Semana a semana tuvimos grandes charlas en las sesiones con Cristian Calla, Debora Gutierrez y Ramiro Castro.

Me siento un privilegiado de poder sentarme a conversar con personas de este calibre.

Y la frutilla del postre...

La semana pasada tuvimos una sesión especial con Benjamin Yoskovitz, el autor del libro.

Me fui de la sesión pensando en varias cosas.

Este artículo lo escribo para bajar un poco a tierra todas estas ideas que me quedaron dando vuelta. Y espero que a ustedes también les sirva y los deje pensando como a mi.

El OMTM cambia. La North Star, no.

Lo primero que tocamos fue la diferencia entre el One Metric That Matters y la North Star Metric. La mayoría las mezcla.

El OMTM es la métrica en la que estás enfocado hoy. Si estás peleando para bajar el churn, ahí está tu OMTM. El mes que viene puede ser otra. La North Star, en cambio, no se debería mover. Es la que te dice si el negocio funciona o no.

La confusión parece menor, pero no lo es.

Cuando mezclás OMTM con North Star, terminás confundiendo foco con estrategia. Una cosa es decidir qué cuello de botella atacar este mes. Otra muy distinta es cambiar la definición de éxito del negocio cada vez que aparece un problema nuevo.

Por etapa cambia el OMTM. La estrella es fija.

Me acordé de la conversación con Ramiro unas semanas atrás, donde bajaba todo a una forma muy simple de mirar el crecimiento: usuarios adquiridos + retenidos + reactivados - perdidos.

Cada componente de esa ecuación puede ser tu OMTM en distintas etapas. La North Star es la ecuación entera.

Mapeá tu negocio como una máquina

Read more

Y de todo lo que dijo, hay una frase que nos quedó dando vueltas.

“Si no sos owner de una métrica, hay algo raro.”

Esa frase resume un problema que vemos en casi todos los equipos con los que trabajamos.

Las compañías eligen su North Star Metric. La hacen pública. Empapelan las paredes con el número. Pero después llega el equipo de growth a la oficina el lunes a la mañana, y nadie sabe qué tocar.

Porque la North Star Metric no se mueve directamente. Se mueve por debajo.

Antes de continuar…

Ramiro forma parte del cohorte de mentores de Mentor, nuestra plataforma donde podés agendar reuniones 1 a 1 con operadores que ya hicieron lo que estás tratando de hacer.

Si querés sentarte con él a desarmar el driver tree de tu propio negocio, o conversar sobre experimentación y métricas con alguien que escaló un producto de 10 millones a unicornio de 2 billions, podés sumarte haciendo clic acá.

Ahora sí, continuamos con el artículo.

La North Star Metric no es una palanca. Es el resultado de varias.

Ramiro tiene una técnica muy clara para resolver esto. La llama KPI driver tree.

La idea es bajar la North Star Metric a una ecuación matemática. Cualquier número grande es el resultado de números más chicos que se suman, se restan o se multiplican entre sí. Si lográs escribir esa ecuación, dejás de mirar un número que nadie sabe cómo mover y empezás a ver palancas concretas que un equipo puede tocar.

Pero antes de descomponer, Ramiro nos dejó una idea sobre qué tipo de North Star Metric conviene elegir.

“Hay dos grandes tipos de North Star Metric. Una es valor, es cuál es el valor que crea tu producto. La otra es revenue. Yo diría que debería ser siempre valor. Cuando una compañía elige revenue es porque no puede mapear bien valor. El revenue sostenible viene siempre por el valor entregado.”

La trampa es que el revenue es más fácil de medir. Y por eso muchas compañías van por el atajo aunque sepan que no es el indicador más sano.

Mural eligió ir por valor. Su North Star Metric era Monthly Active Members: usuarios activos mensuales. La idea era simple. Si la gente usa el producto activamente, el revenue va a venir detrás. Si optimizás solo por revenue, podés terminar exprimiendo a usuarios que ni siquiera están usando bien el producto.

Pero Monthly Active Members tampoco es algo que un equipo pueda mover el lunes a la mañana. Es una foto. No una palanca.

Ahí entra el driver tree.

“Usuarios activos es igual a nuevos, más retenidos, más resucitados, menos los perdidos.”

Listo, ya tenés cuatro cosas para mirar en vez de una. Y cada una de esas cuatro, a su vez, se puede seguir descomponiendo.

