Coeficiente viral (K):
cómo medirlo y cómo mejorarlo.
K no es un número mágico — es una ecuación con variables que podés controlar. Entender cómo medir, descomponer y optimizar el coeficiente viral es la diferencia entre esperar crecimiento y diseñarlo.
- Qué es el coeficiente viral
- La fórmula extendida: K, cycle time y usuarios totales
- Simulación: cómo distintos valores de K se componen
- Cómo medir K en la práctica
- Las palancas de optimización
- K por cohorte: la métrica que revela la verdad
- Errores frecuentes
- Cómo usar K para diagnosticar tu motor de crecimiento
- Preguntas frecuentes
- Referencias y bibliografía
Qué es el coeficiente viral.
El coeficiente viral (K) mide cuántos nuevos usuarios genera cada usuario existente en un ciclo completo de un growth loop. Es la métrica fundamental de cualquier viral loop y de los programas de referidos. Un K de 1 significa que cada usuario trae exactamente uno nuevo — crecimiento lineal sostenido. Un K mayor a 1 produce crecimiento exponencial. Un K menor a 1 amplifica la adquisición pero no la sostiene sola.
David Skok formalizó el concepto para el ecosistema de startups en su serie de ensayos en For Entrepreneurs. Pero la idea tiene raíces en epidemiología: el número básico de reproducción (R₀) mide cuántas personas contagia cada infectado. K funciona igual — cada “usuario infectado” por el producto genera nuevos “contagios”. La analogía no es casual: Andrew Chen, en The Cold Start Problem (cap. 8), argumenta que los equipos de growth pueden aprender más de los epidemiólogos que de los marketers tradicionales, porque la dinámica de difusión es fundamentalmente la misma.
02 — Fórmula extendidaLa fórmula extendida: K, cycle time y usuarios totales.
La fórmula básica K = i × c (introducida en el spoke de viral loops) solo cuenta la mitad de la historia. Para modelar el impacto real en el crecimiento, necesitás tres fórmulas complementarias.
i = invitaciones promedio por usuario. c = tasa de conversión de invitados (% que se convierte en usuario).
N = cohorte inicial (usuarios adquiridos por paid u orgánico). Esta fórmula muestra el efecto multiplicador del loop cuando K no alcanza 1.
t = tiempo total. ct = cycle time (duración de una vuelta completa). La velocidad determina cuán rápido se compone el efecto.
La tercera fórmula es la que la mayoría de los equipos ignora — y es donde está la mayor palanca. Chen lo demuestra con el caso de Uber vs. Lyft: ambos tenían coeficientes virales similares, pero Uber tenía un cycle time más corto porque la experiencia de invitación estaba embebida en el flujo de fin de viaje. Esa diferencia en cycle time, compuesta durante meses, generó una brecha de crecimiento enorme. La lección conecta con la experimentación: cada día que reducís del cycle time tiene un impacto compuesto que se amplifica con el tiempo.
03 — SimulaciónCómo distintos valores de K se componen.
Los números abstractos cobran sentido cuando ves cómo se comportan en ciclos sucesivos. Esta simulación parte de 100 usuarios iniciales y muestra cuántos usuarios totales genera cada valor de K después de 5 ciclos.
| K | Ciclo 1 | Ciclo 2 | Ciclo 3 | Ciclo 4 | Ciclo 5 | Total | CAC efect. |
|---|---|---|---|---|---|---|---|
| 0.2 | +20 | +4 | +1 | +0 | +0 | 125 | —20% |
| 0.5 | +50 | +25 | +13 | +6 | +3 | 197 | —49% |
| 0.8 | +80 | +64 | +51 | +41 | +33 | 369 | —73% |
| 1.0 | +100 | +100 | +100 | +100 | +100 | 600 | —83% |
| 1.3 | +130 | +169 | +220 | +286 | +371 | 1.276 | —92% |
CAC efectivo = reducción respecto al CAC pagado puro. Con K = 0.5, por cada $100 invertidos en paid, obtenés casi el doble de usuarios.
