Product Library
Experiencias reales y Product Challenges
01 Lanzar TV Digital en un mercado dominado por el cable, y lo que sacrifiqué para lograrlo →
Caso 01
Lanzar un producto de TV Digital (IPTV/OTT) para empresas
El contexto
Telefónica ya tenía IPTV residencial. El desafío era llevar esa capacidad al segmento corporativo para completar la estrategia de Cuádruple Play. La TV no era el negocio principal, era la pieza que reducía churn y aumentaba el valor de cada cliente corporativo.
La infraestructura existía. La oportunidad consistía en adaptarla al segmento Empresas antes que la competencia.
El verdadero problema
A simple vista parecía un proyecto tecnológico. Pero no lo era.
El desafío era alinear áreas con prioridades opuestas. Ingeniería quería estabilidad. Marketing quería funcionalidades. Comercial necesitaba salir al mercado ya. BI necesitaba data para medir impacto.
Mi trabajo fue lograr que todos dejaran de optimizar su propia área y empezaran a construir un mismo producto.
Las alternativas
La decisión difícil
Elegí MVP. Pero eso significó decirle cosas incómodas a cada área.
Al equipo comercial le dije que la v1 no iba a tener VOD ni personalización, dos features que ellos consideraban esenciales para competir contra el cable. La conversación fue tensa. Su argumento era válido: "sin eso, ¿cómo nos diferenciamos?" Mi respuesta: "nos diferenciamos siendo los primeros en llegar. Si esperamos a tener todo, el cable nos gana con inercia."
A Marketing le dije que no iba a haber dashboard de engagement en la v1. Iban a tener que medir con proxies manuales durante los primeros 3 meses. No les gustó, pero aceptaron cuando les mostré que la alternativa era no tener producto que medir.
Elegir MVP no es elegir lo fácil. Es elegir qué dolor vas a aceptar para llegar antes.
Qué construimos y cómo priorizamos
Definí la visión del producto, prioricé el roadmap y coordiné 4 áreas simultáneamente. La priorización del MVP fue explícita: usé un scoring de impacto en conversión vs. esfuerzo de desarrollo para decidir qué entraba en v1 y qué no.
Dentro del MVP: TV lineal en vivo (core del producto), grilla de canales configurable por cliente, onboarding guiado para reducir carga operativa desde el día 1, e integración con la facturación existente del bundle corporativo.
Fuera del MVP: VOD y contenido on-demand (el equipo comercial lo pedía, pero requería acuerdos de licencia que sumaban +6 meses), personalización por usuario (complejidad técnica alta sin evidencia de demanda), y dashboard de engagement para el equipo comercial (decisión que fue un error, más abajo explico por qué).
Diseñé el onboarding corporativo para que un cliente pudiera estar operativo en 48 horas, no semanas. Eso fue clave para que el equipo comercial pudiera cerrar contratos con un argumento de implementación rápida vs. el cable.
El resultado
La métrica que validó la hipótesis central fue el churn: los clientes con bundle Cuádruple Play (internet + voz + datos + TV) renovaban contrato a una tasa significativamente mayor que los clientes sin TV. Eso confirmó que la TV funcionaba como ancla de retención, no como negocio independiente.
Expansión y aprendizajes
Después del lanzamiento, el foco pasó a expandir el producto en dos ejes: profundidad (más features para clientes existentes) y alcance (más segmentos).
En profundidad: la v2 integró VOD con acuerdos de contenido simplificados y un dashboard mínimo de engagement que le dio autonomía al equipo comercial. En alcance: el modelo de onboarding rápido se convirtió en un diferenciador competitivo que se replicó para otros productos B2B del portafolio.
Error que no repetiría: subestimé el costo de no tener dashboard de engagement desde el día 1. El equipo comercial terminó pidiendo datos ad-hoc a BI constantemente, lo que generó fricción y retrasó decisiones de upsell. Si lo hiciera de nuevo, invertiría 2 sprints más en un dashboard mínimo antes de lanzar. No el ideal, sino uno que eliminara la dependencia de BI para preguntas básicas.
Métrica que debí medir antes: churn de clientes 4P vs. 2P/3P desde el día 1. Tardamos 6 meses en tener esa data, y para ese momento la decisión de invertir más ya se había tomado sin evidencia. La hipótesis era correcta, pero la validamos tarde.
Un buen lanzamiento es el que genera las condiciones para escalar. Si no medís lo correcto desde el día 1, escalás a ciegas.
¿Enfrentás un desafío similar?
Lanzamiento de producto, coordinación de equipos, estrategia de plataforma, hablemos.
