Hola! Soy Fran, bienvenido a "Cómo Crecería X", un proyecto creado para ayudarte a identificar oportunidades de crecimiento para tu empresa mediante el análisis de distintos casos de uso.

Cada semana elijo una empresa de tecnología, ya sea B2B o B2C, y escribo un breve análisis explicando cómo la haría crecer.

Empezamos. 

Hoy analizamos a Graphext.

Resumen

1. Sobre la empresa - Modelo de negocio, propuesta de valor y posicionamiento en el mercado.

2. Amenazas y Tendencias del mercado.

3. Mi tesis de crecimiento 1 : ¿Cómo los datos pueden optimizar el ciclo de vida de su cliente?

   1. ¿Cómo Graphext puede incrementar la Activación y Reducción del Time-To-Value en su modelo Freemium (Product-Led Growth)?

   2. ¿Cómo Graphext puede incrementar la Adquisición de nuevos leads?

4. Mi tesis de crecimiento 2 : ¿Cómo la IA puede extender el valor de su producto actual?

5. Otros insights

Disclaimer : 

Toda la información e insights presentados en este análisis se basan exclusivamente en fuentes externas y datos de acceso público, sin contar con conocimiento interno de la empresa.

Sobre la empresa 

Graphext es una compañía de software especializada en análisis avanzado de datos y modelos de Inteligencia Artificial, que ofrece una plataforma no-code para facilitar la exploración, modelado de datos e implementación de sistemas de IA. Su herramienta permite a empresas, y analistas de datos, descubrir patrones predictivos, segmentar clientes y tomar decisiones basadas en datos de manera muy intuitiva.

Graphext opera bajo un modelo SaaS con planes de suscripción que varían según la cantidad de datos procesados. Ofrece una versión freemium, con limitaciones en el número de proyectos activos y número de filas del dataset, además de planes premium para empresas que requieren análisis más avanzados, con mayor volumen de datos, e integraciones personalizadas.

Su estrategia de posicionamiento Product-Led Sales emplea un enfoque híbrido de GTM, combinando un modelo freemium impulsado por el producto y, al mismo tiempo, un modelo impulsado por su equipo de ventas (tradicional sales-led). Además, su modelo SaaS incluye un servicio de consultoría que asesora a las empresas en el setup inicial, facilitando la implementación y adopción de Graphext.

Este último enfoque de consultoría ha sido una evolución reciente de la compañía en su modelo de negocio en el mercado. Hemos visto este mismo comportamiento en otras empresas del sector como Obviously AI (ahora Zams) o Akkio que ha hecho, recientemente, un reposicionamiento de su solución de IA, exclusivamente, para el vertical de Adquisición de Clientes y Optimización de Campañas de Marketing. 

¿Qué diferencia a Graphext de otras soluciones de análisis de datos e IA? ¿Cuál es su propuesta de valor diferencial? 

La plataforma se diferencia por su interfaz visual intuitiva, que permite explorar grandes volúmenes de datos sin necesidad de conocimientos en programación. Su tecnología combina técnicas de machine learning, visualización avanzada y análisis de redes, facilitando insights accionables en sectores como marketing, sales, y customer success.

Recientemente, su posicionamiento en el mercado ha evolucionado, alejándose del enfoque tradicional de una solución de Business Intelligence para centrarse en la optimización del ciclo de vida del cliente mediante el uso de Inteligencia Artificial.

Su solución permite a los equipos de RevOps : 

• Optimizar la adquisición de clientes con soluciones de Lead scoring y optimización de campañas de marketing

• Incrementar la retención de clientes con soluciones  de Churn y Segmentación de clientes

• Incrementar el valor del cliente (LTV) con soluciones de recomendación de productos, expansión, upselling y optimización de precios.

Además, su solución facilita: 

• La integración con multitud de bases de datos

• La transformación y limpieza de datos haciendo uso de modelos LLM.

• El despliegue de multitud de modelos de IA disponibles : 

  • Supervised and Unsupervised learning

  • NLP analysis

  • Sentiment analysis

  • RFM models

  • Product recommendations

• Modelos de IA conectados a BBDD en tiempo real

Es una de las piezas de software más impresionantes que he utilizado; resulta sorprendente, aún, ver cómo maneja datasets de hasta 3 millones de registros en el navegador a una velocidad increíble.

Amenazas y Tendencias del mercado

Hemos identificado dos amenazas principales para la compañía en su contexto actual:

La primera amenaza está vinculada a su reciente reposicionamiento estratégico. 

Como mencionaba anteriormente, la empresa ha pasado de tener un posicionamiento como una herramienta de BI y Analítica Avanzada orientada a científicos de datos y analistas de negocio, a una solución centrada en optimizar el ciclo de vida del cliente mediante Inteligencia Artificial. Este nuevo enfoque busca mejorar, en las compañías, su Revenue Operations, impulsando la adquisición, retención y el valor del cliente.

