12 métricas de analítica de apps que importan en 2026

Las 12 métricas principales

1. Tasa de retención (día 1, día 7, día 30)

La retención es la métrica más importante de una app: la proporción de usuarios de una cohorte de instalación que sigue activa el día N, expresada en porcentaje. Medirla por cohortes y no de forma agregada es innegociable, porque si no, el crecimiento de nuevas instalaciones puede ocultar durante meses una caída de la retención. La retención impulsa casi todo lo demás, incluidos los ingresos, el boca a boca y el periodo de recuperación de la inversión en adquisición.

Una app con buen rendimiento suele rondar el 30-40% el día 1, el 10-15% el día 7 y el 5-8% el día 30, aunque la categoría influye muchísimo. Los errores que más veo son agregar cohortes cuando el volumen de instalaciones crece (lo que oculta una tendencia a la baja), definir "activo" como una simple apertura de la app (lo que infla el número) e ignorar los efectos estacionales en las cohortes. Una cohorte de instalación de Black Friday no se parece en nada a una de febrero, y promediarlas no te enseña nada.

UXCam mide la retención de forma nativa, igual que Amplitude, Mixpanel y Firebase. Los rangos por categoría varían mucho; consulta la guía de benchmarks de retención de apps y el State of App Marketing de AppsFlyer para ver el desglose completo.

2. Usuarios activos (DAU, WAU, MAU)

DAU, WAU y MAU cuentan los usuarios únicos que realizaron una acción válida en un día, en una ventana móvil de 7 días o en una ventana móvil de 30 días, respectivamente. El detalle clave es cómo defines "activo". Una acción con sentido (registró un entrenamiento, envió un mensaje, completó una tarea) te da un número que refleja engagement real. Contar aperturas lo infla sin decirte nada útil.

Tres trampas a vigilar: contar dos veces a los mismos usuarios en iOS y Android cuando tu estrategia de IDs no está unificada, contar los pings en segundo plano de iOS como actividad y olvidarte de excluir a los usuarios internos y de QA. UXCam, Firebase, Mixpanel y Amplitude hacen bien el conteo una vez que has definido correctamente la acción válida.

3. Ratio DAU/MAU

DAU dividido entre MAU, por 100, es lo que el sector llama "stickiness". Te dice qué proporción de tus usuarios mensuales vuelve cada día, lo que es un indicador razonable de la formación de hábito. Un ratio alto significa uso habitual; uno bajo, uso esporádico.

Los rangos de referencia varían mucho según la categoría. Según el State of Mobile de data.ai (ahora publicado por Sensor Tower) y los benchmarks de AppsFlyer, las apps sociales llegan al 50%+, las de productividad al 25-35%, las de ecommerce al 10-20% y las fintech al 15-25%. Lo importante es que la stickiness no es un objetivo para todas las apps. Las apps de declaración de impuestos y de viajes están pensadas para usarse de vez en cuando, y compararlas con un benchmark de redes sociales te llevará a optimizar para el resultado equivocado.

4. Tasa de conversión del embudo

La conversión del embudo es simplemente la proporción de usuarios que llegaron al paso N y también completaron el paso N+1, medida en cada paso de flujos críticos como el registro, el checkout, el onboarding y el upgrade. Para la mayoría de los equipos de producto es la métrica de mayor impacto de la lista, porque el abandono del embudo señala exactamente qué fricción hay que corregir. El análisis de embudos de UXCam lo muestra automáticamente, con grabaciones de sesiones vinculadas a cada punto de abandono, y eso es lo que convierte un número en una solución.

Aquí los números de los clientes son especialmente claros. Recora usó la grabación de sesiones para descubrir que los usuarios mantenían presionado un botón que solo necesitaba un toque, y redujo un 42% los tickets de soporte relacionados. Inspire Fitness aumentó un 460% la actividad de los usuarios dentro de la app. Housing.com llevó la adopción de su búsqueda en varias zonas del 20% al 40% de los usuarios. Costa Coffee aumentó los registros un 15% después de que el análisis de abandono del embudo mostrara que los nuevos usuarios dejaban el registro tras introducir una contraseña no válida. La única trampa que vale la pena señalar: si defines los pasos del embudo de forma distinta en cada plataforma, los números de iOS y Android no se pueden comparar, y perderás meses discutiendo sobre un artefacto de medición.

