En un reciente evento tecnológico en París, tuve un intercambio con profesionales de datos. Nuestra discusión se centró en qué dominio es el mejor para los profesionales basados en datos y cómo utilizar mejor los datos en el mundo actual del big data.
En mi opinión, tras más de 7 años de experiencia en gestión de productos, es gestión de productos SaaS.
No pretendo convencerte; Este dominio no es para todos, pero les mostraré la importancia de los datos en la gestión de productos.
Volver a lo básico
En primer lugar, ¿qué es la gestión de productos?
IBM lo define como "una práctica estratégica que guía el ciclo de vida del producto a través de la investigación, la planificación, el desarrollo, el lanzamiento del producto, el soporte y la optimización para construir productos que cumplan los objetivos comerciales y satisfagan las necesidades de los clientes".
En resumen, construir un producto desde cero y acompañarlo durante toda su vida para que satisfaga una necesidad del cliente y al mismo tiempo alcance los objetivos de la empresa. Todo monitoreado por datos y KPIs (Key Performance Indicators).
Ahora, veamos la definición de SaaS.
IBM lo define como 'El software como servicio (SaaS) es un modelo de entrega de software basado en la nube en el que los proveedores alojan aplicaciones y las ponen a disposición de los usuarios a través de Internet. Los usuarios de SaaS normalmente acceden a las aplicaciones mediante un navegador web o una aplicación.
SaaS es un producto en línea accesible y sus modelos suelen funcionar mediante suscripción. Por nombrar algunos Saas famosos: Netflix (BtoC), Salesforce, Atlassian, Notion. Las herramientas de inteligencia artificial y de automatización también funcionan bajo el sistema SaaS. Sí, incluso ChatGPT, Gemini, n8n y Zapier están utilizando el modelo.
¡De hecho, hoy en día estamos rodeados de Saas!
Ahora, profundicemos en cómo la gestión de productos y los datos encajan entre sí.
¿Por qué Saas es único?
Podemos encontrar 4 niveles de analítica: Descriptiva, Predictiva, Prescriptiva y Diagnóstica.
1. Descriptivo
La mayoría de los equipos de SaaS están inundados de datos pero no saben cómo utilizarlos. El análisis descriptivo aporta claridad a través del panel y las métricas.
Estudio de caso n.º 1: crisis de adopción de funciones
Contexto: Producto B2B SaaS, 50k usuarios. Se lanzó una característica importante después de 6 meses de desarrollo. La adopción esperada del 30% en el primer mes fue, en realidad, del 8% después de 2 meses.
El problema: El equipo de Producto estaba frustrado: "Creamos lo que los usuarios pidieron, ¿por qué no lo usan?". Lo que hice: 1. Creé un panel en el seguimiento de Notion: tasa de descubrimiento de funciones (¿cuántos la vieron?), tasa de prueba (¿cuántos hicieron clic?), tasa de adopción (¿cuántos la usaron más de 3 veces?). 2. Segmentado por rol de usuario (administrador versus usuario final), tamaño de la empresa y canal de adquisición. La información: la función estaba oculta en 3 niveles de profundidad en la navegación. Solo los administradores lo estaban descubriendo, pero los usuarios finales eran los que más lo necesitaban. La tasa de descubrimiento fue del 12 % (frente al 80 % esperado) y la tasa de prueba (entre los descubridores) fue del 67 % (¡bueno!). La tasa de adopción (entre los investigadores) alcanzó el 89% (excelente). El problema no era la característica; fue la capacidad de descubrimiento. Impacto: función trasladada a la navegación principal, información sobre herramientas de incorporación agregada. El descubrimiento alcanzó el 78 % en 2 semanas y la adopción general aumentó al 52 %. Herramientas utilizadas: Mixpanel para seguimiento, Notion para panel y documentación, Figma para iteración de diseño. Aprendizaje clave: nunca asuma que los usuarios encontrarán su función. Instrumenta todo el viaje
2. Diagnóstico
Cuando las métricas bajan, los equipos entran en pánico y hacen suposiciones. El análisis de diagnóstico utiliza datos para encontrar la causa real.