Lo que la tabla hace visible: K = 0.5 no es un fracaso — es un canal que reduce el CAC a la mitad. La obsesión con K > 1 como único indicador de éxito es un error conceptual que Balfour (Reforge) señala repetidamente. La pregunta correcta no es “¿mi K es mayor a 1?” sino “¿cuánto valor adicional genera mi loop por cada dólar invertido en adquisición?”. Eso depende de K y del LTV de los usuarios que trae.
He visto equipos descartar un loop con K = 0.4 porque “no era viral”. Pero un K de 0.4 en un negocio con LTV de $3.000 genera $1.200 de valor adicional por cada cliente adquirido — gratis. Descartaron un canal que habría sido su segundo mayor generador de revenue después del producto mismo.
Lisandro IserteCómo medir K en la práctica.
La fórmula es simple. La medición real no lo es. Kohavi, Tang y Xu, en Trustworthy Online Controlled Experiments, advierten que las métricas de crecimiento viral son especialmente susceptibles a errores de medición porque involucran cadenas de atribución múltiples. Medir K correctamente requiere tres condiciones.
1. Tracking de extremo a extremo
Cada invitación necesita un identificador único que conecte al referidor con el invitado y con la conversión posterior. Sin ese tracking, no podés calcular ni “i” (invitaciones reales enviadas, no solo generadas) ni “c” (conversiones atribuibles a invitaciones específicas). Los links únicos con UTMs dedicados son el mínimo; la atribución ideal usa server-side tracking para evitar que bloqueadores de ads o cambios de dispositivo rompan la cadena.
2. Ventana de medición definida
¿Cuánto tiempo después de la invitación contás una conversión? Si la ventana de atribución es de 7 días y el invitado se registra el día 8, no se cuenta. Si la ventana es de 90 días, inflarás K porque incluirás conversiones que probablemente vinieron de otros canales. La ventana óptima se calibra con datos: mirá la distribución temporal de conversiones post-invitación y elegí el punto donde el 80% de las conversiones ya ocurrieron.
3. Separación de fuentes
No todo usuario que llega por un link de invitación fue “viralizado”. Algunos ya conocían el producto y usaron el link del amigo para obtener el incentivo. La medición rigurosa de K descuenta estos “falsos virales” usando grupos de control: ¿cuál es la tasa de registro de personas que recibieron invitación vs. personas similares que no la recibieron? La diferencia es el efecto viral real — el resto es atribución inflada.
05 — PalancasLas palancas de optimización de K.
Sean Ellis, en Hacking Growth (cap. 5), propone un framework de experimentación de alta velocidad para optimizar cada variable. Las palancas de K se trabajan en orden de impacto esperado, no todas al mismo tiempo.
Aumentar i: más invitaciones por usuario
La variable “i” se optimiza trabajando tres factores: el momento del ask (desarrollado en el spoke de referidos), la fricción del mecanismo (cuántos clics necesita el usuario para invitar) y los canales de invitación disponibles (email, WhatsApp, link directo, redes). Cada canal tiene una tasa de conversión distinta: las invitaciones por WhatsApp convierten 3x a 5x más que las invitaciones por email porque el canal es personal y la tasa de apertura es casi del 100%. Pero no todos los productos pueden usar WhatsApp — depende del buyer persona y del contexto de uso.
Aumentar c: más conversión de invitados
La variable “c” se optimiza con la experiencia del invitado: la landing de invitación (¿comunica claramente la propuesta de valor?), la prueba social (¿el invitado ve quién lo invitó y por qué?) y el onboarding (¿llega rápido al valor?). El A/B testing del flujo de invitación tiene un ROI desproporcionado porque cada mejora porcentual en c se multiplica por el volumen de invitaciones. Un aumento del 10% en c tiene el mismo efecto en K que un aumento del 10% en i — pero suele ser más fácil de lograr.
Reducir cycle time: más composición por período
Como vimos en la fórmula de velocidad viral, el cycle time es un multiplicador exponencial. Se reduce eliminando fricción entre la acción del usuario y la exposición del invitado: contactos precargados, invitación con un tap, acceso instantáneo para el invitado sin registro largo. Cada paso eliminado del flujo comprime el cycle time. La conexión con la experiencia de entrega es directa: un onboarding lento no solo reduce c — alarga ct, y el daño se compone.
