# Los pedidos repetidos caen en ciudades medianas *Caso práctico de product management · Métricas · Intermedio* Una app de delivery estilo Glovo (hipotético) opera en 40 ciudades de España. En los últimos tres meses, el porcentaje de clientes que repiten pedido en 30 días ha caído en las ciudades medianas (de 100.000 a 400.000 habitantes), mientras que en Madrid, Barcelona y Valencia se mantiene. Todos los datos del caso son hipotéticos. ## Tu papel Eres la PM de Growth de consumidor para las ciudades medianas. Tienes un equipo de cinco ingenieros, una diseñadora y un analista compartido con Operaciones. ## Quién opina qué - **Director de Operaciones de ciudades medianas**: «Es un problema de oferta: faltan restaurantes buenos.» Pide presupuesto para captar 200 restaurantes más. - **Marketing**: «Hay que reactivar con un cupón del 20 % en el segundo pedido; en otras ciudades funcionó.» - **Finanzas**: «Los cupones ya se comen el margen en estas ciudades.» No aprueba más descuento sin ver su efecto incremental. - **Tu analista**: Ha visto que los tiempos de entrega empeoraron en esas ciudades desde que en junio cambió la lógica de asignación de repartidores. ## Datos **Repetición a 30 días por tipo de ciudad** | Tipo de ciudad | Mayo | Junio | Julio | Agosto | Septiembre | | --- | --- | --- | --- | --- | --- | | Grandes (3) | 46 % | 45 % | 45 % | 46 % | 45 % | | Medianas (37) | 40 % | 39 % | 36 % | 35 % | 34 % | **Ciudades medianas: cómo fue el primer pedido y cuánto se repite después** | Primer pedido | Peso en mayo | Peso en septiembre | Repiten a 30 días | | --- | --- | --- | --- | | Entregado en plazo | 82 % | 60 % | 44 % | | Más de 15 min de retraso | 12 % | 30 % | 22 % | | Incidencia (incompleto o frío) | 6 % | 10 % | 15 % | Las tasas de repetición de cada grupo son las mismas en mayo y en septiembre. Lo que ha cambiado es cuántos clientes caen en cada grupo. **Operación en ciudades medianas** | Métrica | Mayo | Septiembre | | --- | --- | --- | | Tiempo medio de asignación de repartidor | 4 min | 11 min | | Repartidores activos en hora punta | 310 | 300 | | Restaurantes activos | 1.150 | 1.170 | | Pedidos con cupón | 18 % | 26 % | - La nueva lógica de asignación (junio) agrupa pedidos para que cada repartidor lleve dos a la vez. En las ciudades grandes ha bajado el coste por pedido. - En los comentarios de las valoraciones de ciudades medianas, el motivo de queja más repetido desde julio es «tardó mucho más de lo que decía la app». ## Restricciones No puedes revertir la lógica de asignación en todo el país: en las grandes ciudades ha bajado el coste por pedido y Operaciones la defiende. Puedes proponer cambios por ciudad, cambios en el tiempo de entrega que promete la app y experimentos. El presupuesto de cupones está congelado. ## Tarea Decide qué recomiendas al comité: ¿el problema es de oferta, de precio o de experiencia de entrega? Propón qué harías en las próximas cuatro semanas y qué descartas. Entregable: un memo de una página o cinco bullets: diagnóstico, decisión, qué descartas, métricas y cómo sabrás en cuatro semanas si te equivocaste. ## Pistas - Compara ciudades grandes y medianas: ¿qué cambió en unas y no en otras, y cuándo? - En la segunda tabla, ¿la repetición cae dentro de cada grupo o cambia cuántos clientes hay en cada grupo? Haz la cuenta con los pesos de mayo y con los de septiembre. - Antes de aceptar la propuesta de un stakeholder, pregúntate qué dato tendría que verse si tuviera razón. ¿Se ve? ## Análisis recomendado Empieza por localizar. La caída es solo en ciudades medianas y arranca en julio, justo después del cambio de asignación de junio. Eso no prueba la causa, pero te da una hipótesis concreta que los datos pueden desmentir. La tabla clave es la del primer pedido. Quien recibe en plazo repite igual que antes (44 %): para esa persona, ni el apetito ni la oferta han cambiado. Lo que cambia es el peso de cada grupo: los primeros pedidos con retraso pasan del 12 % al 30 %, y quien sufre un retraso repite la mitad. Haz la cuenta: con los pesos de mayo y las mismas tasas, la repetición es del 40 % (0,82 × 44 + 0,12 × 22 + 0,06 × 15); con los de septiembre, del 34 %. El cambio de mezcla explica toda la caída. Es un **efecto de mezcla**, no un deterioro general. Ahora pon a prueba cada propuesta con lo que predice. Si fuera oferta, habría menos restaurantes o caería la repetición incluso con entregas en plazo: los restaurantes suben y