Ramiro fue a los nuevos. ¿De dónde vienen? Algunos por la marketing website. Otros por invitaciones de gente que ya está dentro del producto. En Mural, que es colaborativo y viral, descubrió que el 60% de los nuevos usuarios venía de invitaciones. Ese era el lever grande, no la home.

Y de las invitaciones, siguió descomponiendo. La fórmula quedó así:

Nuevos usuarios vía invitación = Invitaciones enviadas × CTR × Acceptance rate

Ahora sí tenés algo que un equipo puede atacar. Mejorar el copy del email. Cambiar el flujo de aceptación. Pelear cada paso con experimentos.

“Cuando lo descomponés así, te regala cosas. Decís: bueno, para subir esta métrica puedo mandar más emails, o subir el open rate, o mejorar la tasa de aceptación. Cada una es un experimento distinto.”

Una vez que tenés el árbol, ves lo que está roto

Read more

Tuvimos el honor de conversar con Benjamin Yoskovitz, coautor de Lean Analytics, el libro que estuvimos leyendo todo este mes.

Algunas de los temas que tocamos son:

• La diferencia entre el One Metric That Matters y el North Star Metric.

• Cómo mapear tu negocio para encontrar dónde está la pieza más rota.

• Cómo HubSpot creó el Customer Happiness Index para predecir el churn antes de que ocurra.

• Por qué los agentes van a ser tus principales usuarios en cinco años y cómo eso te cambia la UI, las métricas y el modelo de negocio.

Y varios temas más.

Esta grabación es exclusiva para miembros del Growth Club.

Si todavía no formas parte de esta comunidad que estamos construyendo, podés sumarte al Growth Club y acceder a las próximas sesiones en vivo, al grupo privado de WhatsApp y a todo el contenido exclusivo que compartimos dentro.

QUIERO SER MIEMBRO DEL GROWTH CLUB

Saludos 👋

Read more

Pero lo que más me interesa de Debora no es por dónde pasó. Es lo que construyó adentro de Rappi: una métrica única que logró alinear a una compañía que iba en 900 direcciones distintas. La llamaron CPID. Cost per Incremental Delivery, o Costo por orden incremental.

Y esa métrica es lo que quiero desarmar en este artículo.

Este es un contenido exclusivo para miembros del Growth Club 👇

Read more

Acá Croll y Yoskovitz salen del foco que tuvieron durante todo el libro y muestran cómo el mismo enfoque se aplica en otros contextos.

Empresas que venden a clientes corporativos, equipos dentro de organizaciones grandes que quieren innovar desde adentro, y el cierre, qué pasa cuando una startu…

Read more

Pasó con los buscadores en los 2000 como Google, Yahoo, MSN Search… o con las redes sociales por 2007/2008 teniendo a Facebook, MySpace, hi5.

Hoy, con esta nueva tecnología que es la IA (y ya no tan nueva), veo como ChatGPT, Claude, Gemini y otras plataformas están teniendo cada vez mayor adopción y compitiendo entre sí para convertirse en el gran canal de distribución de esta nueva era.

En el próximo Google o Facebook.

Pero todavía veo un mercado muy fragmentado. Y honestamente, las principales opciones son muy parecidas.

Porque si hablamos de modelos, no existe una diferencia de 10X entre unos y otros.

Anthropic saca su versión más avanzada Opus 4.7 para Claude, y a la semana OpenAI saca su versión GPT-5.5; y así sucesivamente.

Y cuando todos hacen lo mismo, lo que ofrecen deja de ser diferencial.

Lo que sí es diferencial es cuánto sabe la herramienta de vos. Que conozca tu contexto mejor que la competencia.

Por ejemplo, si usás ChatGPT para investigar ciertos temas de interés, decidir qué computadora comprar, buscar actividades turísticas en alguna ciudad, que te de un diagnóstico rápido de los análisis de sangre que recién te llegaron, y así puedo seguir nombrando cientos casos de uso… todo ese contexto acumulado hace que las respuestas que te va a dar ChatGPT sean mucho más personalizadas.

Lo mismo pasa a nivel compañía. Cuantas más tareas ejecute, cuantos más diagnósticos le pidas y cuanta más data le metas; más va saber sobre tu negocio.

Entonces ahí veo que está el diferencial.

Antes de continuar, un breve anuncio...