5. Ingreso medio por usuario (ARPU)

El ARPU son los ingresos totales de un periodo divididos entre el total de usuarios del mismo periodo, y es la métrica de monetización más sencilla de la lista. El ARPU agregado oculta diferencias importantes entre grupos de usuarios, así que siempre segmento por fuente de adquisición y por cohorte antes de sacar conclusiones.

El ARPPU (ingreso medio por usuario de pago) es su primo cercano: quita a los usuarios gratuitos y verás cuánto vale de verdad tu segmento que monetiza. En apps freemium importan los dos números, porque el ARPU te habla de toda la base y el ARPPU te dice si el comportamiento de pago en sí es sano.

6. Lifetime value (LTV)

El LTV es el ARPU multiplicado por la vida media del cliente, expresados en la misma unidad de tiempo, y proyecta los ingresos totales de un usuario a lo largo de su relación con la app. Es imprescindible para calcular la eficiencia del costo de adquisición mediante el ratio LTV:CAC.

El problema del LTV es que las apps en fase temprana tienden a sobreestimarlo, porque todavía no han observado suficiente vida de usuario como para conocer la curva real. El LTV predictivo de una herramienta como Adjust o AppsFlyer puede ayudar, pero úsalo con cautela e indica siempre la ventana de confianza junto con la estimación puntual.

7. Costo de adquisición de clientes (CAC) y ratio LTV:CAC

El CAC es la inversión total en adquisición de un periodo dividida entre los nuevos usuarios adquiridos en ese mismo periodo. El LTV:CAC es simplemente el LTV dividido entre el CAC. El benchmark del sector para un crecimiento sostenible es un LTV:CAC superior a 3:1. Por debajo de 1:1, cada usuario adquirido cuesta más de lo que aporta, y el rango entre 1:1 y 3:1 suele indicar fugas en la retención o en la monetización que la adquisición de pago por sí sola no puede resolver.

El error habitual es contar solo el CAC de pago e ignorar el costo de la adquisición orgánica que viene del contenido, el trabajo de ASO y los programas de referidos. Eso hace que el CAC combinado parezca artificialmente bajo y desvía toda la conversación sobre crecimiento.

8. Tasa de usuarios sin crashes

La tasa de usuarios sin crashes es la proporción de usuarios que no sufrieron ningún crash en el periodo, y mi objetivo es superar el 99% diario. Vale la pena seguir aparte las sesiones sin crashes, con un listón más alto: 99,5%+. La razón por la que afecta directamente a la retención: un solo crash en la primera sesión de un usuario multiplica su tasa de churn por 3, aproximadamente.

En cuanto a herramientas, Firebase Crashlytics, Sentry, Bugsnag e Instabug resuelven bien los informes. UXCam Issue Analytics añade la grabación de la sesión que lleva al crash, y esa es la diferencia entre un stack trace y un bug reproducible.

9. Tasa de rage taps y congelamientos de la UI

Los rage taps (4+ toques en un segundo sobre el mismo elemento de la UI) y los congelamientos de la UI (la app deja de responder durante 2+ segundos) son las señales cualitativas convertidas en cuantitativas en las que me apoyo para diagnosticar fricción. Issue Analytics de UXCam detecta ambos automáticamente y los ordena por impacto en el negocio. Un grupo de rage taps sobre un botón concreto es una de las pistas de diagnóstico más rápidas que vas a encontrar.

10. Duración media de la sesión

La duración de la sesión es el tiempo total de sesión dividido entre el número total de sesiones. El truco está en acotarla al intervalo entre la primera y la última acción relevante dentro de la app, para medir usuarios comprometidos y no a personas que abrieron la app y se distrajeron. Más largo tampoco es siempre mejor: un usuario atascado en una pantalla confusa también tiene una sesión larga, así que siempre la combino con la tasa de finalización de tareas antes de sacar conclusiones.

