6 de julio de 2026Actualizado el Fathy Shalaby15 min de lectura
Métricas de product-led growth: qué medir en cada etapa del PLG
La pila de métricas PLG en cuatro capas, con una fórmula y un benchmark verificado para cada métrica, un ejemplo resuelto y los errores de medición que hacen que los funnels de autoservicio se atasquen.
Las métricas de product-led growth miden lo que los usuarios hacen dentro del producto y que predice ingresos: cuántos registros alcanzan un valor real (activación), con qué rapidez, si crean un hábito y si las cuentas se expanden e invitan a otros. El conjunto básico es la tasa de activación, el time to value, los product-qualified leads, la conversión free-to-paid, el DAU/MAU, la net revenue retention y el coeficiente viral, leídos por fuente de adquisición y por segmento de cliente.
Ideas clave
La conversión en PLG es más baja de lo que esperan la mayoría de los equipos orientados a ventas: en los benchmarks de 2022 de OpenView, los productos freemium convertían al 5 % de los usuarios gratuitos en clientes de pago y las pruebas gratuitas al 17 % (OpenView, 2022).
Hacer seguimiento de los product-qualified leads o cuentas aumentó un 61 % la probabilidad de crecer rápido en la encuesta de OpenView y Pendo a 1.000 empresas (OpenView, 2023).
La activación media en más de 500 productos es del 34 %, y la mediana del 25 % (Lenny's Newsletter, 2022).
La mejor net revenue retention ronda el 110-120 % (ChartMogul), pero la empresa SaaS B2B mediana estaba en el 82 % en 2025 (ChartMogul, 2025).
Un coeficiente viral por debajo de 1 igualmente ayuda: con K = 0,3, cada 100 registros traen unos 43 más con el tiempo.
¿Por qué no funcionan las métricas SaaS estándar para el product-led growth?
En un modelo orientado a ventas, el funnel es lineal: lead, oportunidad, demo, cierre. Mides los traspasos entre personas: MQL, SQL, tasa de éxito, ciclo de ventas.
En PLG hay pocos traspasos. El funnel es conductual: descubrir, registrarse, activar, crear un hábito, expandir. Cada paso depende de lo que el usuario hace, o no hace, dentro del producto. Estás midiendo comportamientos que predicen ingresos, no etapas de pipeline que los contienen.
Por eso las métricas de ventas copiadas sin más confunden a los equipos PLG. «Tenemos 10.000 registros» dice poco si 9.800 nunca vieron valor. «El trial-to-paid es del 8 %» dice poco si no sabes qué hizo diferente ese 8 %.
El PLG ya es la norma, no la excepción. La adopción de enfoques guiados por el producto entre los encuestados de OpenView pasó del 45 % al 55 % entre 2019 y 2022 (OpenView, 2022). La pregunta que responden las métricas PLG no es «¿cuánta gente hay en cada etapa?», sino «¿qué comportamientos predicen retención, expansión y recomendación?».
¿Cuáles son las cuatro capas de las métricas de product-led growth?
Agrupa las métricas de product-led growth en cuatro capas. Cada capa responde a una pregunta y tiene de dos a cuatro métricas que merece la pena seguir.
Capa 1: ¿qué calidad tiene tu adquisición?
En PLG, la calidad de la adquisición importa más que el volumen. Diez registros de personas que encajan con tu perfil de cliente ideal (ICP) valen más que mil de una campaña amplia, porque esos diez realmente usan el producto.
Tasa de registro a activación por fuente. Desglosa la activación por canal. OpenView encontró que las mejores empresas freemium obtienen el 53 % de sus nuevos usuarios de la búsqueda orgánica y el 13 % de recomendaciones impulsadas por el producto, frente al 10 % de la publicidad de pago y el 8 % del outbound (OpenView, 2022). Su encuesta de 2023 halló que depender en exceso de la adquisición de pago se correlacionaba de forma inversa con el crecimiento rápido (OpenView, 2023). Tu propio reparto será distinto; mídelo antes de mover presupuesto.
Time to first value por segmento de ICP. ¿Cuánto tarda un usuario ICP en llegar al primer resultado útil? Ilustrativo: si los usuarios ICP activan en 3 días y los que no son ICP tardan 10 (y la mayoría se va antes), has encontrado a la vez un problema de segmentación y un problema de fricción del producto.
