Siempre me llamó la atención Strava. No es solo una app para registrar entrenamientos. Es una plataforma que logró construir un hábito. Más de 135 millones de personas la usan para registrar, analizar y compartir su actividad. Y eso no pasa por casualidad.
Detrás de esa experiencia hay algo clave: decisiones de producto basadas en datos.
Investigando sobre cómo Strava logró construir una de las apps con mayor engagement del mundo, encontré más información sobre la implementación de Amplitude y el impacto que tuvo en su equipo de Growth. Uno de los cambios más importantes fue pasar a un modelo de self-serve analytics, que permitió que equipos de producto y growth accedan directamente a los datos, reduzcan la dependencia del equipo de analytics y aceleren la toma de decisiones basada en el comportamiento real de los usuarios. Pueden encontrar la fuente original del caso publicado por Amplitude al final de este artículo.
Pero no siempre fue así de simple.
Cuando los datos existen, pero no son accesibles, el crecimiento se frena
Strava generaba enormes volúmenes de datos todos los días. Cada actividad, cada interacción, cada feature utilizada era una oportunidad para entender mejor a sus usuarios.
El problema era que el acceso a esos datos estaba centralizado en el equipo de analytics.
Los equipos de producto y growth dependían completamente de ellos para obtener respuestas. Algo tan básico como entender un funnel o analizar el comportamiento de un segmento podía tardar hasta dos semanas. Mientras tanto, el equipo de analytics dedicaba cerca de un tercio de su tiempo a construir dashboards y responder consultas operativas.
El resultado era claro: la organización tenía los datos, pero no tenía la velocidad para actuar sobre ellos.
El cambio: democratizar el acceso a los datos con Amplitude
Para resolver este problema, Strava decidió implementar Amplitude con un objetivo muy claro: democratizar el acceso a los datos.
Amplitude permitió que los equipos de producto, growth y negocio accedieran directamente a dashboards, analizaran funnels, segmentaran usuarios y entendieran el comportamiento sin depender constantemente del equipo de analytics.
Esto cambió completamente la forma en que tomaban decisiones.
En lugar de esperar semanas, los equipos podían responder preguntas en minutos. Podían identificar fricciones, detectar oportunidades y validar hipótesis mucho más rápido.
Y esto tuvo un impacto directo en su capacidad de crecer.
El impacto: entender mejor el comportamiento y optimizar la conversión
Uno de los ejemplos más claros fue cuando detectaron una caída en la conversión desde el período de prueba hacia la suscripción paga.
Utilizando Amplitude, el equipo pudo analizar el funnel y segmentar usuarios para entender qué estaba pasando. Descubrieron que los atletas menores de 35 años tenían una menor tasa de conversión que el resto.
Este tipo de insight es el que permite diseñar experiencias más relevantes, optimizar el onboarding y aumentar la percepción de valor del producto.
Amplitude no solo les permitió entender el problema, sino también ejecutar experimentos, medir resultados y optimizar continuamente la experiencia.
El resultado: 3x más eficiencia y decisiones mucho más rápidas
El impacto fue significativo.
Con esta transformación, el equipo de analytics aumentó su eficiencia en 3x. Los equipos de producto pudieron acceder directamente a los datos. Las decisiones comenzaron a tomarse más rápido y con mayor confianza.
Además, esta mejora en eficiencia generó un ahorro estimado de USD 100.000 anuales, al liberar tiempo del equipo para enfocarse en iniciativas estratégicas en lugar de tareas operativas.
Pero más allá del ahorro, el verdadero impacto fue otro: Strava pasó de tener datos, a realmente usarlos como una ventaja competitiva.
El verdadero aprendizaje: el acceso a los datos cambia la forma en que crecen los productos
Este caso muestra algo que vemos todos los días trabajando con equipos digitales.
El problema no suele ser la falta de datos. El problema es la falta de acceso y la capacidad de actuar sobre ellos.
Cuando los equipos pueden entender el comportamiento de sus usuarios, identificar fricciones y experimentar rápidamente, el producto evoluciona más rápido. Y el crecimiento deja de ser una consecuencia del azar, para convertirse en el resultado de decisiones basadas en datos.
Es exactamente este enfoque el que permite construir productos que generan engagement sostenido en el tiempo.
Fuente original y autora
Este artículo es una adaptación y traducción al español del caso de éxito publicado originalmente por Amplitude.
Fuente original:
https://amplitude.com/blog/strava-analytics-efficiency
Paige DeRaedt
Senior Analytics Manager, Strava
Paige cuenta con experiencia en análisis de datos, diseño de producto y quality assurance engineering, y lidera iniciativas de analytics que permiten a Strava optimizar su producto y mejorar la experiencia de sus usuarios.
© Amplitude, Inc. Todos los derechos reservados.
