El 80% de los SaaS Monta sus Planes de Precios Sin Mirar ni un Dato — y No es un Problema de Números

Crees que el pricing de tu SaaS es un problema de números. Que si comparas a la competencia, aplicas un margen razonable y encuentras "el punto de precio correcto", la conversión despega.

Te has equivocado de diagnóstico.

El 80% de los SaaS estructura sus planes de precios sin datos reales de uso. Y luego se pregunta por qué no convierte.

No es un problema matemático. Es un problema estructural. La mayoría de los "errores de pricing" no son malos cálculos — son apuestas a ciegas disfrazadas de decisión financiera. Mientras sigas tratando el problema como una ecuación de márgenes y multiplicadores, estarás puliendo una cifra que nunca tendrá el poder que le atribuyes, porque fue parida sin ninguna conexión con la realidad de tu producto.

---

El Precio No Es el Problema. La Falta de Observación Sí.

Antes de tocar una sola cifra, tu producto ya está hablando.

El 80% de las empresas define sus tarifas sin mirar el comportamiento de sus clientes. Sin saber qué features usan, con qué intensidad, ni qué patrones correlacionan con retención. Es el equivalente a un restaurante que fija el menú según el precio de los ingredientes en el mercado, ignorando por completo lo que sus clientes realmente piden. Puede que el cordero esté barato esta temporada, pero si tu clientela viene buscando el pescado, tendrás un menú impecablemente razonado… y una sala vacía.

La gravedad no es puntual. Es sistémica. No es que un 20% tenga datos perfectos y otro 20% parciales — es que cuatro de cada cinco deciden con cero evidencia. Cuando ese es el punto de partida, cualquier proceso de optimización posterior es optimizar sobre ruido. Es como calibrar una balanza que nadie ha comprobado: puedes ajustar los contrapesos todo lo que quieras, pero la medida de base sigue siendo falsa.

El problema más incómodo: el pricing basado en coste o en competidores es un enfoque desde arriba. Proyectas un precio a partir de inputs que ya puedes ver — tus costes, los precios ajenos — como si el valor que entregas fuera una constante conocida.

No lo es. El valor se descubre desde abajo, leyendo las señales que tus clientes emiten con cada clic, cada feature adoptada, cada upgrade o cancelación. Y para leer esas señales necesitas un sistema de observación, no una intuición.

Detente un momento y piensa en esto: tu producto lleva meses, quizá años, funcionando. Cada día, decenas o cientos de usuarios interactúan con él de formas que revelan exactamente qué valoran y qué ignoran. Esas señales existen. El problema no es que no estén ahí — es que no las estás registrando. Los datos están emitiéndose en este mismo instante, y tu equipo no tiene antena para recibirlos.

---

Por Qué el Enfoque Convencional Te Lleva a la Ruina

Mira esto con honestidad:

❌ Pricing desde arriba (el fracaso convencional): miras a la competencia, pones un precio parecido, inventas tres tiers con recuentos de features más o menos a ojo, y rezas.

✅ Pricing desde abajo (el enfoque que funciona): instrumentas el uso, observas qué features capturan valor real, agrupas clientes por comportamiento y dejas que los límites de cada tier se revelen solos.

La segunda opción casi nadie la hace. El 80% parte de cero datos — así que cualquier señal direccional ya es una mejora sobre el statu quo. No necesitas un espectacular sistema de analítica empresarial. Necesitas veinte minutos de trabajo para instrumentar dos o tres eventos y, a partir de ahí, empezar a ver patrones que tus competidores ni siquiera sospechan que existen.

Esto es exactamente lo que está cambiando el panorama de las plataformas tech más grandes. Cuando una empresa con el alcance de Meta afirma que los modelos de lenguaje le están permitiendo "acelerar el desarrollo de productos" y "entregar mejores resultados para las empresas", lo que está describiendo — en el fondo — es una capacidad de observar el comportamiento de sus usuarios a una escala y velocidad que antes era imposible. Los LLM les permiten entender qué contenido es realmente, generar mejores datos de entrenamiento y detectar tendencias sin intervención humana. Esa es la misma filosofía aplicada a escala industrial: decidir desde la observación, no desde la intuición.

