Modelado de unit economics:
simular
antes de invertir.

01 — Para qué sirve el modelado

Para qué sirve el modelado de unit economics.

Las unit economics describen el pasado y el presente: cuánto costó adquirir cada cliente, cuánto generó, cuánto tardó en recuperarse la inversión. El modelado extiende ese análisis hacia adelante: permite preguntar qué pasa con esas métricas si cambia alguna de las variables de entrada — precio, retención, costo de adquisición, costo de entrega — antes de comprometer recursos.

Alistair Croll y Benjamin Yoskovitz, en su trabajo sobre Lean Analytics, introducen el concepto de "métricas que importan en cada etapa" — la idea de que los negocios en distintos momentos necesitan información diferente para tomar decisiones diferentes. El modelo de unit economics es el instrumento que conecta ese principio con la realidad financiera: permite ver si un negocio en etapa de escalamiento puede sostener la inversión actual en adquisición, o si necesita mejorar la retención antes de escalar el CAC. Sin el modelo, esa pregunta se responde con intuición; con él, se responde con proyecciones fundamentadas.

El modelado no elimina la incertidumbre — ningún modelo lo hace. Lo que hace es estructurar la incertidumbre: transforma preguntas vagas ("¿podemos crecer más rápido?") en preguntas precisas ("¿qué le pasa al ratio LTV:CAC si aumentamos el gasto en adquisición un 40% y el churn baja de 4% a 3% mensual?"). Esa precisión es lo que hace posible una decisión informada.

02 — Los inputs del modelo

Los inputs del modelo.

Un modelo de unit economics tiene inputs de dos tipos: los que se miden con datos históricos y los que se proyectan con supuestos. La distinción es crítica porque los primeros tienen una base empírica; los segundos son hipótesis que deben estar explícitas y documentadas.

Inputs medibles

El payback period real de los últimos 6-12 meses. El churn rate mensual por cohorte de los últimos 12 meses — no el promedio de toda la base, sino el análisis de cohort economics que muestra cómo se comporta la retención por generación de clientes. El margen de contribución unitario actual, incluyendo el costo de servir. El CAC real desagregado por canal. Estos inputs son hechos — pueden y deben ser verificados contra los datos del CRM y del sistema contable.

Inputs proyectados

La tasa de crecimiento esperada en adquisición. La mejora proyectada en retención como resultado de iniciativas de customer success. El impacto proyectado de cambios de pricing en la tasa de conversión y el churn. Estos inputs son supuestos — deben estar explícitamente etiquetados como hipótesis, con la fuente de cada supuesto documentada (experiencia histórica, benchmark de industria, resultado de un experimento previo). Un modelo que mezcla datos y supuestos sin distinguirlos es opaco e inutilizable para decisiones de inversión serias.

03 — Estructura del modelo mínimo

Estructura de un modelo mínimo viable.

El modelo mínimo de unit economics tiene cinco componentes conectados en secuencia. No necesita más complejidad que eso para la mayoría de las decisiones estratégicas relevantes.

1. Cálculo de CAC por canal

Para cada canal de adquisición activo: gasto mensual / clientes nuevos adquiridos por ese canal en el período. El CAC blended (promedio de todos los canales) es un punto de partida, pero el modelo debe desagregar por canal para permitir decisiones de optimización de presupuesto. Si el CAC de búsqueda orgánica es $180 y el de paid social es $420, la decisión de dónde invertir más requiere conocer ambos números por separado.

2. Proyección de LTV por cohorte

El LTV se proyecta combinando el ticket promedio o ARPU mensual, la tasa de retención mensual (1 - churn mensual) y el horizonte de tiempo elegido. La fórmula básica es: LTV = ARPU × (1 / churn mensual). Para modelos con expansión, se agrega el net revenue retention mensual como multiplicador. El modelo debe mostrar el LTV proyectado a 12, 24 y 36 meses por separado, porque el ratio LTV:CAC a 12 meses puede ser 1.5:1 y a 36 meses puede ser 4:1 — una diferencia que cambia radicalmente la decisión de inversión.