Si estás leyendo esto, seguramente te interese lo que estamos haciendo en Xtreme Growth. Es nuestro programa donde construimos, escalamos y experimentamos con IA aplicada a growth.

La próxima edición arranca el 25 de mayo y los cupos son limitados.

QUIERO APLICAR

Ahora sí, continuo con el artículo.

El momento que estamos viviendo

Lo que está pasando ahora es que todas las plataformas de IA están más abiertas que nunca al mercado.

Y tiene su lógica.

Como pasó con Google a inicios de los 2000 con el SEO. Hacías buen contenido, rankeabas, te llegaba tráfico gratis. Cualquiera podía aparecer primero de forma orgánica.

Eso hizo que todos empezaran a pensar su contenido para que Google los indexe mejor y te muestre en los primeros resultados.

Facebook hizo lo mismo. En 2007 lanzó su plataforma de developers con un mensaje claro. “Construí lo que quieras sobre Facebook, usá nuestros canales virales, quedate con el 100% de tu revenue”. Zynga construyó FarmVille sobre esa apertura hasta valer 10.000 millones de dólares.

Cada vez que un canal de distribución arranca, hace lo mismo. Abre las puertas de par en par para acelerar la adopción.

Y eso es exactamente lo que estoy viendo hoy en las plataformas de IA.

En noviembre de 2024, Anthropic lanzó MCP, Model Context Protocol. Un estándar abierto que permite que cualquier herramienta del mercado se conecte con cualquier IA. OpenAI lo adoptó en marzo de 2025. Google lo adoptó en abril de ese mismo año. Todos usan el mismo protocolo abierto.

Esto hace que Notion, HubSpot, Grain, Slack, Zoom y prácticamente cualquier herramienta de software pueda conectarse con ChatGPT, Claude o Gemini sin necesidad de un acuerdo entre empresas. Sin negociaciones. Sin partnerships.

Las plataformas de IA simplemente abrieron la puerta y dijeron “vengan todos”.

Es la misma jugada que hizo Google con el SEO. La misma que hizo Facebook con su plataforma de developers. La misma que hizo Apple con la App Store.

Lo que viene

Read more

Esta vez nos acompañó Ramiro Castro, que fue parte del equipo que escaló Mural de 10 a 120 millones de dólares de revenue anual.

En esta sesión hablamos de por qué si no tenés una métrica que estás persiguiendo en tu rol o en tu equipo, no estás haciendo nada. De cómo descomponer tu métrica más importante en un KPI Driver Tree para entender qué palancas mueven el negocio. De por qué no perseguir vanity metrics. Y de cómo experimentar bien sin perder tiempo.

Esta grabación es exclusiva para miembros del Growth Club.

Cada semana traemos un crack del mundo del growth para que comparta su experiencia con nosotros. El mes pasado tuvimos a Sean Ellis, autor del libro que estábamos leyendo, y la próxima semana se viene una sorpresa muy top.

Si todavía no formas parte, podés sumarte al Growth Club y acceder a las próximas sesiones en vivo, al grupo de WhatsApp y a todo el contenido privado que compartimos dentro.

QUIERO SER MIEMBRO DEL GROWTH CLUB

Saludos 👋

Read more

Sin un punto de comparación, los datos no significan mucho. Un churn del 5% suena horrible si no sabés que en ciertas industrias el promedio es del 12%. Una conversión del 2% parece baja hasta que descubrís que en la mayoría de los e-commerce ese …

Read more

Si querés saber cómo aplicar IA a tu negocio (adquisición, retención, monetización y operaciones), te invito a aplicar a la próxima edición del Curso Xtreme Growth.

En este episodio converso con Fernando Scasserra, actual CTO de Ualá.

Fer tiene una trayectoria poco común: 15 años dentro de Mercado Libre (entró cuando el equipo de tecnología tenía 50 personas y se fue cuando ya eran más de 8.000), 4 años como Chief of Technology en Kavak, y hoy liderando la transformación tecnológica de Ualá.

Lo más interesante de Fer es que combina dos cosas que pocos líderes logran mezclar. La obsesión técnica de un builder que programa en su casa hasta las 2 de la mañana, con la visión de negocio de alguien que operó dos de las empresas más grandes de Latam.

Una charla sobre escalar equipos, liderar tecnología cuando todo cambia cada semana, y transformar una empresa entera en AI First.