02 Reducir congestión en bag drop sin confiar en métricas imperfectas →
Caso 02
Passenger Airport Experience: Day of Travel Self-Service
El contexto
LATAM impulsa "Day of Travel Self-Service" para reducir costo por pasajero. En SCL, el plan prioriza check-in digital y Self Bag Drop (SBD), máquinas donde el pasajero etiqueta y despacha su equipaje sin agente.
En las últimas 8 semanas, en el banco doméstico de la mañana (06:00–09:00):
- OTD cayó 3,0 puntos y OTP cayó 2,1 puntos vs. baseline del trimestre anterior.
- Queue Time de bag drop subió +35% (SBD + asistido).
- +18% de pasajeros requieren Manual Intervention en bag drop.
El verdadero problema
A primera vista parece un problema de filas. Pero no lo es.
La presión ejecutiva es "arreglar filas ya." Pero Data advierte que la medición de Queue Time está inestable, sensores con caídas y muestreos inconsistentes. Algunos días con alta fila no muestran caída de OTP, y viceversa.
Cada área tiene una lectura distinta: Ops quiere volver a counters asistidos (mata la estrategia de self-service). CX cree que es un problema de información. Tech dice que cambios en SBD requieren coordinación compleja con el proveedor.
Mi desafío: decidir dónde enfocarme sin confiar ciegamente en métricas imperfectas. Me piden un plan de 30 días con impacto medible.
Las alternativas
La decisión
Opción B. Si +18% de pasajeros necesitan intervención manual en SBD, el problema no está en la fila. Está antes de la fila. Los pasajeros llegan sin entender qué necesitan. Eso es un problema de preparación del pasajero, no de capacidad de máquinas.
Reencuadro el problema en el comité: "No tenemos un problema de filas. Tenemos un problema de preparación del pasajero que se manifiesta como fila."
Plan de 30 días
Semana 1: 3 mañanas en la zona SBD durante peak registrando cada manual intervention. ¿Documentación? ¿Equipaje fuera de medida? ¿Error de interfaz? Sin sensores perfectos, los ojos son la mejor instrumentación.
Semana 2-3: Push notification 2h antes con checklist. Pantalla de pre-validación en kiosco. Agente de triaje temporal en la entrada de SBD, no para operar, para filtrar y redirigir.
Semana 4: Comparar % de manual intervention y OTD pre vs. post intervención. No Queue Time. Esa métrica no es confiable todavía.
Criterios de éxito
Un plan de 30 días necesita criterios binarios: funcionó o no funcionó. Definí tres umbrales concretos:
Regla de decisión: si MI baja y OTD se estabiliza → la hipótesis de preparación del pasajero se valida y se puede escalar la solución. Si MI baja pero OTD no mejora → el problema es de capacidad, no de preparación, y hay que replantar. Si nada mejora → los datos de campo reales nos dicen por qué, y cambiamos de approach con evidencia:no con opiniones de sala de reuniones.
Cómo escalar la solución
Si el piloto en SCL valida la hipótesis, el playbook se replica en tres niveles:
- Otros bancos horarios en SCL: aplicar el mismo modelo de triaje + push notification al banco de tarde (15:00–18:00), ajustando por perfil de pasajero (más conexiones internacionales, mayor complejidad de equipaje).
- Otros aeropuertos del hub: EZE, GRU, BOG, cada uno con su mix de causas raíz (documentación vs. equipaje vs. interfaz), pero el framework de observación en campo + intervención rápida es replicable.
- Sistematizar la medición: el triaje temporal genera datos estructurados que los sensores no capturan. Si se documenta bien, esa data alimenta un modelo predictivo que identifica pasajeros con alta probabilidad de MI antes de que lleguen al SBD.
Aprendizaje clave de este análisis: la urgencia de actuar no justifica actuar sobre métricas que no confiás. Si el dato está mal, tu solución también va a estar mal. Siempre empezar por el campo. 4 horas observando pasajeros reales dan más claridad que 4 semanas analizando datos de sensores inestables.
La mejor instrumentación cuando los datos fallan son los ojos. Después construís los sensores que necesitás.
¿Te interesa este tipo de análisis?
Si enfrentás un desafío operacional complejo o de optimización de producto, conversemos.
03 Cómo multiplicar la adopción de Ads entre sellers que nunca hicieron publicidad →
Caso 03
Incrementar la adopción de Mercado Ads entre sellers SMB
El contexto
Mercado Ads permite a los sellers pagar para posicionar productos en los resultados de búsqueda del marketplace. Funcionaba bien con sellers grandes, operaciones profesionales con equipos de marketing. Pero la oportunidad de crecimiento estaba en el segmento SMB: miles de vendedores que representaban enorme volumen de transacciones pero apenas usaban Ads.
No porque no quisieran vender más. Sino porque nunca habían hecho publicidad en su vida.