3. Cálculo de margen de contribución

Revenue mensual por cliente menos costos variables de entrega (COGS variables) menos costo de servir asignado. Este número determina cuánto genera cada cliente activo por período y es el insumo que convierte el LTV bruto en LTV neto. Un LTV de $3.000 con margen de contribución del 40% genera $1.200 de valor real — que es el número que debe compararse con el CAC, no el LTV bruto.

4. Ratio LTV:CAC y payback

Estos dos indicadores son la síntesis del modelo — los números que responden "¿las unit economics son sanas?" y "¿cuánto tiempo tardamos en recuperar la inversión por cliente?". El ratio LTV:CAC y el payback period deben actualizarse mensualmente con datos reales y compararse contra los supuestos del modelo para detectar desviaciones temprano.

5. Proyección de crecimiento y burn rate

Con CAC real, volumen de adquisición proyectado y margen de contribución, el modelo puede proyectar cuánto capital necesita el negocio para financiar el crecimiento planeado antes de que los clientes existentes generen suficiente margen para cubrirlo. Esta proyección conecta el análisis de unit economics con la gestión de tesorería y la estrategia de priorización de recursos.

04 — Cómo construir escenarios

Cómo construir escenarios útiles.

Un modelo de escenarios no es una predicción de lo que va a pasar — es una herramienta para explorar las implicaciones de diferentes hipótesis antes de comprometer recursos. El valor del escenario no está en su precisión sino en la claridad de decisión que genera.

La estructura estándar tiene tres escenarios: base, optimista y pesimista. El escenario base usa los datos históricos recientes como proyección central, con supuestos conservadores de mejora. El optimista proyecta qué pasa si las iniciativas de retención y reducción de CAC funcionan según el plan. El pesimista proyecta qué pasa si el churn aumenta por presión competitiva o si el CAC sube por saturación de canales.

Los valores son ilustrativos. Lo relevante es la estructura de análisis, no los números específicos.

La pregunta que hace útil cada escenario no es "¿cuál va a ocurrir?" sino "¿qué tiene que ser verdad para que el escenario optimista ocurra, y qué podemos hacer para que esas condiciones se den?" Esa pregunta convierte el análisis de escenarios en un plan de acción. Como documenta David Skok en su análisis de SaaS Metrics 2.0 y en su exploración complementaria de economía de modelos SaaS, los equipos que modelan sus unit economics antes de tomar decisiones de inversión tienen una tasa de ajuste estratégico significativamente mejor que los que operan solo con datos históricos agregados.

05 — Las tres palancas

Las tres palancas de mayor impacto en el modelo.

No todas las variables del modelo tienen el mismo impacto en el resultado. La sensibilidad del modelo a cada variable determina dónde enfocar la energía operativa. En la mayoría de los modelos SaaS y de suscripción, las tres palancas con mayor leverage son, en orden de impacto:

1. Retención (churn)

El churn es la variable con mayor impacto en el LTV y, por tanto, en el ratio. Una reducción del churn mensual de 4% a 3% aumenta el LTV implícito de 25 meses a 33 meses — un incremento del 32% en LTV sin tocar el precio ni el CAC. Este efecto es no lineal: las mejoras en retención tienen impacto creciente en el LTV a medida que el horizonte de tiempo se extiende. El trabajo en Retención y Churn dentro del cluster de Fidelización es el que más directamente mejora esta palanca.

2. Precio y ticket promedio

Un aumento del 10% en el precio tiene impacto directo del 10% en el LTV, asumiendo que el churn no aumenta proporcionalmente. La relación entre precio y churn es la variable crítica: si el aumento de precio genera aumento de churn, el efecto neto puede ser negativo. El modelado permite calcular el umbral de elasticidad — cuánto puede subir el precio antes de que el aumento de churn elimine la ganancia. Esta palanca conecta directamente con el trabajo en Pricing y Monetización: el precio óptimo no es el que maximiza el ticket, sino el que maximiza el valor percibido y el LTV neto.