Pensemos en el anchoring. La sabiduría convencional dice que el tier intermedio enmarca la percepción de los demás. Cierto a nivel psicológico. Pero aquí viene el giro: son los datos los que deciden dónde cae el ancla, no tu intuición.

Con datos de uso, puedes colocar el ancla donde se asienta el mayor cluster de power users — el segmento cuyo comportamiento ya señala el mayor valor percibido. El ancla deja de ser una corazonada y se convierte en un reflejo de la demanda real. Ya no preguntas "¿dónde debería estar el precio psicológicamente atractivo?", sino "¿dónde está el valor que mis clientes ya están consumiendo?". La respuesta a la segunda pregunta es infinitamente más potente en una conversación comercial.

---

El Feature Gating es Donde los Datos Rinden Más

Aquí es donde el 80% que no trackea se equivoca de forma más dolorosa.

La decisión de qué features gatear y cuáles dejar abiertas debería ser la más estratégica de tu pricing. Y sin datos, es literalmente un cara o cruz:

Gatear una feature de higiene — la necesaria para la activación básica — genera churn. Si bloqueas lo que el usuario necesita para ver valor en el día uno, te marchas. Has construido un producto que exige un compromiso inmediato sin dar nada a cambio en las primeras sesiones, y el resultado es una puerta de salida mucho más ancha que la de entrada.
Gatear una feature de valor — la que usan intensamente las cuentas más comprometidas — impulsa upgrades. Es la que convierte el free trial en pagador, porque genera el momento de fricción deseado: el usuario siente el límite precisamente porque ya ha experimentado el valor.

Sin tracking de uso es imposible distinguir ambas. Solo con datos puedes saber qué features correlacionan con conversión, cuáles con retención y cuáles son aspiracionales pero nunca se usan. Las features aspiracionales son especialmente traicioneras: ocupan espacio en tu tier más caro, hacen el plan parecer "completo", pero nadie las toca. Estás inflando el valor percibido de un plan que nadie necesita y, de paso, empujando a tus usuarios ligeros hacia un abono que jamás aprovecharán — y que tarde o temprano cancelarán.

Por eso la secuencia correcta es data-first. Antes de reestructurar tu pricing, antes de mover una cifra, antes de decidir qué va detrás de qué muro:

El tracking de uso es el Paso 1. Todo lo demás es output de ese análisis.

No lo conviertas en un proyecto de tres meses con dashboard de Power BI. Hazlo mínimo, hazlo mañana, hazlo con dos eventos. Lo que importa no es la sofisticación del sistema, sino empezar a acumular una serie temporal que puedas consultar cuando llegue la siguiente revisión de precios.

---

El Marco Data-First de Pricing: Instrumenta, Mide, Agrupa, Gatea

Llamemos a esto el Marco Data-First de Pricing. Son cinco pasos, en ese orden, sin saltarte ninguno.

Ten en cuenta que no estás construyendo "el pricing perfecto" en una tarde. Estás construyendo un sistema de aprendizaje continuo donde cada iteración de precios se apoya en los datos de la anterior. La primera vez que lo apliques puede que solo tengas un par de meses de telemetría — suficiente para dar un primer paso firme. Para la segunda o tercera revisión, tendrás patrones estacionales, correlaciones de retención y clusters bien definidos.

Paso 1: Instrumenta el tracking de uso ANTES de tocar ninguna cifra

No hace falta telemetría perfecta. Basta con definir tres o cuatro eventos núcleo que capturen valor real:

Estos eventos son tu sustrato. Sin ellos, cualquier decisión de pricing es especulación. Con ellos, tienes la base para todo lo demás.

Fíjate en el detalle del evento value_milestone: no trackeas "el usuario hizo clic en el botón de exportar", sino "el usuario generó su primer informe". Son cosas distintas. La primera es una interacción; la segunda es un hito de valor. Cuando diseñas tus eventos, pregúntate siempre: ¿esto mide lo que el usuario hace o lo que el usuario logra? Busca lo segundo.