Product-qualified leads (PQL). Un PQL es un registro que encaja con tu ICP y ha mostrado intención de compra a través de su comportamiento en el producto, por ejemplo al completar un paso de activación o alcanzar un límite de uso. Optimiza esto, no los registros en bruto.
Capa 2: ¿los registros llegan a un valor real?
La activación es la métrica PLG más importante y la más malinterpretada. No es «completó el onboarding», «entró dos veces» ni «vio el vídeo de introducción». Es el punto en el que un usuario ha experimentado suficiente valor como para que sea probable que se quede. Es predictiva, no descriptiva.
Para encontrar tu verdadero hito de activación, haz un análisis de cohortes. Toma a los usuarios retenidos a los 30 días y busca el comportamiento más temprano que completaron con una frecuencia mucho mayor que quienes se fueron. Ese comportamiento, y no el que el equipo daba por supuesto, es tu hito. El método completo está en la guía de activación en SaaS.
Tasa de activación (hasta el hito real). La proporción de registros que completan el comportamiento que predice la retención. Benchmarks: 34 % de media y 25 % de mediana en más de 500 productos; 36 % y 30 % solo para SaaS (Lenny's Newsletter, 2022).
Time to activation. Minutos, horas o días desde el registro hasta el hito. La rapidez importa: en los datos de 2025 de Amplitude sobre más de 2.600 empresas, el 69 % de los productos con buena activación temprana también estaban entre los de mejor retención a tres meses, y en la mitad de los productos más del 98 % de los nuevos usuarios estaban inactivos dos semanas después de su primera acción (Amplitude, 2025).
Abandono de la activación por paso. ¿Dónde se caen los usuarios antes del hito? Una caída del 60 % en «conecta tu primera integración» es un problema distinto de una caída del 60 % en «invita a un compañero». Esta lista es tu roadmap de onboarding.
Capa 3: ¿los usuarios activados están creando un hábito?
La retención es el motor del efecto compuesto del PLG. Un usuario activado que se va en el segundo mes no aporta nada al boca a boca, a la expansión ni a la comunidad.
DAU/MAU (stickiness). Usuarios activos diarios divididos entre usuarios activos mensuales. Andrew Chen señala que las apps por encima del 20 % suelen considerarse buenas y las del 50 % o más, de primera clase mundial, con Facebook históricamente por encima del 50 % (Andrew Chen). También advierte de que este ratio no sirve para productos que la gente usa con menos frecuencia. Para una herramienta semanal, como un producto de planificación o de informes, usa los activos semanales entre los activos mensuales y juzga la tendencia, no un objetivo absoluto.
Retención de uso. La proporción de una cohorte de registros que sigue activa a los 30 días. Los encuestados freemium de OpenView promediaron un 20 %, y las empresas PLG destacadas un 16 % (OpenView, 2022). Los datos de Userpilot sitúan la retención del primer mes en un 46,9 % de media en 83 empresas SaaS B2B (Userpilot). Las definiciones de «activo» difieren, y por eso las dos cifras están tan alejadas. Compárate primero con tus propias cohortes anteriores.
Profundidad de adopción de funcionalidades. ¿Qué proporción de usuarios activados depende de más de una funcionalidad clave? Userpilot encontró que la adopción de funcionalidades clave promedia un 24,5 % (mediana 16,5 %) en 181 empresas SaaS B2B (Userpilot). La hipótesis de trabajo es que una adopción más profunda aumenta el coste de cambio; compruébala con tus propios datos de retención antes de actuar.
Amplitud de uso dentro de las cuentas. En PLG B2B, la adopción por parte del equipo importa más que la individual. Un solo power user es un riesgo de churn el día que se va. Haz seguimiento de la proporción de cuentas por encima de un umbral de puestos que elijas, por ejemplo 3 o más puestos activos por semana.
Capa 4: ¿las cuentas se expanden e invitan a otros?
Aquí es donde nace el efecto compuesto del PLG, y donde la mayoría de los equipos deja dinero sobre la mesa.
