Retención de cortesía: lo que no te dicen tus primeros veinte clientes

Llevas cuatro meses mirando la misma hoja de cálculo: tienes 22 clientes de pago, ninguna baja desde marzo y una retención mensual que ha subido del 88% al 94% sin que hayáis tocado el producto. Antes de descorchar la botella de champán conviene saber que esa mejora puede haber ocurrido exactamente por lo contrario de lo que parece: porque los que peor encajaban ya se han ido.

La retención y el churn (cancelación de clientes) son las métricas que todo el mundo señala como jueces del product-market fit. Cuando facturas poco y tú además de founder eres el que hace las ventas, el ingreso no distingue entre un cliente que te necesita y uno que te compró porque le caes bien, porque tenía presupuesto de innovación a punto de caducar o porque le daba pereza decirte que no.

La retención debería separarlos y, con veinte cuentas, es muy complicado distinguirlo.

A esa mezcla de cuentas que siguen pagando por razones ajenas a tu producto la vamos a llamar la retención de cortesía y el problema es que, en la hoja de cálculo, se parece muchísimo a tener encaje con el mercado.

1. Qué miden de verdad la retención y el churn con veinte clientes

Una tasa de retención es una proporción y las proporciones calculadas sobre muestras pequeñas tienen intervalos de confianza que casi nadie mira.

Con cincuenta clientes y un 80% de retención observada, el intervalo al 95% va aproximadamente del 69% al 91%. Es decir, 22 puntos de horquilla, así que cuando son veinte clientes, la confianza del dato es aún mucho peor.

Dicho de otra forma, tu 80% de retención es compatible con un negocio sano y, a la vez, con uno que pierde uno de cada tres clientes al año. La hoja de cálculo devuelve un número con dos decimales y eso da una sensación de precisión que el dato, realmente, no tiene.

Amos Tversky y Daniel Kahneman le pusieron nombre a este error en 1971 en Belief in the Law of Small Numbers (la creencia en la ley de los números pequeños): tratamos cualquier muestra como si fuera representativa de la población entera. Lo demostraron con el peor público posible, preguntando a 84 psicólogos profesionales, gente que realmente sabía de muestreo y estadística, por la probabilidad de replicar un resultado significativo con un segundo grupo pequeño. Solo 9 de los 84 dieron una respuesta razonable.

Si fallan los que controlan de estadística, el fundador que mira su cohorte de septiembre a las once de la noche pues también terminará sacando conclusiones equivocadas.

Kahneman volvió sobre este sesgo cuarenta años después en «Pensar rápido, pensar despacio», donde le dedica un capítulo entero. Su explicación es que nuestra cabeza construye historias coherentes con la evidencia que tiene delante sin preguntarse nunca cuánta evidencia es. Veintidós clientes dan para una historia coherente perfecta.

2. El efecto de composición: la retención sube aunque nadie mejore

Peter Fader (Wharton) y Bruce Hardie (London Business School) publicaron en 2007 How to Project Customer Retention en el Journal of Interactive Marketing.

El modelo que proponen parte de una historia sencilla: cada cliente, al final de cada periodo, lanza una moneda para decidir si renueva. La probabilidad de esa moneda no cambia nunca para un mismo cliente, pero es distinta de un cliente a otro.

Con esa premisa ocurre algo bastante singular: la tasa de retención agregada de una cohorte sube mes a mes aunque la probabilidad individual de cada cliente sea constante y nadie se haya vuelto más fiel. Los clientes con moneda mala se van primero y los que quedan son, por construcción, los que ya tenían mejor moneda el día que firmaron.

Fader y Hardie lo llaman, citando a Vaupel y Yashin, el «ruse of heterogeneity» (el engaño de la heterogeneidad) y advierten de que se pasa por alto constantemente. En el propio artículo lo señalan así: la retención creciente no es una historia de clientes que profundizan su relación con la empresa, sino un efecto de ordenación dentro de una población heterogénea.

3. El contrato es una señal que llega tarde y llega maquillada

Un contrato anual esconde la decisión del cliente hasta la fecha de renovación, y en análisis de supervivencia eso tiene nombre propio: censura por la derecha. No sabes si esa cuenta ha sobrevivido o si simplemente todavía no le ha tocado decidir.

Mientras tanto, el software se paga y no se abre ni se usa… Hay «retención» pero no «adopción» y eso, al final de contrato, puede llevar al churn.

El 2025 SaaS Wastage Report de Vertice sitúa en el 21% las aplicaciones que están completamente sin uso, el llamado shelfware (software comprado que nadie llega a usar), y en un 45% adicional las que se usan a menos de la mitad de las licencias contratadas. La empresa autora del informe vende optimizar la gestión de gasto en software, así que es un dato que le conviene aunque es cierto que esto ocurre en las organizaciones.