Y no olvides el contexto. Un usuario que activa la feature reports en su primera sesión y otro que la activa tras tres semanas de uso están viviendo experiencias completamente distintas con tu producto. Tu tracking debe capturar ese contexto si quieres que los clusters revelen algo útil: el tiempo hasta el valor (time-to-value) es uno de los predictores más fuertes de retención que vas a encontrar.

Paso 2: Define el esquema de datos que necesitas recopilar

Pregúntate qué quieres saber antes de fijar un precio:

¿Qué features existen y quién los usa?
¿Con qué intensidad y frecuencia se usan?
¿Qué patrones de uso correlacionan con retención a 90 días?
¿Qué camino recorre un cliente desde activación hasta el momento de valor?

No necesitas todas las respuestas de golpe. Necesitas la infraestructura para empezar a responderlas en la siguiente revisión de precios.

Hay una distinción importante que conviene trazar aquí entre tres tipos de señales que vas a recopilar:

Señales de activación. Te dicen si un usuario nuevo está alcanzando el valor fundamental de tu producto. Son las más urgentes de instrumentar, porque sin ellas no puedes distinguir entre "el usuario no ve valor" y "el usuario no encontró el botón".

Señales de intensidad. Te dicen con qué profundidad usa tu producto alguien que ya está activado. Son las que alimentan tus clusters: frecuencia de sesión, horas de uso, colaboradores involucrados, automatizaciones ejecutadas.

Señales de retención. Te dicen qué comportamientos (o qué features) predicen que un cliente siga contigo al cabo de tres, seis o doce meses. Son las que convierten tu gating de features en algo estratégico: sabes qué proteger, qué exponer y qué sacrificar.

Paso 3: Agrupa clientes por uso observado para encontrar los límites naturales de cada tier

No impongas recuentos arbitrarios de features. Esto es el corazón del argumento:

Esos límites son tus tiers. No los inventas: los descubres. Los clusters de comportamiento te dicen dónde termina un plan y empieza el siguiente.

El criterio de elección del número de clusters no debería ser cosmético — "tres tiers se ven bien en la página de precios" — sino predictivo. Prueba con 2, 3, 4 y 5 clusters, y fíjate cuál de ellos produce grupos con homogeneidad interna y diferencias significativas entre sí. Un cluster que contiene tanto a usuarios diarios como a usuarios de fin de semana no es un cluster útil: es un conjunto de etiquetas sin poder de segmentación.

Y aquí va un matiz importante: los clusters no deben fijarse únicamente por uso bruto, sino ponderando por retención. Un cluster con uso álgido pero churn del 60% a los 90 días es un cluster de humo — no un tier al que debas apuntar. Es el que te dice que algo en tu propuesta de valor para ese segmento está roto. El pricing, recordémoslo, es un sistema de observación, y los clusters son sus termómetros.

Paso 4: Elige el tier ancla y aplica feature gating según el valor consumido y medido

Con los clusters identificados, gatea las features de valor — las que usan intensamente los segmentos más comprometidos — no las que más te cuestan servir. Hay una trampa clásica aquí, y conviene llamarla por su nombre: el feature gating basado en coste de infraestructura. Gateas lo que te resulta caro a ti servir, porque así "proteges margen". Es un comportamiento comprensible, pero estás protegiendo el margen equivocado: el coste que importa no es el tuyo, sino el valor percibido por el cliente. Un servidor que consume 0,02 céntimos por petición puede ser el corazón del caso de uso de tus power users; si lo gateas mal, pierdes a todos.

El tier intermedio se convierte en tu ancla. Y con datos, su posición ya no es una corazonada: es donde se sienta tu mayor cluster de usuarios que pagan y usan con intensidad. Esa es la definición operativa del ancla perfecta: un segmento real, observable, medible — no un número redondo que te gusta.

Paso 5: Trata la reestructuración como un experimento continuo, no una edición anual

Tras el lanzamiento, mide conversión, adopción de features y movimientos upgrade/downgrade. El pricing deja de ser una decisión anual de finanzas y se convierte en un bucle de producto permanente.