06 — K por cohorteK por cohorte: la métrica que revela la verdad.
Un K promedio es una métrica peligrosa. Sharp, en How Brands Grow, insiste en que los promedios esconden distribuciones que importan. En el contexto del coeficiente viral, el promedio puede esconder una degradación progresiva que no detectas hasta que el loop muere.
El mecanismo de degradación es predecible: las primeras cohortes están compuestas por early adopters con alta propensidad a compartir. Son entusiastas, tienen redes densas de contactos receptivos y su motivación es genuina. A medida que el producto penetra en segmentos menos entusiastas, K baja naturalmente. Si solo mirás el K promedio acumulado, no veés esta caída hasta que es demasiado tarde.
La solución es medir K por cohorte: ¿cuál es el K de los usuarios que se registraron en enero vs. marzo vs. junio? Si K baja de 0.8 a 0.5 a 0.3 en cohortes sucesivas, tenés un problema de saturación de red que ningún ajuste de incentivo va a resolver. Necesitás expandir a un nuevo segmento con su propia densidad de red, o aceptar que el loop tiene un techo natural y complementar con otros canales. La analítica por cohorte es la única forma de distinguir entre un loop que se estabiliza y uno que se degrada.
Esto conecta con una realidad estratégica que Rumelt describe en Good Strategy Bad Strategy: diagnosticar la dinámica real de tu ventaja es más importante que celebrar la métrica promedio. El diagnóstico estratégico del motor de crecimiento debe incluir la tendencia de K por cohorte, no solo el valor actual. Un K de 0.7 estable es más valioso que un K de 1.2 que baja 0.1 cada mes.
07 — Errores frecuentesErrores frecuentes al trabajar con el coeficiente viral.
Medir K sin controlar por canales de atribución
Si un usuario llega por búsqueda orgánica pero usa el link de referido de un amigo para obtener el descuento, no es un referido real — es un usuario orgánico con incentivo. Contar esto como viral infla K artificialmente. La atribución limpia es prerequisito de toda optimización — si los datos de entrada están sucios, toda optimización posterior está construida sobre arena.
Optimizar K a costa de la calidad del usuario
Subís el incentivo de $5 a $20 y K sube de 0.5 a 0.9. Éxito, ¿no? No necesariamente. Si los usuarios que atrajo el incentivo más alto tienen un churn del 70% en el primer mes, estás pagando más por usuarios que valen menos. El K “real” debería ser K ponderado por retención: K × tasa de retención a 90 días del invitado. Esto conecta directamente con los unit economics: el K que importa es el que genera LTV positivo, no el que genera registros.
Tratar K como métrica estática
K no es un número fijo — es una variable que cambia con la madurez del mercado, la saturación de la red, la competencia y la fatiga del mecanismo de invitación. Un K que fue 1.2 en el launch puede ser 0.4 un año después. El dashboard de crecimiento debe mostrar K como una serie temporal por cohorte, no como un número en un cuadro.
Comparar K entre negocios sin ajustar por cycle time
“Nuestro K es 0.6 y el de ellos es 0.9, estamos perdiendo” — no necesariamente. Si tu cycle time es 3 días y el de ellos es 20, tu loop gira 6x más rápido. En 60 días, tu 0.6 con ct = 3 genera más usuarios que su 0.9 con ct = 20. La métrica de comparación correcta es la velocidad viral (V = K^(t/ct)), no K aislado.
Cómo usar K para diagnosticar tu motor de crecimiento.
El coeficiente viral es una herramienta de diagnóstico: te dice dónde está el problema y dónde está la oportunidad. La pregunta no es solo “¿cuál es mi K?” sino “¿qué me está diciendo K sobre mi negocio?”.
K es bajo pero i es alto: problema de conversión
Tus usuarios envían muchas invitaciones pero pocas convierten. El problema está en la experiencia del invitado: la landing, el onboarding, la claridad de la propuesta de valor comunicada. También puede ser un problema de segmentación: los referidores están invitando a personas que no son el ICP. La solución está en el CRO del flujo de invitación y en la educación del referidor sobre a quién invitar.