3. CAC por canal

La reducción del CAC tiene impacto directo en el ratio y en el payback period. Las formas de reducirlo son tres: mejorar la tasa de conversión (mismo gasto, más clientes), optimizar el mix de canales hacia los de menor CAC, o construir demanda inbound que reduce la dependencia de adquisición paga. La tercera es la más sostenible pero también la más lenta. En adquisición orgánica y contenido SEO/AEO, el costo por cliente disminuye con el tiempo a medida que el canal madura — reduciendo el CAC blended sin reducir el volumen.

06 — Del modelo a la decisión

Conectar el modelo con decisiones reales.

Un modelo de unit economics que no informa decisiones concretas es un ejercicio analítico sin valor práctico. El modelo existe para responder preguntas específicas del negocio, y cada pregunta tiene una decisión asociada.

¿Cuándo escalar la inversión en adquisición? Cuando el ratio LTV:CAC a 24 meses supera el umbral mínimo de tu modelo de negocio y el payback period está dentro del horizonte de capital disponible. Si el ratio es 2.8:1 y el acceso a capital es limitado, escalar agresivamente destruye caja antes de que el LTV madure. Si el ratio es 4.5:1 y hay capital disponible, escalar con un payback de 14 meses es una decisión fundamentada.

¿Cuándo priorizar retención sobre adquisición? Cuando el churn está en una tendencia de aumento, cuando el análisis de cohortes muestra que los clientes más recientes retienen peor que los históricos, o cuando una mejora de un punto en la retención tiene mayor impacto en el ratio que una reducción equivalente del CAC. El modelo cuantifica ese trade-off — que sin el modelo se decide por intuición. La conexión con Lifecycle Marketing y con los programas de customer success es directa: son las palancas operativas que mejoran la retención.

¿Cuándo cambiar el pricing? Cuando el modelo muestra que el LTV actual es insuficiente para sostener el CAC necesario para crecer, y el análisis de elasticidad indica que hay espacio para aumentar el precio sin aumentar el churn proporcionalmente. El modelo de escenarios permite simular el impacto de un aumento del 15% en el precio con tres supuestos distintos de churn adicional, y comparar el LTV neto de cada escenario antes de comprometerse con el cambio.

En Reporting y Dashboards, el modelo de unit economics debe tener representación directa: un dashboard operativo que muestre el CAC real por canal, el churn rate mensual por cohorte, el payback period actual y el ratio LTV:CAC a 12 y 24 meses. Estas métricas se actualizan mensualmente y son las que informan las decisiones de inversión en el ciclo de planificación. En Analítica y KPIs, el NSM del negocio debe estar conectado con las unit economics: una métrica norte de "clientes activos" que no incorpora rentabilidad diferencial por segmento puede optimizarse a costa de la viabilidad económica del modelo.

En Brand Equity, las unit economics son la evidencia cuantitativa de que el posicionamiento de marca genera valor real y no solo reconocimiento: un brand equity sólido se manifiesta en menor CAC (por demanda inbound generada por la marca) y menor churn (por mayor identificación y fidelidad). La conexión con Posicionamiento de Marca es estratégica — el posicionamiento que atrae al segmento de mayor LTV debe estar alineado con los supuestos del modelo. En Segmentación e ICP, la definición del cliente ideal debe estar calibrada con los datos de unit economics por segmento: el ICP no es el cliente que más fácil es de adquirir, sino el que tiene mejor ratio LTV:CAC y mejor margen de contribución neto. El análisis de JTBD complementa este trabajo revelando qué trabajo funcional está contratando el segmento más rentable — información que permite diseñar mensajes de adquisición que atraigan específicamente ese perfil.

07 — Errores frecuentes

Errores frecuentes en el modelado.