11. Tiempo hasta la primera acción relevante (velocidad de activación)

Es la mediana del tiempo entre la apertura de la app y un evento de activación definido, donde el evento de activación es la acción dentro de la app que mejor predice la retención al día 30 (registró un entrenamiento, creó una playlist, completó la primera tarea). Los usuarios que lo alcanzan en menos de 60 segundos durante la primera sesión retienen a tasas mucho más altas que los que no, y por eso recortar segundos a la experiencia de la primera sesión suele ser una de las inversiones con mayor retorno que puede hacer un equipo de producto móvil.

12. Valoración en la App Store y volumen de reseñas

Aquí importan dos números: la media ponderada de las valoraciones de los usuarios sobre 5 estrellas y cuántas reseñas nuevas recibes por semana.

Las apps con más de 4,5 estrellas tienen posiciones claramente mejores en el ranking de su categoría y más conversión de instalación orgánica que las que están en 4,0-4,4. Un volumen de reseñas al alza significa que tu app tiene engagement reciente que da de qué hablar, y eso es una señal real de crecimiento. AppFollow y Sensor Tower (que compró data.ai en 2024) lo miden de forma fiable.

Catálogo ampliado de métricas por categoría

Las 12 principales cubren la mayoría de las necesidades de un equipo, pero, según tu fase y tu categoría, las métricas de abajo también entran en la conversación.

Métricas de adquisición

13. Tasa de conversión de instalación

La conversión de instalación son las instalaciones divididas entre las visitas a la ficha de la tienda, y mide lo bien que tu ficha convierte visitantes en usuarios. Una conversión baja suele apuntar a problemas en las capturas de pantalla, la descripción, el icono o la valoración. Tanto Google Play Console como App Store Connect lo informan de forma nativa, y un rango sano es 25-35% en la App Store frente a 15-25% en Google Play (Play cuenta más visitas de baja intención, lo que hunde el número).

14. Mezcla de instalaciones orgánicas y de pago

Son las instalaciones orgánicas divididas entre el total de instalaciones, en porcentaje. Una proporción orgánica alta suele indicar product-market fit y un crecimiento eficiente. Cuando la parte de pago crece más rápido que la orgánica, la adquisición está subvencionando un boca a boca débil, y esa es una señal de alarma que conviene tomarse en serio. AppsFlyer, Adjust, Branch y Singular informan de este reparto.

Una advertencia: los cambios de ATT en iOS 14.5+ hicieron que la atribución de pago tenga más ruido, así que los repartos entre orgánico y de pago de antes y después del cambio no son directamente comparables. No traces tendencias que crucen ese límite sin anotar el corte.

15. Costo por instalación (CPI) por canal

El CPI es la inversión en un canal dividida entre las instalaciones de ese canal. Sirve para comparar canales, pero engaña si se mira de forma aislada: un canal con un CPI de US$ 2 que retiene un 2% es peor que un canal con un CPI de US$ 6 que retiene un 12%. Combina siempre el CPI con la retención por cohorte o el LTV predictivo por canal antes de tomar decisiones de presupuesto. Los benchmarks de CPI de AppsFlyer actuales sitúan el CPI medio global en torno a US$ 1,50-5, según la categoría y la región.

Métricas de activación

16. Tasa de activación

La tasa de activación es la proporción de nuevos usuarios que completaron el evento de activación. La activación es la acción que mejor predice la retención, y encontrar la tuya implica correlacionar las acciones de la primera sesión con la retención al día 30 y elegir la señal más fuerte. En Facebook, históricamente, era "7 amigos en 10 días". En una app de entrenamiento, registrar el primer entrenamiento. Los rangos varían mucho, pero, como regla general, duplicar la tasa de activación suele duplicar la retención al día 30.

17. Tasa de finalización del onboarding

La finalización del onboarding es la proporción de usuarios que terminaron el onboarding sobre los que lo empezaron. Vale la pena medirla por separado de la activación, porque el onboarding suele ser el primer lugar donde los usuarios abandonan. Los onboardings largos, de más de 5 pasos, suelen perder un 15-25% por paso, y eso se acumula rápido.