Net revenue retention (NRR). Los ingresos que se conservan de los clientes existentes tras el churn, las rebajas de plan y la expansión, normalmente a 12 meses. Una NRR superior al 100 % significa que la base de clientes crece sin logos nuevos. ChartMogul sitúa la mejor NRR en torno al 110-120 %, y al 115-125 % en B2B que vende a empresas medianas y grandes (ChartMogul). La mediana es mucho más baja: 82 % en empresas SaaS B2B de más de 250.000 USD de ARR en 2025, con el cuartil superior en el 97 % (ChartMogul, 2025). El nivel de precio influye: en los datos de 2022 de ChartMogul, el 41,1 % de los negocios con un ingreso medio por cuenta superior a 500 USD al mes tenía una NRR por encima del 100 % (ChartMogul).
PQL de expansión. Los usuarios de cuentas de pago que alcanzan límites de uso, invitan a compañeros con frecuencia o usan funcionalidades avanzadas son leads de expansión calientes. Derívalos a una mejora de plan en autoservicio o a una persona, según el valor de la cuenta.
Coeficiente viral (factor K). Cuántos usuarios nuevos trae cada usuario existente. La fórmula de David Skok es K = invitaciones enviadas por usuario × tasa de conversión de las invitaciones, y K debe superar 1 para que haya crecimiento viral de verdad (For Entrepreneurs). También demuestra que el tiempo de ciclo viral, lo que tarda en completarse un bucle de invitación, importa más que K: en su modelo, un ciclo de 2 días llega a 20.470 usuarios tras 20 días, mientras que un ciclo de 1 día supera los 20 millones.
Time to expansion. ¿Cuánto tiempo después del registro suele expandirse una cuenta? Ilustrativo: si la expansión mediana ocurre en el mes 3 pero el contacto comercial empieza en el mes 6, estás perdiendo la ventana. Activa el trabajo de expansión por comportamiento, no por calendario.
¿Cuáles son las fórmulas de las métricas PLG?
Métrica
Fórmula
Benchmark verificado
Tasa de activación
Usuarios que alcanzan el hito en la ventana ÷ registros de la cohorte
Usa los benchmarks como comprobación de cordura, no como objetivo. Cada fuente define «activo» y «activado» de forma distinta, y nunca deberías comparar entre sí productos freemium y productos con prueba gratuita.
Freemium o prueba gratuita: ¿qué benchmarks te corresponden?
La «historia de 1.000 visitantes» de OpenView muestra por qué el modelo importa más que cualquier tasa de conversión aislada (OpenView, 2022):
Por cada 1.000 visitantes del sitio web
Freemium (mediana)
Prueba gratuita (mediana)
Registros gratuitos
60 (6 %)
40 (4 %)
Conversión free-to-paid
5 %
17 %
Clientes de pago
3
7
Convertidos sin contacto comercial
Cerca de 2
Cerca de 1
El freemium crea más usuarios y menos clientes; las pruebas crean menos usuarios y más clientes. Un equipo freemium que celebra una conversión del 5 % y un equipo de prueba preocupado por un 15 % pueden estar ambos en la mediana. Elige los benchmarks de tu propio modelo.
¿Cómo se construye un product-qualified lead (PQL)?
OpenView encontró que casi un tercio de las empresas freemium contactaba con todos los registros, mientras que las empresas PLG destacadas contactaban de media solo al 14 %. Solo el 45 % de las empresas freemium y el 19 % de las orientadas a ventas tenían una métrica de PQL (OpenView, 2022). Un PQL lo resuelve centrando a las personas en las cuentas con más probabilidad de comprar.
Elige el resultado. Normalmente, la conversión a cliente de pago en 30 o 60 días, o una mejora a un plan superior.
Haz una lista de comportamientos candidatos. Hito de activación alcanzado, compañeros invitados, límite de uso alcanzado, página de precios vista, integración conectada.
Compara a quienes convierten con quienes no. Con los registros de los últimos 3-6 meses, busca los comportamientos que los que convirtieron completaron con mucha más frecuencia.
Añade el encaje. Combina el comportamiento con el encaje con el ICP (tamaño de empresa, rol, caso de uso) para que un estudiante curioso no quede por delante de un equipo de 20 personas.
Fija un umbral y deriva. Por encima del umbral, una persona se pone en contacto o se activa un aviso de mejora de plan dentro del producto. Por debajo, el producto sigue haciendo el trabajo.
Revisa cada mes. Mide la conversión de PQL a pago frente a la de los que no son PQL. Si la diferencia es pequeña, la definición está mal.