Zylo publica algo parecido en su SaaS Management Index de 2024, elaborado sobre 30 millones de licencias y 34.000 millones de dólares de gasto bajo gestión: las empresas solo utilizan el 49% de las licencias que aprovisionan. Zylo también vive de vender gestión de SaaS, con lo cual estamos ante dos partes interesadas que apuntan en la misma dirección.

Antes del uso está la activación, que es donde se cae la mayoría. Perspective AI mide en su informe de 2026, sobre 340 empresas B2B, una tasa de activación mediana del 37%, prácticamente idéntica a la de 2025, 2024 y 2023.

Userpilot, con una muestra mucho menor de 62 empresas B2B SaaS, llegó al mismo 37% en 2024. Las dos venden herramientas de onboarding (la puesta en marcha del cliente nuevo), aunque que dos metodologías distintas converjan en la misma cifra le da bastante solidez al número.

4. El NRR es la métrica que peor envejece cuando tienes pocos clientes

La retención neta de ingresos es la favorita de los decks de inversión porque puede superar el 100% y contar una historia de crecimiento sin invertir en captación. Con veinte clientes es también la más fácil de romper: un solo upsell (ampliación de contrato de un cliente existente) te la coloca por encima del 110% mientras pierdes cuentas por abajo.

Circula por los análisis de RevOps un caso ilustrativo: una compañía con 9 millones de ARR reportaba un 118% de retención neta, pero dos cuentas concentraban el 61% de toda la expansión y ambas eran irrepetibles, una consolidación de filiales y una expansión geográfica que el propio cliente daba por terminada. Sin esas dos cuentas, el número real era 97%.

Los referentes del 110% o el 120% que verás citados vienen de compañías por encima de los 10 millones de facturación recurrente. Para fase semilla, las medianas de retención bruta que publican las agencias del sector se mueven entre el 75% y el 85%, con las cautelas habituales de un dato que no procede de una muestra auditada. Compararte con el referente equivocado te hará leer un problema estructural como si fuera un mal trimestre.

De las métricas que sirven en cada fase y de las que solo hacen ruido ya hablamos en métricas SaaS para startups, y del instrumento para leerlas en el análisis de cohortes.

5. Los frameworks con los que juzgas tu product-market fit no se diseñaron para tu tamaño

La famosa regla del 40% viene de un artículo de Sean Ellis de 2009: si más del 40% de tus usuarios se declara very disappointed (muy decepcionado) ante la desaparición del producto, tienes algo. El propio Ellis reconoce en ese mismo texto que el umbral es un tanto arbitrario y que lo fijó comparando resultados de cerca de un centenar de startups.

La crítica que mejor aguanta es de muestreo. La encuesta la contestan los usuarios comprometidos y los que ya se fueron, que son justamente los que definen tu encaje, no aparecen por ninguna parte. Estás calculando un porcentaje sobre una muestra que ya sobrerrepresenta a tus fans.

Brian Balfour formuló la otra señal canónica en The Never Ending Road To Product Market Fit: dibuja la retención por cohortes y mira si la curva se aplana. Balfour añade dos matices que casi nunca se citan:

• El primero es que hay negocios con cancelación natural incorporada al éxito y pone el ejemplo de una aplicación de citas (Tinder, Hinge, Bumble…), donde el cliente satisfecho es precisamente el que se marcha (y tiene sentido porque la idea de ese tipo de apps es no tener que volver a usarlas).
• El segundo es que en fase temprana los datos de uso son de escala pequeña y muy fáciles de racionalizar.

El caso de Superhuman que popularizó First Round Review resulta todavía más ilustrativo. Rahul Vohra pasó del 22% al 58% en la pregunta de Ellis, pero el primer salto, del 22% al 32%, lo consiguió segmentando a su cliente ideal y descartando al resto. Sin tocar el producto.

Cambió el denominador y la métrica se movió diez puntos, que es un recordatorio incómodo de a quién le estás preguntando cada vez que mides tu encaje.

6. La retención alta también miente

El falso positivo tiene nombre en la literatura de marketing: captive loyalty o spurious loyalty, la lealtad del cliente cautivo.

Ese cliente se comporta de forma divergente, con tasas de permanencia altísimas y una actitud pésima hacia el proveedor al mismo tiempo. Paga, se queda y te pondría a caldo en cuanto alguien le preguntara pero no le queda otro remedio que comprarte porque no hay alternativas o porque saltar a otro proveedor es extremadamente costoso y complejo.