Temas destacados del episodio:

• Qué vio Fernando en 15 años dentro de Mercado Libre

• Cómo se escala un equipo técnico desde cero hasta miles de personas

• Qué cambia en el rol del CTO en la era de la IA

• Cómo están cambiando los equipos con herramientas AI

• Transformar una empresa en AI First

• Y mucho más...

Escucha ahora en Spotify, Apple Podcast y YouTube.

Dónde encontrar a Fer:

• LinkedIn: in/fersca/

Dónde encontrar a Dylan:

• Instagram: /dylanrosemberg/

• LinkedIn: in/dylanrosemberg/

• Sitio web: www.growthrockstar.com/

Capítulos:

00:00 - Intro
01:10 - Cómo usa Fernando la IA en su día a día
05:55 - Background de Fernando
08:37 - Inicio de Fer a Mercado Libre
13:28 - Experiencia en Mercado Libre
24:57 - Cómo retener talento
28:59 - Cómo escalar el equipo
37:07 - Cuándo y cómo adoptar una tecnología nueva
55:21 - Transición de Mercado Libre a Kavak
1:00:35 - Lo que aprendió como CTO
1:08:21 - El nuevo rol del CTO en la era IA
1:13:33 - Cómo cambian los equipos con IA
1:19:43 - Estructuras flat y el framework deep vs broad
1:31:45 - Cómo Ualá está transicionando a AI First
1:36:28 - Casos de uso que Fernando está construyendo
1:44:25 - Cierre

Mis mayores aprendizajes de esta conversación:

1. Contratar bien es un craft, no un proceso. El ejemplo de Fer es brutal: 5.000 personas en un examen técnico, 100 pasan, 60 dicen que no, 40 vienen a entrevista, termina entrando una. Cuando tu empresa está creciendo a toda velocidad, la mayor trampa es bajar el estándar para llenar vacantes.

2. Retener con honestidad, no con manipulación. La filosofía de Fer cuando alguien le quiere renunciar: “Te voy a hablar como si fuese tu primo.” A veces significa decirle “andá, es una oportunidad fantástica”. Otras, “pará, te están engañando con el título.” Parece contraintuitivo, pero termina construyendo lealtad.

3. El CTO ya no es dueño de la tecnología. Este fue el insight que más me resonó. Con IA, cualquier persona de la empresa puede construir algo técnico. El rol del CTO deja de ser “yo controlo todo lo que pasa” y pasa a ser enabler: dar herramientas, dar trainings, y tomar las decisiones macro que desbloqueen a toda la compañía.

4. Hay que aprender el idioma de negocio. Fer contó una historia que me voló la cabeza. En Kavak daba updates técnicos con proyectos, avances, pantallas. Nadie se copaba. Hasta que entendió que su audiencia eran economistas y rehízo sus PPTs en estilo McKinsey, con gráficos de revenue y costos. La fascinación fue instantánea. No hablar de bugs, hablar de plata.

5. AI First no se improvisa, se planifica. El plan que están ejecutando en Ualá tiene 4 bloques claros: (1) herramientas para todos, (2) trainings diferenciados por rol, (3) academy para casos de uso, (4) hackatones y after hours. Un playbook concreto y replicable.

6. Los devs que se resisten a la IA no son necios, son artesanos. Esto me cambió la perspectiva. Hay programadores que aman el craft; el proceso de pensar el algoritmo, de escribir código limpio. Cuando la IA lo hace por ellos, sienten que pierden la parte más disfrutable. Entender esa emoción es clave para liderarlos.

7. Deep vs Broad. Fer se define como deep: puede estar 13 horas concentrado con un libro de matemáticas. Hay perfiles broad que brillan en multitasking y reuniones. Ninguno es mejor.

   ---

Dylan puede ser inversor de las empresas mencionadas en los episodios.

Esta vez nos acompañó Debora Maron Gutierrez, que lideró data y growth durante varios años en Rappi y XP Inc., midiendo crecimiento en compañías con bases de decenas de millones de usuarios.

La conversación cayó perfecto con lo que estamos leyendo en Lean Analytics.

Nos metimos de lleno en uno de los temas centrales del libro: cómo diferenciar las métricas que mueven el negocio de las que solo te dan una falsa sensación de progreso.