Métricas de engagement

18. Pantallas por sesión

Total de vistas de pantalla dividido entre el total de sesiones. Un número alto de pantallas puede significar engagement o confusión, así que interprétalo junto con la grabación de sesiones. Los bucles de navegación y los retrocesos aparecen en las pantallas por sesión antes que en ningún otro sitio.

19. Frecuencia de sesiones

Sesiones por usuario y semana, que te dicen hasta qué punto se ha formado el hábito. En una app de uso diario, apunta a 5+ sesiones por semana por usuario activo. En categorías de uso semanal, 1-2 sesiones por semana es prácticamente el techo.

20. Tasa de adopción de funcionalidades

La adopción de una funcionalidad es la proporción de usuarios activos que la usaron en el periodo. Pesa mucho después de lanzar algo nuevo: si la adopción se estanca por debajo del 20% en la semana 4, o la funcionalidad no se descubre bien o resuelve un problema que los usuarios no tienen. Los mapas de calor de UXCam muestran si el punto de entrada se está viendo siquiera, lo que normalmente separa esos dos tipos de fallo.

Métricas de retención y churn

21. Tasa de churn

El churn es lo contrario de la retención; suele reportarse mensualmente en apps de suscripción y se calcula como la caída de usuarios en un periodo dividida entre los usuarios al inicio. Un churn sano en apps móviles de SaaS está en el 3-5% mensual; las apps de suscripción de consumo suelen moverse en el 5-10%.

22. Tasa de reactivación (resurrection rate)

La tasa de reactivación es la proporción de usuarios antes inactivos (normalmente, sin ninguna sesión en 30+ días) que volvieron durante un periodo. Una tasa de reactivación sana sumada a una retención fuerte es señal de recuerdo de marca o de campañas de win-back eficaces.

23. Tendencia de stickiness (no solo el DAU/MAU de un momento)

En lugar de quedarte mirando un único valor de DAU/MAU, grafícalo cada semana durante 12 semanas. Una tendencia a la baja es un indicador adelantado de churn 30-60 días después, tiempo de sobra para intervenir si estás atento.

Métricas de monetización

24. Tasa de conversión de prueba a pago

Usuarios que pasaron a pago divididos entre las pruebas iniciadas, en porcentaje. En apps de suscripción, es la métrica de monetización más importante. El State of Subscription Apps 2024 de RevenueCat sitúa la conversión mediana de prueba a pago en el 28-32% en productividad y en el 40%+ en salud y fitness.

25. Tasa de renovación de suscripciones

Suscriptores que renovaron divididos entre los suscriptores que tenían que renovar. Los planes anuales suelen renovar en un 50-60%; los mensuales, en un 80-90% en cada ciclo, aunque el churn acumulado de los mensuales es mayor a lo largo de un año.

26. Tasa de usuarios de pago

Usuarios de pago divididos entre usuarios activos. Benchmarks freemium: un 2-5% es lo típico, un 5-10% es fuerte y más del 10% es excepcional.

Métricas de rendimiento y calidad

27. Tiempo de arranque de la app (cold start / warm start)

Mediana del tiempo entre que se toca la app y el primer frame interactivo. El objetivo es menos de 2 segundos en cold start y menos de 1 segundo en warm start. Android Vitals de Google marca las apps como "lentas" por encima de 5 segundos de cold start, lo que perjudica directamente su posición en la Play Store.

28. Tiempo de respuesta de la API (p50, p95, p99)

Mide siempre percentiles, no medias. Una media de 200 ms oculta el p99 de 2 segundos que le está amargando la experiencia al 1% de las sesiones, y esos usuarios abandonan a tasas excepcionales. New Relic, Datadog RUM y Sentry Performance informan los percentiles correctamente.

29. Tasa de ANR (Android application not responding)

La proporción de usuarios activos diarios que sufren al menos un ANR percibido por el usuario, en porcentaje. El objetivo es quedar por debajo del 0,47%, según el umbral de "mal comportamiento" de Google Play. Si lo superas, tu posición en la Play Store cae de inmediato.

