepcionados” si perdieran el producto. Es una señal útil, no una certificación válida para todos los modelos.
¿Cuántos usuarios se necesitan para medir Product-Market Fit?
No hay un mínimo universal. La utilidad depende del tamaño y composición de la muestra, del comportamiento observado y de la incertidumbre aceptable. Con pocos casos puede haber aprendizaje; no corresponde presentarlo como prueba concluyente.
¿La retención demuestra Product-Market Fit?
Es una señal central cuando continuar usando, comprando o renovando expresa valor, pero no lo demuestra por sí sola. Debe interpretarse según categoría, segmento, frecuencia natural y economía.
¿Se puede tener crecimiento sin Product-Market Fit?
Sí. Distribución, promociones, inversión o viralidad pueden producir adquisición con retención débil. Michael Seibel documentó incluso casos con enorme crecimiento que no consideraba Product-Market Fit por falta de retención y de un motor repetible.
¿Cuándo conviene empezar a escalar?
Cuando convergen señales suficientemente fuertes y estables en el segmento relevante: valor real, comportamiento repetible, continuidad compatible con la categoría, demanda sostenible y una economía que no se deteriora al crecer. La escala debería ser gradual y seguir validando esas señales.
Referencias y bibliografía.
Andreessen, M. (2007). The only thing that matters. Definición clásica de Product-Market Fit, preservada y citada por Andrew Chen.
Ellis, S. Product-Market Fit Survey. Benchmark histórico del porcentaje de usuarios que responderían “muy decepcionados” si ya no pudieran usar el producto.
Vohra, R. (2018). How Superhuman Built an Engine to Find Product/Market Fit. First Round Review.
Seibel, M. (2016). The Real Product Market Fit. Y Combinator.
Seibel, M. (2018). Michael Seibel on Starting a Startup, Finding Product Market Fit, and Fundraising. Y Combinator.
Ries, E. (2011). The Lean Startup. Crown Business.
Para seguir