Metodología growth hacking: el ciclo de experimentación que mueve ingresos

La metodología growth hacking es un ciclo cerrado de cinco pasos —medir, hipotetizar, priorizar, experimentar y decidir— que convierte intuiciones de marketing en experimentos con criterio estadístico. Lo que la separa de una lista de trucos es la aceptación de que la mayoría de las ideas son malas: Ron Kohavi y Stefan Thomke documentaron en Harvard Business Review (2017) que en Google y Bing solo entre el 10% y el 20% de los experimentos genera resultados positivos, y que en Microsoft un tercio resulta efectivo, un tercio neutro y un tercio negativo. El método no existe para tener razón: existe para descubrir rápido y barato cuándo no la tenemos.

¿Qué es la metodología growth hacking y en qué se diferencia de lanzar ideas al aire?

Es un sistema de aprendizaje con ciclos cortos. Cada idea se escribe como una hipótesis falsable, con una métrica única, un umbral de éxito y una fecha de corte definidos antes de ejecutar. Si una idea no se puede medir ni refutar, no entra al backlog: entra a la conversación, que es otra cosa.

La diferencia real es de volumen y de disciplina. Según ese mismo trabajo, Microsoft, Amazon, Booking.com, Facebook y Google corren más de 10.000 experimentos controlados al año cada una. Ya en 2009 Google ejecutó cerca de 12.000 experimentos aleatorizados, de los cuales alrededor del 10% derivó en cambios de negocio. Ninguna empresa chilena opera a esa escala y nosotros tampoco, pero la lógica se traslada íntegra: el aprendizaje se compra con cantidad de pruebas bien diseñadas, no con la brillantez de una sola campaña.

Si recién estás entrando al concepto, conviene partir por qué es el growth hacking y cómo puede impulsar un negocio. Este artículo asume esa base y se mete en el procedimiento.

¿Por qué fracasa la mayoría de los experimentos y por qué eso no es un problema?

Porque el fracaso barato es el producto del método, no su defecto. En el paper que el equipo de experimentación de Microsoft presentó en KDD 2012 se recoge que Netflix considera equivocado cerca del 90% de lo que prueba y se cita a Avinash Kaushik: el 80% de las veces nos equivocamos sobre lo que quiere el cliente. En la misma publicación, un ejecutivo de Quicken Loans acertaba el resultado de un test solo un tercio de las veces.

El retorno viene de los pocos aciertos que sí aparecen, y suelen ser desproporcionados. Un cambio en el titular de los anuncios de Bing subió los ingresos un 12%, más de US$100 millones al año solo en Estados Unidos. Y medir el rendimiento les mostró que cada 100 milisegundos de latencia valían un 0,6% de los ingresos, cerca de US$18 millones anuales. Ninguna de esas dos cosas se descubre discutiendo en una reunión de equipo.

¿Cuáles son las fases del ciclo de experimentación?

Trabajamos con cinco fases, y el orden no es negociable.

1. Medir antes de opinar

Sin línea base confiable no hay experimento: hay anécdota. Es lo primero que auditamos al tomar una cuenta nueva —eventos de conversión, deduplicación, ventanas de atribución y la brecha entre lo que reporta la plataforma y lo que reporta el ERP del cliente—. Si el dato de partida está roto, todo lo que venga después mide ruido con mucha precisión. Sobre esa capa escribimos aparte en las 5 métricas de atribución más allá de GA4.

2. Formular hipótesis falsables

El formato que usamos es simple: si cambiamos X para el segmento Y, la métrica Z se mueve al menos W% en N días. Una variable por experimento. Si cambias el creativo y la página de destino a la vez y el resultado sube, no sabes qué hacer la próxima vez.

3. Priorizar con puntaje, no por jerarquía

Tres criterios: impacto esperado sobre la métrica de negocio, confianza en la hipótesis según evidencia previa, y esfuerzo de implementación. El puntaje ordena la cola y, sobre todo, obliga a explicitar por qué una idea del gerente va después de una idea del analista. Lo que no entra al tope queda documentado, no descartado.

4. Correr con potencia suficiente

Acá se cae la mayoría de los equipos. Los propios experimentos de Google Ads traen por defecto un intervalo de confianza del 80% y recomiendan esperar dos o tres semanas cuando no hay un ganador claro. Y el paper de Microsoft advierte algo contraintuitivo: en el primer día hay un 67% de probabilidad de que el efecto acumulado caiga fuera del intervalo final del 95%. Cortar un test el lunes porque "va mal" es la forma más común de tomar una decisión equivocada usando datos reales.

5. Decidir, documentar y volver a empezar

Tres salidas posibles: escalar, descartar o iterar. Las tres se escriben, con la cifra y la fecha. Un experimento sin registro se vuelve a correr seis meses después, con el mismo costo y la misma sorpresa.

¿Cómo decidimos qué experimento corre primero en una cuenta real?

Por costo de aprendizaje. Gestionamos cerca de US$700.000 de inversión publicitaria anual en 10 cuentas de Chile y LATAM —e-commerce, inmobiliaria, educación superior, B2B/SaaS, industrial y ONG— y en todas el cuello de botella es el mismo: el volumen de conversiones disponible por semana define cuántas pruebas se pueden correr en paralelo sin contaminarse entre ellas.