Sin embargo, este cambio que, por un lado, es extremadamente relevante porque la aproxima a la accionabilidad de los datos, y al valor real en el negocio, y no tanto a la exploración de datos, - enfoque que dificulta la traducción inmediata en valor de negocio-, la sitúa en un territorio competitivo más definido, donde colisiona directamente con soluciones verticales especializadas como Pocus y Clay, entre otras muchas, que ya han construido una propuesta de valor sólida en este espacio de soluciones GTM. 

A diferencia del mercado de BI, donde la diferenciación de su tecnología y funcionalidades jugaban un rol clave, en este nuevo segmento la ventaja competitiva de su solución dependerá de la capacidad, y facilidad, para integrar modelos de IA que no solo generan predicciones, sino que provean recomendaciones accionables y se integren con el stack tecnológico de las empresas.

Para lograr esto, en este nuevo escenario, Graphext debería de extender sus integraciones, más allá de las principales bases de datos, a soluciones que utilicen los equipos de Rev ops (CRM,Email Marketing, etc) para facilitar la explotación, y accionabilidad, de los datos que generan sus modelos de IA.

La segunda amenaza es el avance de los grandes modelos de Lenguaje (LLMs) y su impacto en las interfaces de visualización de datos. Estamos presenciando una revolución en la forma en que los usuarios interactúan con la información, pasando de dashboards tradicionales a experiencias conversacionales, e interfaces generativas, donde los modelos LLM procesan consultas en lenguaje natural y entregan resultados de forma intuitiva y accionable.

Un claro ejemplo de esta tendencia es ChatSpot de HubSpot (lanzado en marzo de 2023), que transforma la forma en que los equipos de ventas y marketing acceden a información clave mediante chatbots impulsados por IA.

¿Cómo puede Graphext integrar estas interfaces conversacionales en su herramienta de exploración?

Integran estos modelos de LLM en su herramienta de transformación y limpieza de datos, pero aún no en su herramienta de exploración de datos y IA.

Tendencia: De los insights a la acción

El gran desafío del mercado de datos en los próximos años será la transición “From Insights to Actions”. Soluciones de datos que estén más embebidas en las operativas de los equipos, en este caso, Marketing, Ventas y Customer Success.

Históricamente, la analítica de datos se ha enfocado en responder a preguntas sobre lo que ocurrió (análisis descriptivo) y lo que probablemente ocurrirá (análisis predictivo). Sin embargo, la nueva frontera es la analítica prescriptiva, donde los sistemas no sólo predicen escenarios, sino que recomiendan y, en algunos casos, automatizan acciones basadas en esos insights.

Este cambio implica que las herramientas de análisis de datos e IA ya no solo deben responder “qué pasará”, sino también “qué deberías hacer al respecto”. Empresas que logren traducir datos en decisiones accionables y fácilmente implementables tendrán una ventaja competitiva. En este contexto, la integración de IA en workflows operacionales será la clave para cerrar la brecha entre el análisis y la accionabilidad de estos datos.

En los siguientes apartados, compartiré dos tesis de crecimiento sobre cómo Graphext puede aprovechar distintas oportunidades para mejorar su propuesta de valor en el mercado.

Mi tesis de crecimiento 1 : ¿Cómo los datos pueden optimizar el ciclo de vida de su cliente ?

Con nuestros clientes, abordamos el crecimiento de sus compañías identificando oportunidades a través de tres dimensiones clave: 

• Adquisición

• Monetización

• Retención

Para el caso de uso de Graphext, y basándome en el ciclo de vida del cliente, describiré dos hipótesis de crecimiento enfocadas en la etapa de Retención (Activación) y Adquisición :

• ¿Cómo incrementar la Activación y Reducción del Time-To-Value en su modelo Freemium (Product-Led Growth)?

• ¿Cómo incrementar la Adquisición de nuevos leads?

Profundicemos en las distintas oportunidades de crecimiento que quiero compartir en este análisis : 

¿Cómo incrementar la Activación y Reducción del Time-To-Value en su modelo Freemium?

Principal Problema :  

“Entre el 40 % y el 60 % de las personas que se registran en una solución de software nunca vuelven a utilizar el producto”. Esto ocurre porque no siempre es fácil para los usuarios experimentar el valor del producto de manera inmediata.

En el caso de Graphext, el principal evento de activación ocurre cuando el usuario crea su primer proyecto analítico, ya sea explorando datos o implementando un modelo de IA. El tiempo que transcurre desde que un nuevo usuario crea su cuenta hasta que experimenta el valor del producto por primera vez se conoce como Time-To-Value (TTV). Reducir este tiempo es fundamental para aumentar la tasa de activación y mejorar la conversión y retención de usuarios.