CEB midió esto sobre 97.000 clientes y publicó el resultado en Harvard Business Review en 2010: el 96% de quienes tuvieron una experiencia de alto esfuerzo se declararon desleales, frente al 9% de quienes la tuvieron de bajo esfuerzo. La deslealtad llevaba ahí mucho tiempo antes de asomar a la tasa de cancelación.

Si tu retención se sostiene sobre integraciones difíciles de desmontar o sobre un contrato con permanencia, lo que tienes es coste de cambio, que es una ventaja competitiva real y de la que hablamos al analizar el moat en la era de la IA y el vendor lock-in en SaaS.

Como termómetro del encaje con el mercado, en cambio, sirve de poco: lo que estás midiendo es el precio de la puerta de salida.

7. La prueba de la cortesía, en tres preguntas

Con veinte clientes el diagnóstico no puede ser estadístico; tiene que ser nominal, cuenta por cuenta, y cabe en tres preguntas:

1. ¿Quién te compró por el problema y quién te compró por ti? Escríbelo en una columna al lado de cada nombre. Si más de la mitad cae en la segunda categoría, tu retención está midiendo tu agenda de contactos.
2. ¿Cuántas de tus cuentas entraron esta semana? No cuántas están vigentes. La distancia entre esas dos cifras es tu churn del año que viene, ya devengado y todavía sin contabilizar.
3. ¿Qué haría tu cliente el lunes si apagaras el producto sin avisar? Es la versión medida, y no encuestada, de la pregunta de Sean Ellis. Si la respuesta honesta es «abrir un Excel y seguir con su vida», ya tienes el resultado.

Cuando la señal sale mal, el error de lectura habitual consiste en dar por muerto el producto cuando el problema está en a quién se lo has vendido.

Si un subconjunto de cuentas retiene bien y el resto se cae, el producto funciona para alguien y lo que falla es el segmento. Eso se arregla cambiando de cliente y no de roadmap.

Y la decisión de cuándo dar por buena una señal sigue siendo igual de incómoda que cuando recorrimos cuándo dejar de validar y empezar a construir o repasamos las señales del product-market fit.

Tus primeros veinte clientes caben en una anécdota bien documentada, y ninguna hoja de cálculo va a ascenderlos a muestra.

8. Preguntas frecuentes sobre retención y churn en startups en fase temprana

¿La retención sirve para saber si tengo product-market fit?

Sirve, pero no en cualquier momento. Con veinte o treinta clientes, una tasa de retención arrastra un intervalo de confianza tan ancho que resulta compatible con escenarios opuestos: un 80% observado sobre cincuenta cuentas puede corresponder a una realidad de entre el 69% y el 91%. En esa fase la señal útil está en el uso de cada cuenta, una por una, y no en el promedio.

¿Por qué sube mi tasa de retención si no he cambiado nada del producto?

Por un efecto de composición que Fader y Hardie describieron en 2007. Los clientes con más propensión a cancelar se van primero, así que la media de los que quedan mejora sin que nadie haya cambiado de comportamiento. Una retención agregada creciente puede no decir absolutamente nada sobre la calidad de tu producto.

¿Qué diferencia hay entre retención bruta y retención neta de ingresos?

La bruta mide cuánto ingreso conservas de la base existente sin contar ampliaciones. La neta suma la expansión de los clientes que crecen contigo y por eso puede superar el 100%. Con pocos clientes, la neta engaña: una sola ampliación grande la dispara mientras pierdes cuentas por abajo.

¿Qué tasa de retención es normal en una startup en fase semilla?

Las medianas de retención bruta que publican las agencias del sector para fase semilla se mueven entre el 75% y el 85%, con la cautela de que no proceden de muestras auditadas. Los referentes del 110% o el 120% de retención neta que verás citados corresponden a compañías por encima de los 10 millones de facturación recurrente y no te sirven de comparación.

¿Un churn alto significa siempre que el producto no encaja?

No siempre. Hay productos con cancelación natural incorporada al éxito, como los de uso por proyecto o los que resuelven una necesidad puntual. Y hay cancelaciones que señalan un problema de segmento: si un subconjunto de cuentas retiene bien y el resto se cae, tu producto funciona para alguien y lo que falla es a quién se lo estás vendiendo.

Si queréis profundizar, el paper de Fader y Hardie, «How to Project Customer Retention«, es bastante interesante y, además, trae la hoja de cálculo montada así que puede ser de mucha utilidad para aprender a manejar y leer una curva de retención.

Nos leemos pronto. Hasta la próxima.

Imágenes: Philippe Lewicki en Flickr, Giphy, elaboración propia con datos de Fader y Hardie y de Perspective AI, SurveySensum, TechTarget