la repetición en plazo es estable. Si fuera precio, los cupones tendrían que estar ayudando: su uso sube del 18 % al 26 % mientras la repetición baja, así que estamos pagando pedidos que ya no crean hábito. El dato que sí encaja es la asignación: de 4 a 11 minutos. El mecanismo probable: agrupar dos pedidos es eficiente donde hay muchos pedidos cerca; en una ciudad mediana, el repartidor espera al segundo y el primero llega tarde. La app sigue prometiendo el tiempo de antes, así que el retraso se vive como un incumplimiento. Y el daño se concentra en el primer pedido, justo cuando el cliente decide si la app es fiable. ## Decisión Diagnóstico: la caída se explica por el aumento de primeros pedidos con retraso tras el cambio de asignación de junio; ni la oferta ni el precio encajan con los datos. Decisión: experimento de cuatro semanas en la mitad de las ciudades medianas, emparejadas por tamaño, que desagrupa pedidos cuando la espera del segundo supera un umbral; y en todas, ajustar el tiempo prometido al real de cada ciudad. Descarto este mes captar 200 restaurantes y el cupón de segundo pedido, y los reabro si el experimento no mueve la repetición. Métricas: como señal temprana, el % de primeros pedidos en plazo y la repetición a 7 días de clientes nuevos; como outcome, la repetición a 30 días; como guardrails, el coste por pedido y la ganancia por hora del repartidor. Me habré equivocado si el % en plazo sube y la repetición de los clientes nuevos no se mueve. ## Alternativa defendible **Tocar solo la promesa, no la asignación.** Si Operaciones bloquea cualquier cambio de asignación, una alternativa defendible es dejar la eficiencia como está y ajustar la promesa de tiempo por ciudad, con aviso proactivo y compensación automática cuando el retraso supera el rango. Es más barata y respeta el coste por pedido, pero trata el síntoma: mejora la confianza, no la entrega. Tiene sentido si desagrupar en ciudades medianas cuesta más de lo que valen los clientes que se pierden. ## Trade-offs - Desagrupar sube el coste por pedido en ciudades medianas; el experimento tiene que medir si el valor de los clientes que repiten lo compensa. - Prometer tiempos realistas puede bajar la conversión en el momento de pedir. Mejor perder un pedido que un cliente, pero hay que medirlo. - Congelar la captación de restaurantes retrasa una palanca que quizá haga falta después; por eso se fija la condición para reabrirla. - Un experimento por ciudad tiene pocas unidades: los resultados serán ruidosos y conviene emparejar ciudades parecidas. ## Giro final En las ciudades del experimento, los primeros pedidos en plazo han subido del 60 % al 76 %, pero el coste por pedido ha subido un 9 %. El director de Operaciones pide parar: dice que la rentabilidad de esas ciudades no lo aguanta. **¿Paras el experimento, lo mantienes o cambias algo?** No decidas solo con el coste: falta el otro lado de la balanza. Calcula cuánto vale un cliente nuevo que repite (pedidos esperados en seis meses por margen por pedido) y cuántos clientes de más retiene el experimento según la repetición a 7 días. Si el valor retenido supera el 9 % de coste extra, el experimento se paga. Mientras tanto, busca un punto intermedio que Operaciones pueda aceptar: desagrupar solo el primer pedido de cada cliente nuevo, que es donde se decide el hábito, y mantener la agrupación para los clientes recurrentes. Así pones el coste donde más rinde. Y antes de seguir, acordad por escrito qué resultado de repetición a 30 días hará que el cambio se quede y cuál hará que se revierta. Convertir la discusión en un criterio pactado es lo que desbloquea a Operaciones. > Antes de buscar soluciones, pregunta si la métrica cae dentro de cada grupo o si cambia el peso de los grupos. Un efecto de mezcla tiene una causa concreta, y suele estar en un cambio reciente que nadie había conectado con el resultado. ## Relacionado - [Métricas como cadena causal](https://productcasa.pro/app/aprender/metricas-cadena-causal) - [Funnels y trampas](https://productcasa.pro/app/aprender/funnels-trampas) - [Objetivo, estrategia y roadmap](https://productcasa.pro/app/aprender/goal-strategy-roadmap) - [Fiabilidad de los tiempos de entrega en delivery](https://productcasa.pro/app/casos/eta-reliability) --- > Fuente: https://productcasa.pro/app/casos/pedidos-repetidos-ciudades-medianas · ProductCasa, formación en product management en castellano · Actualizado: 2026-10-01