Aquí es donde el marco conecta con lo que está ocurriendo en el ecosistema tech en general. La velocidad de iteración que permiten las nuevas herramientas — impulsadas por modelos de lenguaje que aceleran el desarrollo de producto, como describe Meta en su propia estrategia — significa que el pricing debe tener la misma agilidad que el producto al que sirve. Si tu producto puede evolucionar en semanas gracias a la IA, y tu pricing solo se revisa una vez al año "porque es lo que se hace", tienes un desajuste estructural: estás fijando el precio de algo que ni siquiera es el mismo producto que tendrás dentro de seis meses.

Cada cambio futuro de precios debería ir precedido de una revisión de datos. El pricing pasa a ser un experimento en marcha, no una hoja de cálculo cerrada. Y como en todo experimento, hay que predefinir cuáles serán los criterios de éxito y fracaso antes de lanzarlo: "si la conversión free→paid no sube un 2% en 60 días, revertimos". Eso te protege de la tentación de justificar resultados mediocres con narrativas post-hoc.

---

Las Objeciones Que Te Estás Haciendo Ahora Mismo

"Somos cuatro, no tenemos infraestructura de analítica." No hace falta. Trackea dos o tres eventos núcleo antes de la siguiente revisión de precios. Dado que el 80% parte de cero datos, cualquier señal direccional ya te coloca por delante de la mayoría. Además, el coste de oportunidad de esta objeción es enorme: cada semana sin tracking es una semana de decisiones tomadas a ciegas. Si tu producto tiene un mínimo de tracción, los datos que estás ignorando valen más que cualquier consultor de pricing que puedas contratar.

"Anclarme en competidores es más seguro." Anclarse en competidores asume que tu perfil de uso y tu entrega de valor coinciden con los suyos. Eso rara vez es cierto. Tu producto tiene features propias, flujos de activación distintos y un público que lo usa de maneras que el competidor ni imagina. Los datos de uso te dan la licencia para desviarte con fundamento, y para defender esa desviación en cada conversación comercial con evidencia observada, no con sensaciones. "Nuestros clientes de mayor retención usan la automatización cuatro veces por semana" pesa infinitamente más que "nuestro competidor cobra 49 €".

"Reestructurar tiers va a enfadar a los clientes existentes." Se resuelve con grandfathering y rutas de migración. Y sobre todo: los datos de uso te permiten identificar qué clientes existentes consumen de más o de menos antes de forzar ningún movimiento. Un cambio basado en datos es infinitamente más fácil de comunicar, justificar y defender ante el cliente que uno salido de una intuición. El cliente puede no estar de acuerdo con el nuevo precio, pero le hablas con evidencia: "hemos visto que tu cuenta consume el equivalente a tres planes Enterprise; te ofrecemos esta ruta de migración". Eso es otra conversación.

---

La Inversión Real del Pricing

La pregunta correcta nunca ha sido "¿cuánto cobramos?". Es "¿qué sabemos de cómo usan esto nuestros clientes?".

Porque el pricing no es una decisión de entrada tomada en una hoja de cálculo. Es un output de la analítica de uso. Y la estructura de tus tiers no se impone desde arriba con multiplicadores — se descubre desde abajo con señales observables.

Lo mismo que está pasando en el desarrollo de producto — donde las empresas que observan el comportamiento de sus usuarios y dejan que los datos guíen la iteración están ganando la partida a las que construyen desde la intuición — está pasando en el pricing. Es el mismo desplazamiento de mentalidad, aplicado a una función que históricamente se ha tratado como un problema de finanzas en lugar de un problema de producto.

Mientras el 80% pregunta cuánto cobrar, el 20% que instrumenta, mide y observa acumula una ventaja que ninguna hoja de cálculo puede replicar.

El pricing no es un número. Es un sistema de observación que aún no has construido.

Empieza por ahí. Antes de tocar una sola cifra.

El 80% de los SaaS Monta sus Planes de Precios Sin Mirar ni un Dato — y No es un Problema de Números