Métricas de salud del producto

30. NPS y CSAT dentro de la app

Las microencuestas dentro de la app que se lanzan después de completar una tarea son las que mejor funcionan, y combinarlas con la grabación de sesiones te deja ver qué pasó antes de que un detractor diera su puntuación. Entre las herramientas que he usado para esto están Qualaroo y SurveyMonkey.

31. Tasa de tickets de soporte por cada 1.000 sesiones

Tickets de soporte divididos entre sesiones, por cada mil. Una tasa de tickets que sube después de un lanzamiento es la señal más rápida de que algo se rompió para usuarios reales, muchas veces antes de que aparezca siquiera en los informes de crashes.

Cómo elegir de 5 a 8 KPIs según la fase de tu producto

No todas las métricas anteriores aplican en todas las fases. Elegir las equivocadas desperdicia tiempo de ingeniería y, peor aún, enfoca al equipo en las decisiones equivocadas.

La métrica North Star

Tu North Star es la métrica que mejor recoge el valor central que tu producto entrega a los usuarios. La de Spotify es el tiempo de escucha. La de Airbnb, las noches reservadas. Tu candidato a evento de activación de la métrica 11 suele ser el input más cercano a ella, y todo lo demás es o una métrica de input (indicador adelantado) o una métrica de diagnóstico (explica por qué se movió la North Star). Este enfoque viene del trabajo original de Sean Ellis sobre la North Star y del playbook de North Star de Amplitude.

Prelanzamiento (beta, pruebas cerradas)

Céntrate en las señales cualitativas y en la estabilidad técnica. Las métricas que importan son la tasa sin crashes, la tasa de ANR, la finalización del onboarding, la tasa de tickets de soporte y las grabaciones de sesiones revisadas por semana. Las curvas de retención todavía no sirven porque las cohortes son demasiado pequeñas.

De 0 a 1 (primeros 12 meses tras el lanzamiento)

Estás buscando el product-market fit. Mide la retención al día 7 y al día 30 por cohorte, la tasa de activación, el tiempo hasta la primera acción relevante y el NPS. No optimices todavía el CAC: si la retención es débil, la adquisición de pago es echar agua en un colador.

Fase de crecimiento

La retención es estable; ahora toca escalar de forma eficiente. Vigila el LTV:CAC, la mezcla orgánico/pago, la conversión del embudo en cada paso, el ratio DAU/MAU y la adopción de funcionalidades en los lanzamientos clave.

Fase de escala

Estás optimizando la economía unitaria y defendiendo la retención. Las métricas relevantes son la retención por cohorte según segmento y canal, el ARPPU, la tasa de renovación de suscripciones, la tasa de reactivación y la latencia p95.

Madurez

Defenderse del churn y encontrar nuevos bucles de crecimiento. Mide la tasa de churn por segmento, el desgaste de la adopción de funcionalidades, el NPS por cohorte, la tasa de tickets de soporte por cada 1.000 sesiones y la conversión de win-back.

Benchmarks por sector

Los benchmarks absolutos son peligrosos por sí solos, pero te dicen si estás jugando a un juego distinto al de los líderes de tu categoría. Las cifras de retención al día 30 que verás abajo siguen nuestros benchmarks de retención de apps móviles, que dan la mediana y el rango de las apps con mejor rendimiento de cada categoría.

Fintech

Según los benchmarks de fintech de AppsFlyer y las tendencias de apps móviles de Adjust, la retención al día 30 ronda el 7% de mediana y el 10-15% en las apps con mejor rendimiento, el DAU/MAU está en el 15-25% y el CPI medio en US$ 4-8 en mercados desarrollados. El listón de la tasa sin crashes es especialmente alto (99,8%+) porque la confianza forma parte del producto.

E-commerce

Según el State of Mobile de data.ai (ahora publicado por Sensor Tower) y el informe de e-commerce de CleverTap, la retención al día 30 ronda el 2% de mediana y el 3-6% en las apps con mejor rendimiento; la conversión de carrito a checkout está en el 35-50%, la de checkout a compra en el 50-65% y la duración de la sesión en 2-4 minutos.