Por qué medir conversión sin medir incrementalidad te hace gastar plata en órdenes que igual iban a pasar. Cómo usar el capital allocation para sacar plata donde sobra y ponerla donde falta. Por qué la hiperpersonalización tiene un límite, y en qué punto la complejidad supera al retorno. Y cómo alinear a una organización entera alrededor de un set finito de métricas, cuando cada área mide al mismo cliente con una vista distinta.

Además, Debora compartió aprendizajes muy concretos de su paso por Rappi: cómo definieron el CPID (cost per incremental delivery), cómo lo usaron para decidir dónde invertir y dónde desinvertir, y cómo lograron que una compañía que funcionaba más como un conjunto de startups empezara a tomar decisiones como una sola empresa.

Esta grabación es exclusiva para miembros del Growth Club.

Si todavía no formas parte de esta comunidad que estamos construyendo, podés sumarte al Growth Club y acceder a las próximas sesiones en vivo, al grupo de WhatsApp y a todo el contenido privado que compartimos dentro.

QUIERO SER MIEMBRO DEL GROWTH CLUB

Saludos 👋

Read more

Si hay una idea que atraviesa toda esta segunda parte del libro es que en cada momento de tu empresa hay una sola métrica que importa más que todas las demás. UNA! No cinco, no diez, no un dashboard entero.

Encontrar cuál es depende de dos cosas: qué tipo de negocio tenés y en qué etapa estás.…

Read more

“La canción número 1 del Billboard Country el año pasado la escribió una IA”.

“En China hay gente comprando Mac minis para que les instalen agentes de código abierto, casi como volver a las cabinas de internet de los 2000”.

Tengo un slide que uso en mis capacitaciones con estas noticias. Lo actualizo una vez por mes y siempre me quedo corta.

Con esto quiero decir que la IA dejó de ser hype hace rato y dejó de afectar solo a roles técnicos. Cambió cómo la gente se comporta, qué espera de un producto, con qué interactúa todos los días.

Eso obliga a tu empresa a moverse. El problema es que la mayoría se mueve mal.

Hace unos meses el MIT (Massachusetts Institute of Technology) publicó un estudio que todo el mundo citó en LinkedIn: “el 95% de las iniciativas de IA en empresas fallan”.

Claro que todos compartieron ese número, pero casi nadie leyó la siguiente parte del estudio.

Y es que esos proyectos no fallaron por la tecnología. Fallaron por tres razones muy concretas:

1. No había nadie del C-suite genuinamente comprometido con el problema

2. Las expectativas eran irreales (sobre todo, el deseo de reemplazar equipos enteros con IA)

3. La calidad de data era tan baja que ningún modelo, por potente que sea, podía hacer nada útil con ella.

El caso de 11X en Estados Unidos lo ilustra bien.

La compañía levantó 274 millones de dólares prometiendo reemplazar equipos de ventas completos con agentes; y en los primeros tres meses perdieron entre el 70% y el 80% de sus clientes.

El problema no fue de tecnología. Fue un problema de sobrepromesa sin el contexto de negocio necesario.

Quisieron usar IA para reemplazar un trabajo completo, con demasiadas variables, demasiadas excepciones y demasiado contexto comercial en juego. Y hoy, en la mayoría de casos, ese salto sigue siendo demasiado grande.

La salida no es construir un agente. El 80% o 90% del valor que podés capturar hoy con IA está en otro lado.

Y por eso en este artículo voy a mostrarte tres capacidades concretas que ya están moviendo la aguja en empresas de Latam.

PD: Antes de continuar, un pequeño anuncio…

El próximo mes comienza una nueva edición del curso Xtreme Growth, un programa táctico de Growth para quienes construyen, escalan y experimentan con AI. Arranca el 25 de mayo, así que si no te quieres quedar sin cupos aplica hoy mismo.

APLICA AQUÍ

#1: Conocé a tu cliente como nunca antes lo conociste

La mayoría de las empresas tiene data de primer nivel de sus clientes. Nombre, edad, género, tamaño de empresa si es B2B.

Con IA podés llegar al nivel 5.

Caso Qrew, una empresa de software de recursos humanos con modelo B2B clásico. Antes tenía gente dedicada a entrar a internet a buscar posibles clientes uno por uno. Tedioso y lento.

Contrataron Clay, una herramienta de enriquecimiento que jala información de múltiples fuentes para armar un panorama completo de cada empresa.