Estudio de caso n.º 2: El misterioso pico de abandono
Contexto: producto SaaS, promedio de MRR (ingresos recurrentes mensuales) de $50. La rotación mensual fue históricamente del 5%. De repente saltó al 12% en octubre. El pánico: El CEO me dijo: 'Se lanzó el competidor. Estamos perdiendo. ¿Deberíamos bajar los precios?'. Lo que hice: 1. Análisis de cohorte por fecha de registro. 2. Análisis del motivo de abandono (encuestas de salida). 3. Uso de funciones antes del abandono. 4. Análisis de tickets de soporte. El Descubrimiento: No fue una competencia. Fue estacional. Las empresas que se inscribieron en septiembre-octubre (prisa de regreso a clases) tuvieron una rotación tres veces mayor que en otros meses. Es porque se estaban inscribiendo en proyectos temporales, no en necesidades permanentes. Los patrones de uso fueron los siguientes: 80 % se usó <10 veces, 60 % nunca invitó al equipo, 90 % se abandonó a los 30 días (final de la prueba). La verdadera causa: las campañas de adquisición apuntaban a "nuevos proyectos" sin calificar como una necesidad a largo plazo. Solución implementada: 1. Mensaje de adquisición modificado (valor a largo plazo versus ganancias rápidas). 2. Se agregó la pregunta de incorporación: "¿Cuánto dura su proyecto?". 3. Flujo de incorporación diferente para usuarios temporales y permanentes. 4. Puntuación de participación temprana para predecir el riesgo de abandono. Impacto: La deserción estacional todavía ocurre, pero ya no entramos en pánico. Con una mejor calificación durante la adquisición, la rotación general cayó al 6,5%. Herramientas utilizadas: Amplitude para análisis de cohortes, Typeform para encuestas de salida, n8n para automatizar la recopilación de datos, Google Sheets para análisis final. Aprendizaje clave: No luches contra los síntomas. Utilice datos para encontrar las causas fundamentales antes de actuar”.
3. Predictivo
Utilice datos históricos para predecir lo que va a suceder. El aprendizaje automático puede ayudar.
Estudio de caso n.º 3: Predecir la deserción antes de que suceda
Contexto: SaaS B2B, MRR promedio de $100, con una tasa de abandono del 8% mensual, está perdiendo clientes sin previo aviso. Las entrevistas de salida muestran: “Dejamos de usarlo hace semanas”. El problema: estábamos reaccionando ante la deserción en lugar de prevenirla. Cuando los usuarios cancelaron, ya era demasiado tarde para salvarlos. Lo que construí: una puntuación de predicción de abandono a partir de datos históricos (los últimos 30 días), que incluyen: Disminución de la frecuencia de inicio de sesión (30%). Profundidad de uso de funciones (30%). Colaboración en equipo (20%). Los tickets de soporte aumentan (15%). Tendencia NPS (Net Promoter Score) (10%): Niveles de riesgo: 0–30 verde, 31–60 amarillo, 61–100 rojo. Implementación: 1. Consultas SQL construidas en Metabase. 2. Puntuación diaria automatizada en n8n. 3. Almacenado en la base de datos de Notion. 4. Alertas activadas para el equipo de Éxito del Cliente. Predicción de ejemplo: para una empresa XYZ, los inicios de sesión disminuyen, el uso de funciones disminuye en más de 2 y los tickets aumentan. Todo eso está provocando una puntuación de riesgo del 72%. Impacto (6 meses): clientes identificados en riesgo con 3 o 4 semanas de anticipación, lo que salvó el 40 % de las cuentas marcadas. La deserción general se redujo del 8% al 5,2% gracias a una divulgación proactiva en lugar de una extinción de incendios reactiva. Herramientas utilizadas: Mixpanel para datos de comportamiento, SQL para lógica de puntuación, n8n para automatización y panel de control de Notion for Customer Success. Aprendizaje clave: "El abandono no ocurre de la noche a la mañana. Los usuarios se desconectan gradualmente y los datos muestran el patrón semanas antes de cancelar".
4. Prescriptivo
Convertir conocimientos en acciones. Los datos muestran qué sucedió, por qué y qué hacer a continuación.