Redes sociales y mensajería

Según data.ai (ahora parte de Sensor Tower) y los datos de apps móviles de Statista, puedes esperar una retención al día 30 de alrededor del 12% de mediana y del 15-20% en las mejores apps, un DAU/MAU del 50%+ y 8-15 sesiones al día en las apps con mejor rendimiento.

Gaming

En los juegos, la retención al día 1 ronda el 32% de mediana y el 40-50% en las apps con mejor rendimiento, y la retención al día 30 ronda el 3% de mediana y el 5-8% en las mejores. Según los benchmarks de GameAnalytics, el ARPDAU es de US$ 0,05-0,15 en hipercasuales y de US$ 0,50+ en mid-core.

Noticias y medios

Según los benchmarks de Adjust, la retención al día 30 es del 8-15%, los usuarios comprometidos hacen 5-8 sesiones por semana y la duración de la sesión es de 3-5 minutos.

SaaS móvil (B2B)

La retención al día 30 es del 20-30% (más alta porque las apps de flujo de trabajo forman parte del día a día laboral), la tasa de usuarios de pago es del 50%+ cuando el móvil forma parte de un paquete SaaS de pago, y el DAU/MAU está en el 30-50% en las principales apps de flujo de trabajo.

Salud y fitness

Según el State of Subscription Apps de RevenueCat, la conversión de prueba a pago es la más alta de todas las categorías, con un 40%+, y la tasa de renovación anual se sitúa en el 55-65%. La retención al día 30 ronda el 5% de mediana y el 8-12% en las apps con mejor rendimiento.

Antipatrones de métricas que debes evitar

1. Métricas de vanidad

Las descargas, el MAU bruto y los usuarios registrados son fáciles de mover con un empujón de pago y tienen poca relación con la retención o los ingresos. Combina cada métrica de adquisición con una métrica de calidad, como la retención de esa cohorte, la tasa de conversión o la tasa de activación.

2. Exceso de instrumentación

Rastrear 200+ eventos "por si los necesitamos más adelante" es un error habitual. Si una métrica no se consulta en 30 días, elimina el evento. El exceso de eventos también lastra el rendimiento de la app e infla las facturas de los proveedores.

3. Confundir correlación con causalidad

"Los usuarios que adoptan la funcionalidad retienen 3x mejor, así que la funcionalidad impulsa la retención." Puede ser, o puede que los usuarios comprometidos tengan más probabilidades tanto de adoptar la funcionalidad como de quedarse. Haz un test A/B como es debido o busca experimentos naturales antes de afirmar una causalidad.

4. Ceguera estacional

Comparar el DAU de noviembre con el de julio y celebrar la subida como una victoria es un error clásico. Compara interanualmente o con un periodo equivalente, y anota en los dashboards los eventos estacionales conocidos.

5. Sesgo de muestreo

Una grabación de sesiones con un muestreo del 10% se pierde bugs poco frecuentes que afectan al 1% de los usuarios pero causan el 20% del churn. Graba el 100% de los flujos críticos (onboarding, checkout, primera sesión) y reduce el muestreo en el resto.

6. Doble conteo entre plataformas

Contar iOS y Android como usuarios distintos cuando son la misma persona con la misma cuenta distorsiona todas las métricas que dependen de ellos. Unifica por ID de usuario, no por ID de dispositivo, en cualquier métrica ligada a ingresos o retención.

7. Informes solo con medias

"La duración media de la sesión es de 3 minutos" oculta una distribución bimodal de 30 segundos y 6 minutos. Reporta la mediana y el p95 junto con las medias.

8. Proliferación de dashboards

Quince dashboards y ninguno con dueño. Cada dashboard necesita un responsable con nombre y una revisión semanal, o debería archivarse.

9. Redefinir pasos del embudo

Cambiar la definición del evento de un paso del embudo y luego comparar con periodos anteriores produce basura. Cuando redefinas, recalcula los datos históricos o empieza un gráfico nuevo y anota el corte.