¿Qué hace Qrew con Clay? Para cada lead, consulta portales de contratación. Ve cuántas contrataciones recientes tiene esa empresa, cuántos puestos abiertos, en qué verticales.

Si una empresa viene contratando fuerte los últimos 3 o 4 meses, ahí ponen sus balas. Si no contrató a nadie en 6 meses y Qrew vende software de contratación, no hace sentido. Se descarta.

Podés tener la mejor pastilla para el dolor de cabeza. No se la vas a vender a alguien que no tiene dolor de cabeza.

Esto no es solo para B2B. Si vendés a personas, hacé lo mismo. Usá Clay para entender qué hace esa persona, qué dice en redes, a qué se dedica. Claude incluso sacó un conector nuevo que te permite pedirle listas de leads con características específicas y te las arma.

Empezás con nombre y edad. Terminás con contexto profundo y mensaje personalizado.

#2: Análisis profundo a un nivel que antes no podías

Procesar data grande era un problema. No porque fuera imposible, sino porque tomaba semanas y equipos enteros de data science. Cuando terminabas el análisis, la decisión ya no servía.

Eso cambió.

Caso Rappi. Armó un sistema de agentes que analiza todo lo que pasa con cada uno de sus merchants. Cada transacción, cada patrón, cada anomalía. Genera insights en tiempo real que después usan para mejorar la facturación.

Acá es donde alguien siempre me dice: “pero eso es Rappi, yo no tengo esa escala”.

OK. ¿Tienes 100 clientes? ¿Tienes algo de data histórica de ellos?

Abrí Claude. Tirale la data. Pedile un análisis descriptivo. Después un análisis de proyección. Después una regresión para entender qué variables mueven la aguja.

Si estás usando Claude solo para redactar mails y no para hacer análisis de variables, te estás perdiendo buena parte de lo que la herramienta puede hacer.

#3: Recargá al equipo con acceso directo a la data

Esta para mí es la más potente de las tres.

Caso Mercado Libre. Tiene toda su información en Amplitude. Y como en cualquier empresa grande, acceder a esa data antes implicaba saber queryar, entender la herramienta, armar funnels, cruzar variables. Tenías que ser medio analista para sacar cualquier número.

Se conectaron a Amplitude a través de MCPs. El Model Context Protocol: el puente que permite a herramientas como Claude conversar directamente con otras plataformas sin APIs complejas.

Ahora cualquier persona en Mercado Libre le pregunta a Claude en lenguaje natural: ¿cuáles fueron las ventas más grandes de ayer? ¿Cuál es mi producto con mayor margen? ¿Dónde está la caída más fuerte del funnel?

Claude usa el MCP de Amplitude, hace el cálculo, y te devuelve el resultado. En tabla, gráfico o texto. Como lo pidas.

El impacto: la empresa se vuelve accionable mucho más rápido. Porque la data deja de estar concentrada en quienes saben queryar.

Y no es solo para empresas del tamaño de Mercado Libre. Hace unas semanas, capacitando a un equipo en Buenos Aires, uno de los chicos le pidió a Claude conectarse a Looker Studio. Tres pasos. Listo. De ahí en adelante pudo hacer preguntas en lenguaje natural sin aprenderse las tablas.

El cambio de mirada

Cuando la gente piensa en IA, piensa en optimizar procesos. “Antes me demoraba 10 minutos escribiendo un mail, ahora lo hago en 1.” Está bien como punto de arranque.

Pero el principal diferencial no está ahí.

Está en repensar el proceso entero. Todos vamos a aprender a optimizar con IA, así como todos aprendimos Excel en su momento. La persona clave a futuro es la que pueda reinventar cómo se hacen las cosas ahora que tenemos estas capacidades.

Un equipo de growth de este año no necesita más personas. Necesita más alcance. Y ese alcance se diferencia por el criterio humano que maneja el coche.

Si te quedaste con ganas de bajar todo esto a ejecución, en Xtreme Growth trabajo estos frameworks con Dylan en grupos reducidos. No es sólo teoría; cada persona termina aplicando las capacidades sobre su propio negocio.

La próxima edición arranca el 25 de mayo y los cupos son limitados.