El resultado puede ser enorme: en la encuesta de 2023 de OpenView y Pendo, hacer seguimiento de los PQL o de las cuentas cualificadas por el producto elevó un 61 % la probabilidad de crecer rápido, la palanca más fuerte del estudio (OpenView, 2023). Es una correlación de una encuesta, no una prueba de que los PQL causen el crecimiento, pero ninguna otra palanca se acercó.
Ejemplo resuelto: leer un funnel PLG de principio a fin
Ejemplo ilustrativo. Supongamos que una herramienta B2B freemium recibe 20.000 visitantes al mes en su sitio web.
Adquisición: el 6 % se registra, lo que da 1.200 registros gratuitos.
Activación: el 30 % alcanza el hito de activación en 7 días: 360 usuarios activados. Time to activation mediano: 2 días.
Hábito: el 25 % de los 1.200 originales sigue activo el día 30: 300 usuarios.
Conversión: el 5 % de los registros se convierte en cuentas de pago: 60 clientes nuevos al mes.
Viral: cada usuario nuevo envía de media 2 invitaciones y se acepta el 15 %, así que K = 2 × 0,15 = 0,3. Si cada usuario nuevo invita solo una vez, justo después de registrarse, los 1.200 registros traen 1.200 × 0,3 ÷ (1 − 0,3) ≈ 514 más con el tiempo.
Doce meses después, los clientes que pagaban 20.000 € de MRR a principios de año han añadido 3.000 € de expansión y han perdido 500 € por rebajas de plan y 1.500 € por churn:
¿Qué debería hacer este equipo? La activación (30 %) está cerca de la mediana del SaaS, así que la mayor palanca probablemente sea el 70 % que nunca activa. La K de 0,3 no es crecimiento viral, pero suma alrededor de un 43 % a la adquisición gratis, así que acortar el bucle de invitación es la segunda palanca. Una NRR superior al 100 % indica que los clientes existentes encuentran valor continuo: protégela.
¿Qué debería mostrar un dashboard PLG y con qué frecuencia?
Pulso semanal (táctico):
Nuevos PQL esta semana frente a la anterior
Tasa de activación de la última cohorte de 7 días
Time to activation mediano, esta cohorte frente a la media de 30 días
Tendencia de activos semanales (o DAU/MAU para productos diarios)
Revisión mensual (estratégica):
Tasa de activación por fuente de adquisición
Retención a 30/60/90 días por cohorte de activación
Distribución de la profundidad de adopción de funcionalidades
Proporción de cuentas por encima de tu umbral de puestos activos
NRR y GRR
Pipeline de PQL de expansión
Análisis a fondo trimestral:
Repetir el análisis de cohortes: ¿ha cambiado el hito real de activación?
Segmentar cada métrica entre ICP y no ICP
Tendencia del coeficiente viral y del tiempo de ciclo
¿Cuáles son los errores de medición más comunes en PLG?
1. Usar el hito de activación equivocado. «Completó la checklist de onboarding» mide que se rellenó un formulario, no el valor. Haz el análisis de cohortes y reconstruye todo en torno al comportamiento que predice la retención.
2. Contar usuarios activos mensuales sin segmentar. Alguien que entra una vez al mes para quitar una notificación no está activo en ningún sentido útil. Segmenta por profundidad de engagement, encaje con el ICP y potencial de expansión.
3. Ignorar las señales a nivel de equipo en B2B. Una empresa donde una sola persona usa mucho tu producto está en riesgo en cuanto esa persona se va. Haz seguimiento de la activación, la amplitud y el crecimiento de puestos a nivel de cuenta como métricas de primer orden.
4. Tratar la NRR como una métrica de finanzas. Una NRR que cae significa que el producto no aporta suficiente valor continuo para justificar la renovación y la expansión. Es un problema de producto, no solo de gestión de cuentas.
5. Construir el bucle viral como una ocurrencia tardía. Si las invitaciones están enterradas en Ajustes, K será casi cero. Pon el compartir en el flujo de activación y en el primer momento colaborativo, y acorta el tiempo de ciclo.
6. Compararte con el benchmark equivocado. Un producto freemium juzgado con la conversión de pruebas gratuitas parecerá roto, y un producto nativo de IA juzgado con la retención del SaaS clásico parecerá todavía peor: ChartMogul encontró que las empresas nativas de IA tenían una NRR mediana del 48 % en 2025 (ChartMogul, 2025). El precio también condiciona la expansión, así que replantéate si el precio por puesto encaja con un producto de IA.