10. Ignorar las señales cualitativas

Un DAU alto con un NPS en caída, más grupos de rage taps que nadie revisa, es un patrón clásico en el que el dashboard cuantitativo está en verde mientras los usuarios se van. Revisar grabaciones de sesiones tiene que ser un hábito semanal, no una herramienta a demanda.

Cómo crear un dashboard de métricas que la gente lea

La mayoría de los dashboards fracasan no porque las métricas estén mal, sino porque nadie sabe qué hacer cuando una métrica se mueve.

Organiza el dashboard por capas

Arriba, muestra la North Star con la tendencia de 12 semanas y anotaciones de los lanzamientos. En el medio, coloca las 3-5 métricas de input que mueven la North Star (retención, activación, conversión). Abajo, pon las métricas de diagnóstico que explican por qué se movió un input (abandonos en el embudo, tasa de crashes por pantalla, adopción de funcionalidades).

Ajusta la cadencia al tipo de decisión

El seguimiento en tiempo real corresponde a la tasa de crashes, la tasa de ANR y la latencia p95, con alertas cuando se supera un umbral. El vistazo diario cubre DAU, la conversión de los embudos clave y la tasa de tickets de soporte. Los análisis semanales en profundidad son para la retención por cohorte, la adopción de funcionalidades y el NPS, en una reunión de revisión de producto. Las revisiones mensuales miran el LTV:CAC, las líneas de tendencia, los resúmenes de experimentos y el impacto de los lanzamientos. Lo trimestral es para la revisión estratégica y la reselección de KPIs si el negocio ha cambiado.

Asigna responsables

Cada métrica tiene un responsable con nombre, y esa persona escribe una frase por semana sobre qué se movió y por qué. Es el paso que la mayoría de los equipos se salta, y es lo que separa un dashboard que orienta decisiones de uno que solo decora un canal de Slack.

Herramientas de analítica por categoría de métrica

Ninguna herramienta lo cubre todo. Un stack típico para apps móviles tiene de 4 a 6 herramientas en estas categorías:

• Atribución: AppsFlyer, Adjust, Branch, Singular, Kochava.

• Analítica de producto: UXCam, Amplitude, Mixpanel, Firebase Analytics, Heap.

• Crashes y rendimiento: Firebase Crashlytics, Sentry, Bugsnag, Instabug.

• RUM y APM: Datadog RUM, New Relic Mobile, Embrace.

• Grabación de sesiones y analítica de experiencia: UXCam, LogRocket. Smartlook ya no se vende (Cisco dejó de venderlo el 31 de mayo de 2026).

• BI y data warehouse: Snowflake, BigQuery, Looker, Tableau.

• Inteligencia de tiendas de apps: Sensor Tower (que ahora incluye data.ai), AppFollow.

• Encuestas y feedback: Qualaroo, encuestas de Instabug.

El modelo de madurez de métricas

¿En qué punto de esta curva está tu equipo? Cada fase hace posible un tipo de decisión distinto.

Fase 0: sin medición

Una herramienta de reporte de crashes, la valoración en la App Store y la intuición. Las decisiones de producto salen de los tickets de soporte y de la opinión de quien tiene el cargo más alto (HiPPO). Puedes lanzar, pero no puedes saber si un cambio funcionó.

Fase 1: seguimiento de instalaciones y sesiones

Firebase o algo similar instalado, contando instalaciones, sesiones y MAU. Sabes si la app crece o se encoge, y nada más. Las curvas de retención todavía no existen.

Fase 2: retención por cohortes y embudos

Hay una herramienta de analítica de producto en marcha, con eventos personalizados en los flujos clave. Puedes ver dónde abandonan los usuarios y qué cohortes retienen. Este es el umbral a partir del cual las decisiones guiadas por el producto se vuelven posibles.

Fase 3: cualitativo + cuantitativo integrados

La grabación de sesiones, los mapas de calor y el issue analytics conviven con las métricas cuantitativas. Ves tanto lo que pasó como por qué. La mayoría de los clientes de UXCam están aquí, y de aquí salen resultados como el aumento del 460% en la actividad de los usuarios dentro de la app de Inspire Fitness y la caída del 42% en los tickets de soporte de Recora.