Estudio de caso n.° 4: Pesadilla en la priorización de la hoja de ruta
Contexto: recibimos más de 50 solicitudes de funciones para 3 ingenieros. Hubo opiniones contradictorias de las partes interesadas (el departamento de ventas quiere funciones empresariales, los usuarios quieren mejoras en la UX (experiencia de usuario), el director ejecutivo quiere integración de IA). El caos: cada parte interesada tenía "datos" para respaldar su prioridad. Para Ventas, fueron 5 acuerdos empresariales bloqueados por falta de SSO (cierre de sesión único), para Soporte, fueron 200 tickets por carga lenta y para el CEO, todos los Competidores ahora tienen IA. Lo que hice: Paso 1: Marco de puntuación unificado (RICE): Alcance: ¿Cuántos usuarios se ven afectados? Impacto: ¿Cuánto valor por usuario? (Escala 1-3), Confianza: ¿Qué tan seguros estamos? (%) y Esfuerzo: Días de ingeniería requeridos. Paso 2: Se agregaron restricciones comerciales (impacto de MRR (estimado), potencial de reducción de abandono, alineación estratégica (IA = prioridad)). Paso 3: construyó un modelo en Notion. ¡Sorpresa! La optimización de la velocidad obtuvo la puntuación más alta, pero todos estaban obsesionados con la IA. Los datos muestran que la velocidad afectó a 10 veces más usuarios que el SSO, el 40 % de los tickets de soporte estaban relacionados con el rendimiento y, según las encuestas de usuarios, la velocidad fue la primera queja. Pero la IA tenía valor estratégico (posicionamiento competitivo). Decisión final: La hoja de ruta pasó a ser: para el primer trimestre, la prioridad sería la velocidad (RICE más alto, aumento de moral), para el segundo trimestre, sería el SSO (desbloquea acuerdos) y será seguido en el tercer trimestre por la IA para el posicionamiento estratégico. Impacto: velocidad de envío en 6 semanas (¡por debajo de lo estimado!), la tasa de abandono cayó un 4 % en 2 meses, se cerraron acuerdos empresariales y la IA se lanzó en el tercer trimestre en un producto saludable. Aprendizaje clave: Los datos permiten conversaciones sobre compensaciones, no solo decisiones de sí o no. Herramientas utilizadas: Notion para el marco RICE y la hoja de ruta, Amplitude para datos de alcance/impacto, CRM de ventas para proyecciones de MRR y encuestas de usuarios para puntuaciones de confianza.
5. Automatización e IA: la capa 2026 (cómo escalan los PM)
Con las nuevas tecnologías, los product managers pueden eliminar el trabajo manual gracias al uso de nuevas herramientas.
El mundo ha cambiado y los directores de producto tienen que adaptarse. La automatización y la IA le ayudarán a realizar menos trabajo manual y tareas que requieren mucho tiempo.
Estudio de caso n.º 5: análisis de 10 000 comentarios de usuarios
Contexto: Crecimiento de SaaS de 200 a 2000 usuarios en 6 meses. Los comentarios de los usuarios están aumentando (50 tickets de soporte por día; 20 respuestas NPS por día, 30 solicitudes de funciones por semana, comentarios aleatorios en Slack, correo electrónico, Twitter). El problema: pasaba 10 horas a la semana leyendo y categorizando comentarios manualmente. Me faltaban patrones y me ahogaba. Lo que construí: un flujo de trabajo de automatización n8n: 1. Recopile comentarios de múltiples fuentes, Intercom, Typeform, Linear, Slack. 2. Enviar a Claude API para su análisis (Sentimiento; Categoría, Prioridad, Extraer temas clave). 3. Almacenar en la base de datos de Notion con etiquetas. 4. Panel de resumen semanal.
Ejemplo de análisis de IA Entrada: "La aplicación es lenta y no puedo encontrar el botón de exportación".