En una cuenta con tráfico alto la primera prueba suele ser de creativo o de oferta, porque el dato llega rápido. En una cuenta con pocas conversiones mensuales partimos por lo que cambia el denominador: segmentación y página de destino. En un e-commerce de seguridad industrial ese orden nos llevó a un ROAS de 33x y un alza de 60% en ventas; en un proyecto inmobiliario, a un CPA de $3.400 CLP en Meta y $8.600 CLP en Google. No fueron el hallazgo de una campaña: fueron el saldo acumulado de haber descartado antes lo que no funcionaba.

¿Qué tan rápido hay que experimentar en el mercado chileno?

Más rápido de lo que el mercado está experimentando hoy, porque la demanda digital se está moviendo y la oferta no la sigue al mismo ritmo. La Cámara de Comercio de Santiago informó que el comercio electrónico chileno bordeó los US$10.000 millones en 2025, con un alza nominal de 11,6%, y que la penetración online del retail llegó a 12,6% según estadísticas experimentales del Banco Central, frente a cerca de 6% antes de la pandemia. En el primer trimestre de 2026 las ventas online alcanzaron US$2.562 millones con un crecimiento real cercano al 15%, en un trimestre en que la actividad general se contrajo 0,5%.

Dentro de ese mercado la competencia ya está instalada: la CCS estima cerca de 17.000 pure players online, con ventas sobre US$1.600 millones y un 17% del total transado. La categoría de electrónica y tecnología concentra cerca de US$4.600 millones, casi la mitad de las ventas online de 2025, mientras alimentos y bebidas creció un 25% real hasta US$1.760 millones. Para 2026 la proyección es un alza cercana al 6%, hasta unos US$10.600 millones.

La infraestructura acompaña. Subtel reportó con datos a enero de 2026 más de 10,1 millones de accesos móviles 5G, un alza de 62,3% en doce meses, y que la fibra óptica ya concentra el 84,1% de las conexiones fijas del país.

La brecha está del lado de las empresas. La Séptima Encuesta Longitudinal de Empresas del Ministerio de Economía (años de referencia 2020-2022) encontró que solo el 6% de las empresas chilenas vendió a través de comercio electrónico, un 11% en el sector comercio. Y el universo es enorme: más de 1,2 millones de mipymes, el 98,5% de las empresas del país según datos del SII para el año comercial 2024, que concentran el 48% del empleo. El GEM Chile 2025/2026 agrega el matiz que más nos importa: con una tasa de actividad emprendedora de 29,4% frente a un 7,1% de negocios establecidos, hay más de cuatro emprendimientos en etapa inicial por cada negocio consolidado. El problema chileno no es partir, es consolidar — y consolidar es precisamente lo que produce un ciclo de experimentación sostenido. Si tu caso es una startup, revisa también nuestras estrategias de growth marketing para startups en Chile.

¿Dónde se rompe el método en la práctica?

En cuatro lugares, y casi siempre son los mismos cuatro.

• Volumen insuficiente. Con pocas conversiones semanales un test A/B no alcanza significancia nunca. Ahí se prueba de forma secuencial, o se prueba el embudo completo en vez del botón.

• Decisiones tempranas. El sesgo del primer día está medido y sigue costando plata todos los meses.

• Dos variables a la vez. Duplica la velocidad aparente y elimina el aprendizaje, que era el punto.

• Falta de control. Un test A/A debería rechazar la hipótesis nula alrededor del 5% de las veces con 95% de confianza; si tu herramienta declara ganadores en un A/A, el problema no es la campaña, es la instrumentación.

Preguntas frecuentes

¿Cuánto demora ver resultados?

Depende del volumen de conversiones, no del calendario. Google recomienda dejar correr un experimento dos o tres semanas cuando no hay un ganador claro, y en cuentas con poco tráfico el plazo se estira bastante más. Lo que sí es inmediato es el aprendizaje sobre medición: las primeras dos semanas casi siempre revelan errores de instrumentación que ya estaban distorsionando las decisiones.

¿Sirve para empresas B2B con ciclos de venta largos?

Sí, pero cambia la métrica de decisión. En B2B no se optimiza venta cerrada, se optimiza una etapa intermedia que correlacione con el cierre, como lead calificado o reunión agendada. El paso que no se puede saltar es validar esa correlación con datos propios antes de confiar en ella.

¿Cuál es la diferencia con growth marketing?

Growth marketing es el alcance: todo el embudo, de adquisición a retención. La metodología growth hacking es el procedimiento con que se decide qué tocar primero dentro de ese embudo. Una es el mapa, la otra es la forma de caminarlo.

¿Cuántos experimentos al mes son razonables?

Para una pyme chilena con una cuenta publicitaria activa, entre dos y cuatro experimentos bien diseñados al mes es una cadencia sostenible. Importa más que cada uno tenga hipótesis escrita y criterio de corte que acumular pruebas mal definidas.

¿Se necesita un equipo de datos para partir?

No para partir. Se necesita medición confiable, alguien que pueda escribir hipótesis y alguien que ejecute los cambios. Somos tres personas y así operamos las diez cuentas; el equipo de datos se justifica cuando el volumen de experimentos supera la capacidad de documentarlos.