K es bajo porque i es bajo: problema de motivación
Los usuarios no están invitando. Tres causas posibles: el incentivo no es suficiente, el momento del ask es incorrecto, o el producto no genera suficiente satisfacción para motivar la recomendación. Si el NPS es bajo, no es un problema de referidos — es un problema de producto. Los equipos de customer success necesitan resolver la insatisfacción antes de que el equipo de growth optimice el mecanismo de referido.
K era alto y está bajando: saturación de red
Las primeras cohortes agotaron los contactos más receptivos. Necesitás expandir a nuevos segmentos con su propia densidad de red, o introducir un nuevo tipo de loop (de contenido, de datos) que complemente al viral. El diseño de growth loops múltiples es la respuesta estratégica a la saturación de un solo loop. La priorización de recursos debe reflejar esta dinámica: cuando un loop se satura, invertir más en él tiene retornos decrecientes.
K es alto pero el crecimiento no escala: problema de cycle time
Tu K está bien pero el crecimiento se siente lento. El diagnóstico probable es un cycle time demasiado largo. Cada vuelta del loop tarda demasiado, y la composición no se materializa. La solución no es mejorar K — es reducir la fricción entre invitación y activación. Un workflow de invitación que elimine dos pasos puede ser más valioso que un aumento de 20% en el incentivo.
Porter, en Competitive Advantage, diría que el diagnóstico de K es un análisis de la cadena de valor del crecimiento: cada eslabón (motivación → invitación → exposición → conversión → activación → retención → nueva motivación) tiene un ratio de eficiencia que podés medir y mejorar. El posicionamiento competitivo de tu loop depende de la eficiencia de la cadena completa, no de un solo eslabón. La marca refuerza la confianza que sostiene el acto de invitar. La diferenciación del producto da al referidor algo concreto que comunicar. La retención mantiene al referidor activo el tiempo suficiente para completar ciclos.
09 — Preguntas frecuentesPreguntas frecuentes sobre el coeficiente viral.
¿Cómo se calcula el coeficiente viral K?
K = i × c, donde i es el número promedio de invitaciones por usuario y c es la tasa de conversión de esas invitaciones. Para el cálculo del impacto total con K < 1: Usuarios = N × (1 / (1 – K)), donde N es la cohorte inicial. Con K = 0.6 y N = 100, obtenés 250 usuarios totales — 150 “gratis”.
¿Qué es más importante: un K alto o un cycle time bajo?
Ambos importan, pero el cycle time es la palanca más subestimada. La velocidad viral V = K^(t/ct) muestra que reducir el cycle time tiene un efecto exponencial. Un K de 0.7 con cycle time de 2 días genera más crecimiento acumulado en 60 días que un K de 1.1 con cycle time de 30 días.
¿Es posible tener un K mayor a 1 de forma sostenida?
Es extremadamente raro fuera de la fase inicial. K suele empezar alto con early adopters y decaer a medida que el producto penetra segmentos menos entusiastas. Para la mayoría, el objetivo realista es K entre 0.3 y 0.8 estable, complementado con otros canales de adquisición.
Referencias y bibliografía.
Chen, A. (2021). The Cold Start Problem. Harper Business. Cap. 8: “The Viral Factor”; Cap. 11: “Saturation.”
Ellis, S. & Brown, M. (2017). Hacking Growth. Currency. Cap. 5: “Testing at High Tempo.”
Skok, D. (2016). The Science of Viral Growth. For Entrepreneurs.
Kohavi, R., Tang, D. & Xu, Y. (2020). Trustworthy Online Controlled Experiments. Cambridge University Press. Cap. 3: “Twyman’s Law.”
Sharp, B. (2010). How Brands Grow. Oxford University Press. Cap. 2: “How Brands Grow.”
Rumelt, R. (2011). Good Strategy Bad Strategy. Crown Business. Cap. 9: “Using Leverage.”
Porter, M. E. (1985). Competitive Advantage. Free Press. Cap. 2: “The Value Chain.”
Balfour, B. (2018). Growth Loops are the New Funnels. Reforge.
Términos del glosarioCómo diseñar incentivos de referidos que motiven sin erosionar margen: bilateral vs unilateral, monetarios vs no monetarios y el momento óptimo.