Salida de IA: Sentimiento: Negativo; Categorías: Rendimiento, UX, Prioridad: Importante, Temas: Velocidad, Navegación, Exportación. Impacto: el tiempo de análisis pasó de 10 horas por semana a 30 minutos por semana, el descubrimiento de patrones mejoró (la IA detecta temas que me perdí), se generaron informes semanales automáticamente y las tendencias son visibles en el panel de Notion. Información descubierta por AI: después de 3 semanas, AI señaló que el 40% de las quejas "lentas" mencionaban "grandes conjuntos de datos". Los humanos (yo) los categorizábamos genéricamente como "actuación". Pero la IA detectó el patrón: un caso de uso específico con gran cantidad de datos. Luego, optimizamos el escenario específicamente y las quejas disminuyeron rápidamente en un 60%. Herramientas y configuración: n8n, Claude API ($20/mes para este volumen), Notion API (gratis). Por un costo total de alrededor de ~$20 al mes, ahorré 40 horas al mes. El ROI (retorno de la inversión) es asombroso. Aprendizaje clave: la IA no reemplaza el análisis. Aumenta su capacidad para procesar información y detectar patrones.
La pila SaaS PM moderna
Para ser eficiente, un gerente de producto necesita utilizar un conjunto sólido de herramientas:
Herramientas de análisis: Mixpanel o Amplitude para el seguimiento del comportamiento de los usuarios. Google Analytics para tráfico y adquisición. Metabase para consultas personalizadas y un panel de control. Power Bi/Looker/Tableau para tablero. Documentación y hoja de ruta: Noción (o Confluencia): la única fuente de la Verdad. Jira para historias de usuarios Herramienta de automatización para recopilación de comentarios, sistema de alertas, informe semanal: N8n, Zapier, Make. Herramientas de IA: Claude, ChatGPT, Gemini (análisis de comentarios, corrección, investigación rápida) Tenga en cuenta: la IA no debe reemplazarlo. Siempre hay que comprobar dos o tres veces. No confíes en la IA; es una herramienta para hacerlo más eficiente, no para hacer el trabajo por usted. Si no sabes cómo hacer algo, aprende primero. Comunicación: Slack para la coordinación del equipo, Loom para actualizaciones asincrónicas, Lovable o Figma para el diseño y Jira para la coordinación del equipo. Las habilidades con los datos (es bueno tenerlas), comprender los datos y poder realizar sus propias búsquedas sin consultar a un analista de datos le ahorrarán tiempo. Es una habilidad excelente para desarrollar. Recomiendo SQL primero y luego Python.
¡Al utilizar estas herramientas, su retorno de la inversión se multiplicaría por un número indefinido!
Cómo ayuda mi experiencia en marketing: mi ventaja injusta
Llevo 7 años en gestión de producto, pero antes me gradué con una Maestría en Marketing. Una ventaja inesperada, ya que ya estaba familiarizado con cómo la construcción de un producto debe responder y satisfacer una necesidad ya existente con muchos de los conceptos, tales como:
Psicología del usuario mediante el uso del descubrimiento y las personas. El seguimiento de las métricas no es suficiente. Comprender POR QUÉ se comporta un usuario. El marketing me enseñó a pensar como un usuario. El usuario primero, siempre. El posicionamiento importa: puede ser una causa de tu problema de adquisición. Pensamiento de embudo completo: mi mente no se detiene en la entrega del producto. Pienso: concienciación, descubrimiento, prueba, adopción, retención, actualización. Narración de datos: cómo convertir los datos en una narrativa.
¿Cómo empezar?
Según mi experiencia y al hablar con muchos PM, el primer problema que noté es la falta de comprensión de la psicología del usuario y la estrategia comercial. Tener métricas es una cosa; entenderlos es otra.
Esto crea un déficit de confianza.
Necesita pensar en productos para tener éxito en la gestión de productos basada en datos.
No convertirse en un experto en dominios de la noche a la mañana. Pero es esencial tener suficiente comprensión para comunicarse de manera efectiva con las diferentes partes interesadas, enmarcar los problemas desde la perspectiva del usuario y diseñar soluciones que realmente creen valor.
El primer paso es aprender los conceptos básicos: cómo se crean los productos, cómo los usuarios toman decisiones, cómo las empresas miden el éxito y cómo los equipos colaboran de forma eficaz.
¿Cómo hacerlo?
1. Aprenda los fundamentos de la gestión de productos
Estrategia de producto: definir una visión, establecer objetivos y crear hojas de ruta. Investigación de usuarios: recopilar conocimientos, realizar entrevistas y validar suposiciones. Análisis y métricas: elegir y comprender los KPI adecuados, configurar paneles y medir el impacto. Gestión de partes interesadas: poder comunicarse con ingeniería, diseño, marketing y liderazgo adaptando su discurso a su interlocutor. Herramientas y flujos de trabajo: uso de Notion para documentación, n8n para automatización y una herramienta de colaboración.