¿Cuándo no encaja esta pila de métricas?
Los productos muy tempranos, con menos de unos cientos de registros al mes, no pueden leer de forma fiable la retención por cohortes ni los umbrales de PQL; las cifras se mueven con un puñado de usuarios. Habla con los usuarios y haz seguimiento manual de la activación hasta que el volumen haga útil la pila; una encuesta de product-market fit da una lectura más rápida con poco volumen. Los productos puramente orientados a ventas, sin camino de autoservicio, necesitan métricas de pipeline, aunque la activación y la NRR siguen aplicándose una vez cerrado el trato.
Dónde encaja Specky
La mayoría de los equipos PLG tienen los datos. Están en PostHog, Pendo y una hoja de cálculo, desconectados de las decisiones que deberían orientar. Specky lee los datos de analítica junto con las llamadas con clientes, el feedback y los tickets en un Product Graph. Su vista Feature Adoption toma las tendencias y funnels de PostHog o las vistas de página de Pendo y muestra la cuota de uso y la tendencia de cada funcionalidad con una sugerencia de ampliar, mantener o retirar, actualizada cada semana. Es apoyo a la decisión, no una lista automática de funcionalidades a retirar (la diferencia se explica en product intelligence vs. product analytics): cuando cambia el uso de una funcionalidad, puedes abrir las entrevistas y los tickets que explican por qué antes de decidir.
Preguntas frecuentes
¿Cuáles son las métricas de product-led growth más importantes?
Las métricas de product-led growth más importantes son la tasa de activación, el time to activation, los product-qualified leads, la conversión free-to-paid, la net revenue retention y el coeficiente viral. La activación es la que más importa al principio, porque predice la retención. La net revenue retention es la que más importa a escala, porque muestra si los clientes existentes siguen encontrando valor y se expanden.
¿Cuál es una buena tasa de conversión free-to-paid para PLG?
Depende del modelo. Los benchmarks de 2022 de OpenView sitúan la mediana en el 5 % de los registros gratuitos para los productos freemium y en el 17 % para las pruebas gratuitas. Compárate solo con productos que usen el mismo modelo y haz seguimiento de la tasa por cohorte y fuente de adquisición, en lugar de una única cifra mezclada.
¿Qué es un product-qualified lead?
Un product-qualified lead es un usuario o una cuenta que encaja con tu perfil de cliente ideal y ha mostrado intención de compra a través de su comportamiento en el producto, por ejemplo al alcanzar el hito de activación, invitar a compañeros o llegar a un límite de uso. Los equipos lo construyen comparando lo que hicieron los registros que convierten y los que no, y derivando las cuentas que superan un umbral a ventas o a un aviso de mejora de plan.
¿Qué es una buena net revenue retention?
Según ChartMogul, la mejor NRR ronda el 110-120 %, y el 115-125 % en las empresas B2B que venden a empresas medianas y grandes. La mediana es más baja: 82 % en empresas SaaS B2B de más de 250.000 USD de ARR en 2025, con el cuartil superior en el 97 %. La NRR sube con el nivel de precio, porque las cuentas de más valor se van menos y se expanden más.
¿Cómo se calcula el coeficiente viral?
Multiplica el número medio de invitaciones que envía cada usuario por la proporción de invitaciones que se convierten en usuarios nuevos. Dos invitaciones con una tasa de aceptación del 15 % dan K = 0,3. Una K superior a 1 significa que cada usuario trae a más de un usuario nuevo, que es crecimiento viral de verdad. Por debajo de 1, las invitaciones siguen sumando usuarios, y acortar el ciclo de invitación es lo que más efecto tiene.
¿Es el DAU/MAU una buena métrica para el SaaS B2B?
Solo para productos que se necesitan a diario. Andrew Chen describe el 20 %+ como bueno y el 50 %+ como de primera clase mundial, pero advierte de que el ratio engaña en productos que se usan cada semana o cada mes. Muchas herramientas B2B son semanales por naturaleza, así que los usuarios activos semanales entre los activos mensuales, leídos como tendencia por cohorte, suelen ser mejor métrica de hábito.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing