Qué es una buena métrica (y por qué la mayoría son malas)

La mayoría de las métricas que se enseñan en una reunión no cambian ninguna decisión. Suena duro, pero mira la próxima presentación que te toque: "llevamos 180.000 descargas de la app, un 40% más que el trimestre pasado", "180.000 seguidores en Instagram", "dos millones de visitas al blog". Son números que solo saben subir. Nunca bajan, nunca obligan a nadie a hacer nada distinto, y por eso se enseñan tan a gusto: quedan bien y no comprometen. Se llaman métricas de vanidad. El problema es que las descargas totales no te dicen cuántos de esos usuarios llegaron a hacer una sola operación — y esa es la pregunta que de verdad decide si el negocio funciona. Una buena métrica es exactamente lo contrario: puede darte una mala noticia, y cuando lo hace, alguien tiene que reaccionar.

Este es el primer problema que resuelve esta lección: distinguir las métricas que mueven decisiones de las que solo decoran presentaciones. Y el segundo es más traicionero: hay métricas que parecen buenas pero que no se pueden sumar, promediar ni comparar sin mentir. Dashboards enteros que muestran números incorrectos porque alguien sumó un porcentaje de conversión de dos segmentos como si fueran manzanas del mismo árbol. Vamos a desmontar los dos problemas, y vamos a salir con un checklist que puedas aplicar mañana mismo a cualquier métrica que te pongan delante.

### Métrica vs KPI: la distinción que nadie te explica bien

Una métrica es cualquier número que describe una realidad del negocio. Temperatura del servidor, número de visitas, coste por clic: todo eso son métricas. Un KPI —Key Performance Indicator, indicador clave de rendimiento— es una métrica que has ELEGIDO como termómetro de un objetivo concreto. La diferencia no está en el número: está en si alguien ha decidido que ese número mide el éxito o el fracaso de algo.

La analogía: tu coche tiene un tablero con 15 indicadores. Velocidad, revoluciones, temperatura del motor, presión del aceite, nivel de combustible... Todos son métricas. Pero cuando conduces por autopista, tu KPI es la velocidad: si pasa de 120 tomas una acción (levantar el pie). Los demás indicadores siguen ahí, los miras de vez en cuando, pero no deciden tu comportamiento segundo a segundo. En un negocio pasa lo mismo: tienes decenas de métricas, pero solo 3 o 4 son KPIs — los números que hacen que alguien cambie algo cuando se mueven.

### Los cinco criterios de una buena métrica

Después de 12 años viendo métricas nacer, morir y hacer daño, he destilado cinco criterios que separan una métrica útil de una que solo ocupa sitio. No los he inventado yo — vienen de gente como Andy Grove en Intel, de los equipos de producto de Spotify y Airbnb, y de muchas reuniones en las que alguien preguntó "vale, pero esto para qué sirve". Los cinco forman el acrónimo CASAA: Comparable, Accionable, Simple, Auditable y Alineada.

Vamos criterio a criterio con ejemplos del mundo real:

1. Comparable. Una métrica útil se puede comparar contra algo: el mes pasado, el trimestre anterior, otro segmento de clientes, la competencia. "Tenemos 50.000 usuarios activos" no dice nada si no se cuánto era antes o cuánto tiene un competidor del mismo tamaño. Las métricas acumulativas —descargas totales, ingresos históricos— fallan aquí porque solo pueden subir: nunca te dicen si vas mejor o peor que ayer. Una buena métrica es como un termómetro: 38 grados te preocupa porque sabes que 36,5 es lo normal.

2. Accionable. Si la métrica cambia, alguien tiene claro qué hacer. "La tasa de activación bajó del 55% al 48% esta semana" es accionable: el equipo de producto revisa el onboarding, el flujo de registro, los correos de bienvenida. "Las páginas vistas subieron un 12%" no es accionable: vale, y qué hago con eso? No hay una palanca clara que tocar. La pregunta clave es: si mañana este número se desvía un 20%, qué reunión se convoca y qué se decide en ella?

3. Simple. Si necesitas un párrafo para explicar qué mide, no es una buena métrica operativa. "Porcentaje de usuarios que completan su primera tarea en las primeras 48 horas tras registrarse" es simple: se entiende en una frase. "Índice ponderado de satisfacción ajustado por frecuencia de uso y segmento de precio" necesita un manual. Las métricas simples viajan: las repite un comercial en una llamada, las pone un ejecutivo en un correo al consejo, las entiende el becario del equipo de soporte.

4. Auditable. Cualquier persona con acceso a los datos puede llegar al mismo número siguiendo la misma definición. Esto implica que la definición está ESCRITA — no en la cabeza de quien la creó, sino en un documento, un comentario de SQL, o un campo de metadatos del dashboard. Si la única forma de saber cómo se calcula "usuarios activos" es preguntarle a Laura de producto, esa métrica no es auditable: el día que Laura se va de vacaciones, nadie puede verificar si el número es correcto.