APLICA AQUÍ

📚 Otras lecturas que pueden interesarte:

• La defensibilidad en la era de la IA

• Adquisición: qué cambió con IA

• Retención: qué cambió con IA

• 6 mitos sobre monetización e IA

Si nuestro blog te agrega valor, compártelo con tus amigos y colegas. 👇

Compartir Growth Rockstar Blog

Pero lo que más me interesa de Cris no es el tamaño del equipo que maneja. Es cómo llegó a armarlo.

Hace 20 años Cris construía dashboards. Era un rol clásico: tomaba data, la transformaba, entregaba un reporte y listo. Si alguien después lo usaba, bien. Si no, también. Su trabajo terminaba ahí.

Hoy no concibe un producto de datos que no incluya automación y optimización. Ese cambio de cabeza es lo que quiero desarmar en este artículo.

#1: Reportar es el punto de partida, no el de llegada

Este fue el primer quiebre en la carrera de Cris, y me parece clave para cualquier líder que hoy tenga un equipo de datos.

“Me di cuenta que hacer reportes no generaba valor para la compañía, que en general muy pocas personas pueden tomar decisiones con esos números, que es muy difícil linkear las palancas con los números de un reporte. Y me di cuenta que si yo no lograba automatizar las decisiones, era muy difícil generar impacto desde los datos.”

Un equipo de data que optimiza por la calidad del dashboard está optimizando la parte más visible del problema, pero no la que tiene impacto.

Lo que importa no es el reporte. Es qué decisión desbloquea ese reporte, quién la toma, y cuánto tarda en llegar a la acción.

#2: Cada métrica necesita estar anclada a un accionable

Read more

Esta vez nos acompañó Cristian Calla, Sr Director de Marketing Science en Mercado Libre, donde lleva 9 años construyendo un equipo que hoy tiene 80 personas y que opera cross-país y cross-business unit en toda la región.

La charla cayó perfecta con el libro que arrancamos a leer este mes: Lean Analytics.

Nos metimos de lleno en uno de los conceptos centrales: One Metric That Matters.

Qué métrica realmente mueve la aguja. Cómo diferenciar decision making metrics de vanity metrics. Por qué tantas empresas optimizan tráfico y le terminan regalando la plata a Meta y a Google. Y cómo pasar de un equipo de data que hace reportes a un equipo de operaciones que mueve palancas.

Además, Cristian compartió aprendizajes muy concretos de su recorrido en Mercado Libre: cómo dejaron de medir open rate y conversión para empezar a medir incrementalidad, y cómo terminaron automatizando las palancas de cada canal para generar impacto sobre el negocio.

Esta grabación es exclusiva para miembros del Growth Club.

Si todavía no formas parte de esta comunidad que estamos construyendo, podés sumarte al Growth Club y acceder a las próximas sesiones en vivo, al grupo de WhatsApp y a todo el contenido privado que compartimos dentro.

QUIERO SER MIEMBRO DEL GROWTH CLUB

Saludos 👋

Read more

Y ahora decidimos dar el siguiente paso… Un encuentro presencial en Bogotá!

Igual que en las sesiones en vivo, pero esta vez vamos a estar todos juntos en un mismo lugar para tomar algo y conocernos más.

Este evento lo vamos a llevar a cabo las oficinas de Growth Rockstar el jueves 23 de abril desde las 18:30 hasta las 21:00 hs.

Para participar de este evento es necesario ser miembro del Growth Club y llenar el formulario de inscripción (si ya eres miembro simplemente debes llenar el formulario que se encuentra a continuación 👇).

Read more

Cómo dejar de engañarte con tus propios números. Qué hace que una métrica sea útil, por qué los promedios te pueden estar mintiendo, y cuándo tiene sentido hacerle caso a los datos vs. cuándo conviene frenar y pensar.

Para que llegues afilado a la sesión de mañana, acá van…

Read more

How does success look like?

No porque sea una frase brillante. De hecho, es una pregunta bastante simple.

Pero justamente por eso me gusta. Porque muchas veces los problemas de growth no arrancan en la ejecución. Arrancan antes. Arrancan cuando un equipo no puede decir con claridad qué está tratando de conseguir.

En la charla fueron apareciendo casos bien distintos. Unos estaban pensando cómo escuchar mejor a sus clientes. Otros estaban tratando de entender cómo empujar loops orgánicos. Otros querían encontrar una mejor forma de priorizar ideas y experimentos. Distintos contextos. Distintos negocios. Pero en el fondo había algo bastante parecido pasando en todos.

Faltaba orden.