Usar el LTV bruto en lugar del LTV neto

El LTV calculado sobre el revenue bruto, sin descontar el margen de contribución ni el costo de servir, sobreestima el valor real del cliente. En modelos con márgenes del 50%, el LTV neto es la mitad del LTV bruto. Comparar ese LTV bruto con el CAC produce un ratio artificialmente optimista que lleva a decisiones de inversión erróneas.

Proyectar mejoras de retención sin palancas concretas

Un escenario optimista que proyecta churn de 2% sin especificar qué va a hacer el negocio para lograr esa mejora es un número de fantasía. Cada supuesto de mejora debe tener una palanca operativa asociada: "el churn baja de 3.5% a 2.5% porque implementamos un programa de onboarding estructurado en los primeros 60 días y un ciclo de revisión trimestral con los clientes en riesgo". Sin esa especificidad, el escenario optimista no es un plan — es un deseo.

No actualizar el modelo con datos reales

Un modelo construido una vez y no actualizado se vuelve obsoleto en pocas semanas. El CAC cambia con la competencia en los canales pagados; el churn cambia con las decisiones de producto; el margen cambia con los costos de infraestructura. El modelo debe actualizarse mensualmente con datos reales y los supuestos deben revisarse trimestralmente. Sin esa cadencia, el modelo pierde su función de instrumento de decisión y se convierte en un artefacto de planificación anual que no informa el día a día.

Modelar demasiadas variables desde el inicio

Un modelo con 30 variables es más opaco que uno con 8. La complejidad excesiva hace que el modelo sea difícil de interpretar, difícil de cuestionar y difícil de actualizar. La regla es agregar variables solo cuando resuelven una pregunta específica que el modelo más simple no puede responder. El MVP del modelo de unit economics debe funcionar en una hoja de cálculo que cualquier miembro del equipo de liderazgo pueda entender sin formación financiera especializada.

Ignorar la dimensión de segmento

Un modelo de unit economics a nivel de negocio total oculta la varianza entre segmentos, como se desarrolló en el spoke anterior sobre unit economics por segmento. El modelo mínimo debe poder desagregarse por los segmentos principales del negocio — al menos por canal de adquisición y por tipo de cliente — para que las decisiones de inversión estén fundamentadas en la rentabilidad real de cada segmento, no en el promedio que los combina.

08 — Lo que aprendiste en este subhub

Lo que aprendiste en el subhub Unit Economics.

Este subhub recorrió las unit economics desde la definición conceptual hasta el modelado avanzado. Cada spoke construyó sobre el anterior: primero las bases, luego las métricas específicas, después el análisis intermedio, y finalmente los instrumentos avanzados de decisión. Lo que sigue es el mapa completo de lo que cubriste.

09 — Preguntas frecuentes

Preguntas frecuentes sobre modelado de unit economics.

10 — Referencias

Referencias y bibliografía.

Skok, D. (2012). SaaS Metrics 2.0. For Entrepreneurs. Sección: \"Understanding the Importance of SaaS Metrics.\"

Croll, A., & Yoskovitz, B. (2013). Lean Analytics. O'Reilly Media. Cap. 7: \"What Stage Are You At?\"

Kumar, V. (2018). Customer Lifetime Value. Now Publishers. Cap. 6: \"CLV-based Resource Allocation Across Products and Markets.\"

Reichheld, F. F. (1996). The Loyalty Effect. Harvard Business School Press. Cap. 2: \"The Economics of Customer Loyalty.\"

Gurley, B. (2012). All Revenue is Not Created Equal: The Keys to the 10X Revenue Club. Above the Crowd Blog.

Ellis, S., & Brown, M. (2017). Hacking Growth. Currency. Cap. 4: \"Determining Your Growth Levers.\"

Kaushik, A. (2009). Web Analytics 2.0. Sybex. Cap. 8: \"Competitive Intelligence and Web Analytics.\"

Términos relacionados