5. Alineada con un objetivo. La métrica existe porque mide el progreso hacia algo que la empresa ha declarado como importante. "Queremos que el 60% de los registros hagan su primera operación en 7 días" es un objetivo; la tasa de activación a 7 días es la métrica alineada. Si la empresa no ha dicho "queremos mejorar X", y tu mides X, estás midiendo por inercia. Las métricas huérfanas —las que nadie pidió pero alguien calculó porque podía— son las primeras candidatas a salir del dashboard.

### Métricas de vanidad: el enemigo silencioso

El término vanity metric —métrica de vanidad— lo popularizó Eric Ries en Lean Startup, y describe un número que siempre sube, que queda bien en una presentación, pero que no cambia ninguna decisión. Las descargas totales de una app son el ejemplo clásico: como son acumulativas, cada trimestre es mayor que el anterior por definición. Nadie va a decir "las descargas bajaron" porque matemáticamente no pueden bajar. Y un número que no puede bajar no puede alertarte de que algo va mal.

Otros clásicos de vanidad: seguidores en redes sociales (suben solos con el tiempo), páginas vistas totales (cada nuevo artículo suma), "usuarios registrados" sin distinguir si vuelven o no. El patrón común es que son métricas acumulativas o de volumen bruto que no tienen un denominador que las ancle a la realidad. Compara: "tenemos 2 millones de usuarios registrados" frente a "de los que se registraron en enero, el 23% sigue usando el producto en marzo". La segunda duele más, pero informa más.

### Aditividad: el error silencioso de los dashboards

Ahora viene el problema que más daño hace en silencio, porque no da error, no salta ninguna alerta, y el dashboard muestra un número con total normalidad. Ese número está mal, pero nadie lo sabe hasta que alguien intenta reproducirlo y no le cuadra. Se llama aditividad, y es la propiedad que dice si puedes sumar (o promediar) una métrica entre segmentos, períodos o dimensiones sin que el resultado mienta.

La analogía: imagina que tienes dos clases en un colegio. En la clase A, 8 de 10 alumnos aprobaron el examen (80%). En la clase B, 15 de 30 alumnos aprobaron (50%). Alguien pregunta: "cuál es el porcentaje de aprobados del colegio?". Si sumas los porcentajes y divides entre dos, obtienes (80 + 50) / 2 = 65%. Pero la respuesta real es 23 aprobados de 40 alumnos = 57,5%. El error es de 7,5 puntos porcentuales — suficiente para que un informe al consejo escolar diga una cosa y la realidad sea otra. Eso es un fallo de aditividad.

El problema es que los porcentajes, las tasas y las medias NO son aditivos. No puedes sumarlos, no puedes promediarlos sin ponderar, y no puedes agregarlos por dimensiones como si fueran euros o unidades. Los euros sí son aditivos: si Madrid vendió 100.000 euros y Barcelona vendió 80.000, España vendió 180.000. Pero si Madrid convirtió al 5% y Barcelona al 3%, España NO convirtió al 4% — necesitas saber cuántas visitas tuvo cada ciudad para calcular la tasa conjunta.

Hay tres familias de métricas según su aditividad:

• ▹Aditivas: se pueden sumar libremente entre dimensiones y períodos. Ingresos, unidades vendidas, número de pedidos, horas trabajadas. Si Madrid facturó 100K y Barcelona 80K, el total es 180K sin trampa.
• ▹Semi-aditivas: se pueden sumar por ALGUNAS dimensiones pero no por todas. El ejemplo clásico es un saldo bancario: puedes sumar el saldo de todas las cuentas de un cliente en un día (dimensión "cuenta"), pero NO puedes sumar el saldo del lunes más el del martes (dimensión "tiempo"), porque el saldo del martes ya incluye al del lunes.
• ▹No aditivas: no se pueden sumar por ninguna dimensión sin recalcular. Porcentajes, tasas, medias, ratios. La conversión del 5% de Madrid y el 3% de Barcelona no se suman ni se promedian: se recalculan desde los datos brutos (total de conversiones / total de visitas).

### La definición escrita: el contrato de la métrica

En 2016 trabajé en una empresa de e-commerce donde el equipo de marketing reportaba 12.000 "usuarios activos mensuales" y el equipo de producto reportaba 8.500 para el mismo mes. Cuando investigamos, descubrimos que marketing contaba a cualquiera que hubiera abierto la app (incluido abrir y cerrar en 2 segundos) y producto solo contaba a quienes habían hecho al menos una acción significativa (ver un producto, añadir al carrito, comprar). Ambos equipos tenían razón según SU definición. El problema es que la definición no estaba escrita en ningún sitio — vivía en la cabeza de quien había montado cada query.

Una métrica sin definición escrita es una bomba de relojería. Funciona mientras la persona que la creó siga en la empresa y todo el mundo le pregunte a ella. El día que se va, o el día que otro equipo monta su propia versión, tienes dos números distintos con el mismo nombre y nadie sabe cuál es el bueno. La definición escrita es el contrato: dice qué se cuenta, qué se excluye, en qué ventana temporal, y desde qué tabla.