Y cuando falta orden, empiezan a entrar ideas de todos lados. Lo que dijo un cliente. Lo que pidió el founder. Lo que vimos que hace otro. Lo que parece lógico probar.

Y ahí es donde un equipo se empieza a mover mucho, pero no necesariamente a avanzar.

Una de las cosas que más rescato del último libro que leímos (Hacking Growth) es justamente esa advertencia sobre la acción descontrolada. Esa sensación de que la organización está haciendo cosas todo el tiempo, pero si uno la mira semana a semana, no hay una dirección del todo clara. Hay volantazos. Hay cambios de foco. Hay iniciativas que nacen porque sí. Y eso, en growth, desgasta muchísimo.

Por eso me parece tan importante volver a esa pregunta.

¿Cómo se ve el éxito en esto que estamos por hacer?

No como frase de workshop. Como una forma muy concreta de ordenar la cabeza antes de actuar.

Escuchar al usuario sí. Pero con manejo de expectativas.

Este contenido es exclusiva para miembros del Growth Club.

Read more

Miran dashboards llenos de números que suben y se sienten bien. Total de usuarios, descargas, visitas. Todo crece. Y un día se quedan sin plata, sin retención y sin entender qué pasó.

Eso es exactamente lo que Alistair Croll y Ben Yoskovitz llaman “vanity metrics”: …

Read more

Empiezan a hablar de defensibilidad. De cómo van a construir un moat cuando el mercado madure.

Pero el mercado ya maduró!

Lo que muchos llaman “el futuro de la defensibilidad en AI” ya tiene empresas ejecutándolo hoy.

Veamos cómo lo están haciendo.

El switching cost de la IA

La barrera más fuerte que estoy viendo en productos de AI es el switching cost.

Lo interesante de esta moat es que ya no depende de un contrato que te ate, ni del costo de migración técnico. Es el contexto acumulado que se construye con el uso.

Veamos esto con tres ejemplos.

Cursor: El 67% del Fortune 500 lo usa y genera 150 millones de líneas de código por día. Pero lo que lo hace defendible no es el modelo de AI. Es lo que pasa cuando un equipo entero lo adopta.

El sistema aprende la arquitectura del codebase, las convenciones de código, el contexto acumulado de meses de trabajo colaborativo. Si un dev se quiere ir a otra herramienta, no pierde solo un asistente de código. Pierde todo ese conocimiento compartido.

Y cuantos más devs del equipo lo usan, más doloroso es cambiarse. El switching cost se multiplica con la adopción.

ChatGPT: En abril de 2025 lanzaron memoria comprehensiva. El sistema empezó a referenciar todas tus conversaciones pasadas para personalizar cada respuesta. Cuanto más lo usás, más te conoce. Más sabe sobre tu trabajo, tu estilo, tus proyectos.

Si mañana aparece un modelo mejor, el costo de cambiarte no es técnico, es perder meses/años de contexto personalizado.

Claude: Es la herramienta que más usamos con mi equipo. Y pasa exactamente lo mismo. Sabe el contexto de nuestros proyectos, cómo pensamos ciertos temas, nuestras preferencias de formato. Si hoy quisiéramos migrar a otra herramienta, sería como arrancar todo desde cero.

Lo que podemos ver en estos tres casos es que cada interacción que tenés con una herramienta de AI es una inversión en contexto que no te podés llevar.

Y acá va algo que vengo pensando mucho.

La diferencia de performance entre los mejores modelos es cada vez más chica. Cuando los modelos sean prácticamente indistinguibles, el diferencial no va a ser quién tiene el mejor modelo. Va a ser quién te conoce mejor.

Shopify y el embedding

Read more

Trajimos a Agustín Soler, cofundador de Mural, que escaló el producto hasta 115 millones de dólares en ARR. A José Madera, Chief Growth Officer de Lulo Bank, que multiplicó el negocio por 10x en dos años. A Ludovico Baistrocchi, que lideró growth en MercadoLibre y Mercado Pago durante cinco años de hipercrecimiento.

Y la frutilla del postre…

Sean Ellis, el tipo que acuñó el término growth hacking y escribió el libro que estábamos leyendo, se hizo presente en la última sesión para responder algunas preguntas del grupo y conversar un rato con nosotros.

En este artículo voy a compartir los principales aprendizajes que nos dejaron estas cuatro sesiones.

Read more