Fase 4: cultura basada en la experimentación

Cada cambio de producto significativo pasa por un test A/B, con hipótesis registradas de antemano y criterios de éxito claros. Has cerrado el ciclo entre observación, hipótesis, prueba y lanzamiento. Pocos equipos llegan a esta fase y logran sostenerla.

Errores de instrumentación propios de las apps móviles

La analítica de apps móviles es más difícil que la analítica web por motivos que la mayoría de los equipos no tiene en cuenta hasta que se quema.

Momento de inicialización del SDK

Si el SDK de analítica se inicializa después de que se renderice la primera pantalla, pierdes los primeros eventos de cada sesión, incluidos los que más importan para medir la activación. Inicialízalo en Application.onCreate (Android) o application(_:didFinishLaunchingWithOptions:) (iOS), antes de cualquier lógica de pantalla.

Atribución en el cold start

Los eventos de primera instalación tienen que dispararse antes de que se resuelva la atribución, pero después de que el SDK haya tenido ocasión de recibir los datos del install referrer. Si te equivocas aquí, las instalaciones orgánicas se cuentan como de pago o al revés, y los números parecen lo bastante creíbles como para que el bug pase meses en producción.

Duración de la sesión en segundo plano

iOS y Android gestionan el segundo plano de forma distinta. Una sesión que "dura 4 horas" suele ser el sistema operativo que no ha cerrado la app, no un usuario comprometido durante 4 horas. Limita la sesión a 30 minutos de inactividad o usa solo el tiempo en primer plano.

Ventanas de atribución de las notificaciones push

Las ventanas por defecto varían: AppsFlyer usa por defecto 7 días para clic y 24 horas para visualización, y Adjust usa otras. Si comparas la atribución por canal entre herramientas, confirma que las ventanas coinciden o sacarás conclusiones equivocadas.

Efectos de ATT e IDFA en iOS 14.5+

Solo el 25-30% de los usuarios de iOS acepta el seguimiento, según los datos de ATT de Adjust. Los postbacks de SKAdNetwork llegan con retraso y agregados, lo que hace que la atribución de pago en iOS tenga más ruido que en Android, y esa diferencia se mantiene. No compares el CPI de pago de iOS de antes y después de abril de 2021 como si fueran equivalentes.

Límites de eventos de Firebase Analytics

Firebase limita a 500 nombres de eventos distintos y 25 parámetros por evento en el plan gratuito. Si llegas al límite, los eventos nuevos se descartan sin avisar. Audita tu taxonomía de eventos cada trimestre.

Coherencia en los nombres de pantalla

Si iOS usa CheckoutViewController y Android usa checkout_fragment, tu embudo multiplataforma se rompe. Acuerda una convención de nombres de pantalla neutral respecto a la plataforma antes de instrumentar, no después.

Bloqueo de eventos según el consentimiento

El GDPR y la CCPA exigen que los eventos queden bloqueados hasta que el usuario dé su consentimiento. Si el banner de consentimiento carga después de tu SDK, puede ser ilegal almacenar los eventos previos al consentimiento. Configura los SDK para una inicialización diferida o para un estado de consentimiento desactivado por defecto.

Mide las métricas correctas con UXCam

UXCam es una plataforma de analítica de producto para apps móviles y sitios web que captura automáticamente cada interacción de los usuarios, sin etiquetado manual de eventos. La mayoría de las métricas principales de esta lista se miden desde el primer momento, y la grabación de sesiones, los embudos, el análisis de retención, la segmentación y la detección de problemas trabajan sobre los mismos datos. ¿Ves un abandono? Haz clic para ver las sesiones que lo explican.

Este es el flujo de trabajo que hay detrás de los resultados de Recora, Inspire Fitness, Housing.com y Costa Coffee de la sección sobre la conversión del embudo.

Tara, la analista de IA de UXCam, procesa sesiones a escala para detectar anomalías en las métricas y recomendar acciones concretas, de modo que los equipos de producto obtienen las respuestas que necesitan sin esperar a los analistas.

Su SDK móvil está presente en más de 37.000 productos. Solicita una demo para verla en tu app.