Una buena definición de métrica incluye al menos estos elementos:

1. 01.Nombre: corto y sin ambigüedad. "Tasa de activación a 7 días", no "activación".
2. 02.Fórmula: numerador y denominador explícitos. "Usuarios que completan 1+ tarea en sus primeros 7 días / usuarios registrados en el período".
3. 03.Fuente de datos: qué tabla o evento alimenta el cálculo. "Tabla events, evento task_completed, filtrado por created_at del usuario".
4. 04.Exclusiones: qué se deja fuera y por qué. "Se excluyen cuentas de test (dominio @empresa.com) y usuarios eliminados".
5. 05.Frecuencia: cada cuánto se calcula y qué período cubre. "Semanal, cohorte de registro de lunes a domingo".
6. 06.Propietario: quién responde si el número no cuadra. No un equipo: una persona con nombre.

1-- Ejemplo: definicion operativa de "tasa de activacion a 7 dias"
2-- Propietario: equipo de Producto (Ana Garcia)
3-- Frecuencia: semanal, cohorte lunes-domingo
4-- Fuente: tabla events + tabla users
5-- Exclusiones: cuentas @empresa.com, usuarios eliminados
6
7WITH cohorte AS (
8    SELECT user_id, created_at::DATE AS fecha_registro
9    FROM users
10    WHERE created_at >= DATE_TRUNC('week', CURRENT_DATE - INTERVAL '14 days')
11      AND created_at <  DATE_TRUNC('week', CURRENT_DATE - INTERVAL '7 days')
12      AND email NOT LIKE '%@empresa.com'
13      AND deleted_at IS NULL
14),
15activados AS (
16    SELECT DISTINCT c.user_id
17    FROM cohorte c
18    JOIN events e ON e.user_id = c.user_id
19    WHERE e.event_name = 'task_completed'
20      AND e.created_at BETWEEN c.fecha_registro
21                         AND c.fecha_registro + INTERVAL '7 days'
22)
23SELECT
24    COUNT(DISTINCT a.user_id) AS activados,
25    COUNT(DISTINCT c.user_id) AS registrados,
26    ROUND(100.0 * COUNT(DISTINCT a.user_id)
27               / COUNT(DISTINCT c.user_id), 1) AS tasa_activacion_7d
28FROM cohorte c
29LEFT JOIN activados a ON a.user_id = c.user_id;

### Cuando la definición cambia: el changelog de la métrica

Las métricas no son eternas. El negocio cambia, la definición de "usuario activo" evoluciona, se añaden o quitan exclusiones. El problema no es que cambie — es que cambie sin que nadie lo documente. He visto trimestres enteros donde un equipo comparaba el KPI de este mes con el del anterior sin saber que en medio habían cambiado la definición. "La retención subió un 8%" — no, lo que subió es que ahora cuentas como retenido a quien abre la app, cuando antes solo contabas a quien hacía una compra.

La regla es sencilla: cada vez que cambia la definición de una métrica, se documenta cuándo cambió, qué cambió, por qué, y se marca una línea vertical en cualquier serie temporal que la incluya. Así, quien mire la gráfica dentro de seis meses sabe que la subida de abril no es un éxito del negocio — es un cambio de medición. En el sector esto se llama "romper la serie": aceptas que el antes y el después no son directamente comparables, y lo dices en voz alta.

### El test definitivo: la pregunta del "y qué?"

Cuando tengas una métrica delante — tuya o de otro equipo — hazle la pregunta del "y qué?". "Las descargas subieron un 40%". Y qué? Qué decisión cambia? "El NPS es de 72". Y qué? Qué hago diferente si fuera 65? "El tiempo medio de sesión es 4,2 minutos". Y qué? Es eso bueno o malo? Comparado con qué? Si no puedes responder al "y qué?" en una frase, la métrica no está lista para un informe. Puede que la métrica sea buena y le falte contexto, o puede que simplemente no sea accionable. Ambas cosas se arreglan, pero primero hay que detectarlas.

### Resumen: el checklist antes de aceptar una métrica

Antes de poner una métrica en un dashboard, en un informe o en una presentación, pásala por este checklist. Si falla en más de un punto, cuestiona si merece el espacio que ocupa:

1. 01.Tiene una DEFINICIÓN ESCRITA con fórmula, fuente, exclusiones y propietario?
2. 02.Es COMPARABLE: puedo medirla contra el período anterior o contra otro segmento?
3. 03.Es ACCIONABLE: si cambia un 20%, alguien sabe qué reunión convocar y qué decidir?
4. 04.Es SIMPLE: la puedo explicar en una frase a alguien que no es del equipo?
5. 05.Es AUDITABLE: otro analista puede llegar al mismo número con los mismos datos?
6. 06.Está ALINEADA con un objetivo explícitamente declarado por el negocio?
7. 07.Es ADITIVA o sé que no lo es? Si no es aditiva, está calculada correctamente (desde los componentes, no promediando promedios)?