SaaS y Tecnología

El Head of Product abre el dashboard semanal de retención. Muestra 92% de retención mensual. La presentación del CFO al consejo muestra 87%. Ambos son técnicamente correctos — solo definen "usuario activo" de manera diferente, miden sobre ventanas ligeramente distintas y excluyen cohortes diferentes. Nadie miente. Los números simplemente crecieron en sistemas distintos con supuestos diferentes, y ahora el equipo directivo pasa 30 minutos de cada preparación de consejo debatiendo qué versión presentar.

Este es el problema de métricas SaaS en su esencia. No falta de datos — un exceso de datos inconsistentes, dispersos en herramientas que eran las mejores cuando se adoptaron y que ahora forman un archipiélago de verdades contradictorias.

El problema de churn es primero un problema de datos. Toda empresa SaaS dice que quiere reducir churn. Pocas tienen una definición de churn que resista el escrutinio. ¿Es churn de logos o de ingresos? ¿Bruto o neto? ¿Medido desde el fin de contrato o la última actividad? En eBay Classifieds, los clientes de pago — agentes inmobiliarios y dealers automotrices — estaban haciendo churn a pesar de un gasto significativo en publicidad. El problema no era que a nadie le importara la retención. Era que las señales de churn estaban dispersas entre datos de listados (Hadoop), datos de tráfico (Google Analytics), scores de calidad (herramientas internas) y datos de campañas (plataformas de marketing). Los compilamos en un dataset unificado, construimos un modelo predictivo de churn usando R, y lo desplegamos a través de Databricks con dashboards en Tableau para monitoreo continuo. El modelo entregó un 15% de mejora en retención al identificar los patrones de comportamiento que precedían al churn — semanas antes de la cancelación — y enrutar esas cuentas a intervenciones dirigidas.

La brecha de atribución. Marketing dice que la campaña funcionó. Finanzas dice que los ingresos no se movieron. Ambos miran horizontes temporales diferentes a través de lentes diferentes. Durante COVID, construimos dashboards de marketing cross-channel para eBay en cinco mercados emergentes — conectando Meta, Google Ads, product feeds y atribución de GA en una vista unificada. El resultado: 10-18% de mejora en ROAS, no por gastar más, sino por reasignar presupuesto hacia los canales y campañas que realmente movían las métricas que le importaban a finanzas. La clave fue darle a marketing y finanzas el mismo dashboard con las mismas definiciones.

La trampa de migración de plataforma. Las empresas SaaS acumulan deuda de analítica más rápido que la mayoría de las industrias porque despliegan rápido e instrumentan después. En una plataforma de seguridad en la nube, encontramos 377 objetos legacy de BI — 14,652 líneas de SQL sin pruebas automatizadas — todos alimentando dashboards que tardaban más de 60 segundos en cargar. La migración a Snowflake + dbt + Sigma tomó 45 días, redujo la complejidad en 86% (de 377 objetos a 51 modelos probados), y mejoró los tiempos de carga de dashboards a menos de 3 segundos. Los despliegues pasaron de 3-4 horas a 5-10 minutos. ROI del Año 1: 606%.

Precisión de ingresos a escala. Para empresas SaaS con pricing complejo — basado en uso, por niveles, multi-producto — los cálculos de ingresos se desvían silenciosamente conforme el producto evoluciona. Validamos $84M en ingresos en una plataforma de seguridad en la nube y encontramos 15 bugs silenciosos, incluyendo una anomalía de tarifa no documentada de $472K. La reconstrucción le dio a Finanzas propiedad directa de las tablas de pricing, eliminando el cuello de botella del ticket de ingeniería que había permitido que cinco años de deuda de pricing se acumularan.

Preparación para IA. La mayoría de las empresas SaaS quieren incorporar IA en su producto u operaciones. Pocas tienen la infraestructura de datos para soportarlo. Hemos construido pipelines de IA que procesan datos no estructurados — respuestas de encuestas convertidas en insights accionables en minutos — y fundaciones de datos modernas que soportan despliegue de modelos de ML. El patrón es consistente: los proyectos de IA tienen éxito cuando los datos subyacentes están limpios, son oportunos y están bien gobernados. Se estancan cuando los equipos intentan saltarse el trabajo de fundación.

Lo que entrega el proyecto. Una capa de métricas donde churn, CAC, LTV y ARR se definen una vez, se calculan consistentemente y son confiables para producto, marketing y finanzas. Dashboards que cargan en segundos, no minutos. Modelos de atribución que conectan gasto de marketing con resultados de ingresos. Y una plataforma de datos construida para soportar funcionalidades de IA — no para retrofitearlas.

Preguntas diagnósticas. Si tu Head of Product y tu CFO jalaran un número de retención ahorita, ¿coincidirían? ¿Cuánto tarda un despliegue de dashboard en tu stack actual? Cuando marketing reporta ROAS de una campaña, ¿puede finanzas verificarlo contra el movimiento real de ingresos?