El verdadero problema
La lectura inicial del negocio era "faltan más features: mejor segmentación, dashboards más completos, más formatos." La lógica: "si el producto es mejor, lo van a usar más."
Pero eso no era lo que decían los datos.
Cuando crucé comportamiento de uso por vertical y tamaño de seller, encontré un patrón claro: los sellers SMB sí entraban a Ads. Muchos creaban su primera campaña. Pero el 62% abandonaba en los primeros 7 días o nunca volvía después del primer intento. El drop-off más fuerte estaba en el paso 3 del wizard de creación, donde el seller tenía que definir "puja por keyword." Un vendedor de zapatillas en Córdoba no sabe qué es un CPC.
El segundo hallazgo fue por vertical: Electrónica tenía 3x mejor retención que Indumentaria, porque los sellers de electrónica ya tenían experiencia con márgenes y comparación de precios. Les era más natural pensar en "inversión vs. retorno." Los de indumentaria operaban por intuición.
No era un problema de producto. Era un problema de activación. Y no era uniforme. Variaba radicalmente por vertical.
Las alternativas
La decisión
Opción B: simplificar y activar.
El dato que cambió la conversación internamente fue el 62% de abandono en 7 días cruzado con el drop-off en "puja por keyword." Cuando se lo mostré al equipo, la reacción fue inmediata: estábamos pidiendo a vendedores que aprendieran un idioma nuevo para poder usar el producto. Eso no se arregla con un tutorial. Se arregla eliminando la necesidad de aprender.
Para los SMB, el crecimiento de Ads no iba a venir de cobrarle más a pocos sellers grandes. Iba a venir de activar la cola larga, miles de sellers pequeños que, con inversión modesta pero constante, generan volumen agregado enorme.
Mi rol
1. Rediseño del journey de activación: trabajé con UX y Data para simplificar la creación de la primera campaña. El cambio más impactante: reemplazar "definí tu puja por keyword" por "¿cuánto querés invertir por día?" con valores sugeridos por vertical. El seller configuraba su campaña en 3 minutos sin saber qué es un CPC.
2. Estrategias de retención por cohorte y vertical: diseñé campañas diferenciadas. Para Electrónica (alta retención natural): push hacia presupuestos más altos mostrando ROI real. Para Indumentaria (baja retención): onboarding más guiado con ejemplos visuales de resultados de sellers similares.
3. Análisis de rentabilidad: colaboré con Finanzas para identificar qué verticales tenían mejor unit economics en Ads y propuse ajustes de pricing para maximizar margen del canal. El resultado: Electrónica y Hogar financiaban la adquisición subsidiada de verticales con mayor potencial de crecimiento.
El resultado
El crecimiento de MAU vino de dos palancas: el rediseño del wizard eliminó la barrera de entrada (el seller ya no necesitaba saber qué es un CPC), y las estrategias de retención por cohorte convirtieron sellers de un solo uso en recurrentes. La combinación de más sellers activos con mayor ticket promedio multiplicó el revenue del canal sin aumentar costo de adquisición.
Visión de escala
Los resultados validaron que simplificar era el camino correcto. El siguiente paso natural era eliminar por completo la curva de aprendizaje para desbloquear el siguiente orden de magnitud de sellers:
- Modo piloto automático: el seller define cuánto invertir por día y el sistema selecciona productos, define pujas y optimiza campañas automáticamente. El seller nunca toca un keyword. Solo ve ventas. Esto convierte Ads en un feature del marketplace, no en un producto separado.
- Onboarding por vertical: en vez de un journey genérico, recomendaciones adaptadas al tipo de negocio. "Vendés electrónica? Tus competidores invierten $X y venden Y% más. ¿Querés activarlo?" Personalización que reduce fricción y aumenta conversión del primer uso.
- Modelo de subsidio cruzado: usar las verticales con mejor unit economics (Electrónica, Hogar) para financiar créditos de prueba en verticales con mayor potencial de crecimiento (Indumentaria, Deportes), acelerando la activación de la cola larga.
La métrica que faltó: no medimos time-to-value, cuántos días tarda un seller nuevo en ver su primera venta atribuida a Ads. Teníamos activación y retención, pero no sabíamos cuán rápido el seller sentía que Ads "le servía." Ese debería haber sido el north star metric, porque la habitualidad de inversión depende directamente de cuán rápido el seller ve resultados concretos. Lo identificamos tarde, pero es lo primero que mediría en cualquier producto de activación.
El mejor producto de publicidad para un seller que nunca hizo publicidad es uno donde no siente que está haciendo publicidad. Solo que está vendiendo más.
¿Tenés un desafío de adopción o activación?
Si tu producto tiene usuarios que entran pero no vuelven, hablemos.