Cuando lanzas un producto o servicio digital, la pregunta del precio siempre aparece: ¿cuánto están dispuestos a pagar mis usuarios? La respuesta rara vez es única. Por eso hoy te cuento cómo diseñar una prueba de pricing por cohorts que revele el precio óptimo para cada segmento. Te explico el enfoque paso a paso, las métricas clave, errores comunes y ejemplos prácticos que he usado en proyectos con startups y pequeños negocios.

Por qué probar precios por cohorts (y no un único A/B)

La razón es simple: tus usuarios no son homogéneos. Hay clientes que valoran más ciertas características, otros que buscan precio, y algunos que compran por impulso. Un A/B estándar te dice qué precio funciona mejor en promedio, pero puede ocultar diferencias críticas entre segmentos.

Probar por cohorts te permite identificar el precio óptimo por grupo, maximizar ingresos y conversión, y diseñar ofertas personalizadas (descuentos, bundles, planes). Además, reduce el riesgo de perder usuarios sensibles al precio o de dejar dinero sobre la mesa con usuarios dispuestos a pagar más.

Definir cohorts: qué criterios usar

No hay una única forma correcta, pero aquí tienes criterios prácticos que uso y que funcionan en la mayoría de productos digitales:

  • Fuente de adquisición (orgánico, ads, afiliados, referral)
  • Geografía / poder adquisitivo
  • Tamaño del equipo o empresa (para B2B)
  • Comportamiento en producto (frecuencia de uso, features usadas)
  • Etapa del funnel (trial, free user, cliente antiguo)
  • Intención o valor percibido (usuarios que completan X acciones clave)

    • La clave es que los cohorts sean accionables: debes poder enviarles una oferta distinta o aplicar un precio distinto sin fricciones técnicas. Evita segmentaciones demasiado específicas que no lleguen a un mínimo de usuarios.

    Diseño experimental: cómo estructurar la prueba

    En esencia, vas a comparar precios dentro de cada cohort. Algunas decisiones a tomar:

  • Rango de precios: define 3–5 niveles realistas (ej. €5, €10, €20, €40). Basalos en investigación previa, competencia y valor percibido.
  • Muestreo aleatorio: dentro de cada cohort, asigna usuarios aleatoriamente a los distintos precios para evitar sesgos.
  • Duración: mínimo 2–4 semanas dependiendo del volumen. Para productos con ciclos largos, considera 1–3 meses.
  • Métricas primarias: tasa de conversión (de trial a pago, o de landing a pago) y ARPU (ingreso medio por usuario).
  • Métricas secundarias: churn, LTV proyectado, NPS, uso del producto.

    • Un ejemplo: tienes tres cohorts (orgánico, ads, empresas). Para cada cohort pruebas cuatro precios. Si en el cohort "empresas" el precio de €40 convierte al 6% y en "orgánico" solo al 0.5%, tu estrategia debe diferenciarse.

    Métricas y cómo interpretarlas

    Estas son las métricas que vigilo y cómo las uso:

  • Tasa de conversión: indica demanda a cada precio. Un precio más alto puede reducir conversión, pero aumentar ingreso por conversión. Busca el punto donde el producto de conversión * precio sea máximo.
  • ARPU: esencial para evaluar impacto directo en ingresos.
  • Ingresos totales por cohort: compara escenarios: ¿prefieres una conversión del 10% a €10 o del 6% a €20?
  • Elasticidad del precio: mide la sensibilidad. Calcula porcentaje de cambio en la demanda por cada 1% de cambio en precio.
  • LTV proyectado: si puedes estimar retención, un precio más bajo con mejor retención puede dar mayor LTV.

    • Un truco: calcula el "punto óptimo" por cohort usando una simple tabla que cruce conversión y precio. Aquí un ejemplo simplificado:

    Cohort Precio (€) Conversión (%) ARPU (€) Ingresos por 1000 usuarios (€)
    Orgánico 5 8 0.40 400
    Orgánico 10 5 0.50 500
    Empresas 20 6 1.20 1200
    Empresas 40 4 1.60 1600

    En este ejemplo, el precio óptimo difiere por cohort y debes priorizar según objetivos (crecimiento vs margen).

    Aspectos técnicos y herramientas

    Para implementar estas pruebas puedes usar varias herramientas según tu stack:

  • SaaS de experimentación: Optimizely, VWO o Google Optimize (cuando estaba disponible) permiten variar precios en UI y medir conversiones.
  • Plataforma de facturación: Stripe es flexible: puedes crear precios y cupones por cohort. Utiliza metadata para rastrear cohort al momento del pago.
  • Analítica: Segment + Google Analytics / Mixpanel para cruzar cohort y comportamiento. Mixpanel me gusta para funnels y cohort analysis.
  • Automatización y emails: Customer.io o Mailchimp para comunicar ofertas específicas según cohort.

    • Un punto crítico: asegurarte de que la prueba no filtre precios entre usuarios (por ejemplo, por compartir link). Implementa tokens o checks backend para garantizar que cada usuario vea el precio asignado.

    Errores comunes a evitar

    He cometido varios de estos y los recomiendo evitar:

  • No segmentar lo suficiente: tratar todo el tráfico igual te da una media que es poco útil.
  • Segmentar en exceso: cohorts demasiado pequeños no producen datos confiables.
  • No medir retención: fijarse solo en la conversión inicial puede llevar a precios que aumentan churn.
  • Ignorar el valor percibido: si subes precio sin mejorar comunicación o features, la conversión caerá más de lo esperado.
  • Tomar decisiones tempranas: sacar conclusiones después de pocos días o con p-values débiles puede conducir a errores.

    • ¿Y después de la prueba? cómo aplicar los resultados

    Los resultados pueden orientar varias acciones:

  • Implementar precios diferenciados por cohort (ej. plan estándar vs plan premium por canal).
  • Crear bundles o features exclusivas para cohortes dispuestas a pagar más.
  • Optimizar landing pages según cohort, destacando beneficios relevantes para cada segmento.
  • Ajustar inversión en adquisición: si un canal trae usuarios de alto ARPU, merece más presupuesto.

    • En un proyecto reciente, descubrimos que los usuarios provenientes de webinars tenían una elasticidad muy baja: aceptaban precios mayores si se les ofrecía onboarding personalizado. Resultado: subimos el precio para esa cohort y creamos un paquete con onboarding que aumentó ingresos y retención.

    Si quieres, puedo ayudarte a diseñar la prueba adaptada a tu producto (definir cohorts, establecer precios y métricas) o revisar los datos de una prueba que ya tengas para interpretarlos. En Gomigo comparto plantillas y hojas de cálculo que facilitan este análisis, incluidas macros para simular ARPU y LTV por cohort.