2. Cree su pila de PM Tech para lograr un mejor impacto
En la gestión de productos, queremos crear soluciones que impulsen el valor para el usuario y los resultados comerciales. Tomando medidas pequeñas pero impactantes:
Configura tu noción. Aprenda a utilizar la IA. Aprenda a utilizar la automatización.
¿Tengo recomendaciones de libros?
¡Sí!
Si desea profundizar su comprensión, aquí tiene libros que dieron forma a mi enfoque:
“Inspirado” por Marty Cagan – Fundamentos de gestión de productos. “Lean Analytics” de Alistair Croll y Benjamin Yoskovitz: Métricas que importan. “Continuous Discovery Habits” de Teresa Torres – Investigación de usuarios a escala. “The Lean Startup” de Eric Ries – Experimentación y validación.
Si le gustan los marcos y desea aplicarlos a escenarios de productos reales, estos libros son para usted.
3. Sea dueño de sus datos
Como mencioné anteriormente, tener KPI es bueno; comprenderlos es fundamental.
'¿Cuál es el mejor KPI/Qué KPI estás usando?'
¿Has escuchado esta pregunta antes?
¡Es una mala pregunta! Y si respondiste, estás equivocado.
Necesitamos entender que no existe el mejor KPI. Un KPI que funcione en un entorno específico no necesariamente funcionará en otra situación. Para configurar un KPI, primero debe determinar qué necesita comprender y observar.
Tener los conceptos básicos de Data Analytics es realmente bueno; usted mismo podrá realizar su análisis.
La segunda ventaja es que le permitirá tener conversaciones más profundas con los equipos técnicos para Saas con mucho volumen de datos.
4. Comprenda la entrega
La diferencia entre gestión de proyectos y gestión de productos.
Incluso si ambos roles pudieran parecer similares, son de naturaleza diferente. Un gerente de producto construye el producto y es dueño de él. Es responsable del ciclo de vida completo.
Un Project Manager está a cargo de la entrega, planificación, recursos, presupuesto, plazo y alcance. En un SaaS, el proyecto suele ser una característica o el producto en sí.
Si eres un Product Manager con habilidades de Gestión de Proyectos, eres dueño del ciclo completo.
Si es un gerente de producto basado en datos y posee el ciclo completo, está completo.
5. El primer enfoque es práctico y viable.
He estado usando y creando flujos de trabajo de automatización durante un tiempo y eso me ha ahorrado mucho tiempo. Si revisas mis plantillas en n8n, puedes encontrar un esqueleto de lo que es posible (con un video de YouTube que lo explica). Puedes tomar la plantilla y adaptarla a tus necesidades. Le recomiendo encarecidamente que adapte estos marcos al contexto específico de su empresa. Por ejemplo, se utiliza una clasificación de retroalimentación automatizada al realizar una UAT (Prueba de aceptación del usuario).
También debe experimentar con diferentes criterios de priorización, probar varias configuraciones de análisis y crear flujos de trabajo personalizados para las necesidades de su equipo.
Tenga en cuenta que el objetivo es desarrollar tanto su intuición sobre el producto como sus habilidades de análisis de datos.
¿Qué sigue?
Espero que ahora esté convencido de la importancia de ser un gerente de producto basado en datos cuyas habilidades se valoran por su impacto en los usuarios y las empresas.
Como alguien que trabaja a diario con equipos multifuncionales y crea productos, puedo confirmar que existe una necesidad creciente de PM que puedan cerrar la brecha entre los datos y la toma de decisiones.
¿Cuál es su mayor desafío al convertirse en un gerente de producto basado en datos?
¿Quién soy yo?
Soy Yassin, un gerente de producto que se expandió a la ciencia de datos para cerrar la brecha entre las decisiones comerciales y los sistemas técnicos. Aprender Python, SQL y análisis me ha permitido diseñar información sobre productos y flujos de trabajo de automatización que conectan lo que los equipos necesitan con el comportamiento de los datos. Conectémonos en Linkedin