¿Qué tesis de crecimiento podría desplegar Graphext para incrementar este % de Activación de sus usuarios que deciden evaluar su plataforma? 

Análisis del proceso de Onboarding

Para identificar las oportunidades de crecimiento en esta etapa, primero, quiero compartir un breve análisis de las principales etapas del proceso de activación en Graphext, acompañado de capturas de pantalla:

• Landing Page

• Registration

• Account Setup

• Value Realization

El primer insight que extraigo del análisis es que no hay una alineación clara entre el lenguaje y la promesa de valor que se comunica en la web y la experiencia real dentro del producto. Esta falta de continuidad puede generar confusión y aumentar la fricción en el onboarding.

Déjame explicar a qué me refiero con esta falta de continuidad: si en la web describimos el producto como una solución de IA para optimizar las Revenue Operations —centrada en la adquisición, la retención y el incremento del LTV—, entonces deberíamos reflejar ese mismo lenguaje dentro del producto, especialmente al identificar proyectos, templates o casos de uso.

Hipótesis para mejorar la Activación y reducir el Time-to-Value

Oportunidad : Personalización del Onboarding

• En el formulario de registro, preguntar al usuario en qué etapa del ciclo de vida del cliente está interesado (Adquisición, Retención, Incremento de LTV).

• Según su selección, mostrarle uno o varios casos de uso alineados con su principal interés al aterrizar en el producto. 

• El objetivo es establecer una continuidad entre el lenguaje de la solución que se describe en la página web y el producto, y lograr así que experimente el valor de la solución lo antes posible.

• Más que explorar, por ejemplo, el dataset del Titanic, le ofrecería al usuario un dataset o proyecto relacionado con la etapa principal del ciclo de vida que ha seleccionado, de mayor relevancia, en el formulario de registro.

  • Por ejemplo, si el usuario ha seleccionado como principal necesidad, implementar iniciativas de retención, cuando aterrice, por primera vez, en el producto, mostrarle 3 casos de uso o proyectos relacionados específicamente con la retención.

• Reducir el número de preguntas iniciales para minimizar la fricción. 

  • Evaluar y seleccionar qué preguntas del formulario de registro inicial pueden eliminarse, pueden retrasarse o son verdaderamente críticas.

  • Identificar cuáles de estas preguntas podrían utilizarse para la personalización, y mayor entrega de valor al usuario, y no para una cualificación del lead.

  • Ver el análisis anterior donde he asignado un color en función de la relevancia de la pregunta.

    • Represento en color amarillo (ver imagen arriba), aquellas interacciones que podrían retrararse, por considerar que no son críticas en ese momento. 

  • Toda la información que solicita en el formulario de registro, debería de poder utilizarse para personalizar el onboarding y reducir el Time-To-Value.

Optimizar la experiencia desde la web hasta el producto

Asegurar que el mensaje y la promesa de valor en la web continúan en la experiencia dentro del producto.

Implementar Proyectos, o Templates, por cada una de las 3 etapas del Ciclo de Vida (Adquisición, Retención, Incremento de LTV).

• Facilitar la exploración de datos y la ejecución de modelos de IA con templates predefinidos para cada una de las 3 etapas (Adquisición, Retención e incremento del LTV).

• Guiar al usuario con recomendaciones de proyectos, específicos, según su selección en el formulario de registro o configuración de la cuenta.

Estrategia de Email Marketing para Reforzar el Onboarding

• Actualmente, Graphext solo envía un email de bienvenida con un CTA para verificar la cuenta.

• Implementar una secuencia de emails que guíe al usuario a lo largo del proceso de activación, facilitando una mayor comprensión de las principales funcionalidades : 

  • Email 1: Data integrations.

  • Email 2: Data explorations and insights.

  • Email 3: AI Models.

  • Email 4: Actionability.

En la imagen de arriba describimos los tres principales momentos donde el usuario experimenta el valor de la solución. 

El Flujo de Valor en Graphext

Para optimizar el onboarding, podemos estructurar el proceso según los tres momentos clave en los que el usuario experimenta el valor del producto:

1. Moment of Value Perception (Percepción de Valor)

   • Ocurre en la etapa de marketing y en la landing page.

   • El usuario entiende el problema que el producto resuelve.

2. Moment of Value Experience (Experimentación del Valor)

   • Se da cuando el usuario sube su primer dataset y ejecuta un modelo.

   • Es el "aha moment" donde comprende el beneficio del producto.

3. Moment of Value Adoption (Adopción del Valor)

   • Asociado a la monetización (PAI/PQL).

   • El usuario comienza a incorporar Graphext en su flujo de trabajo habitual.

Cuatro Preguntas Clave para Optimizar el Onboarding

Para reducir el Time-To-Value, y mejorar la activación, utilizamos estas cuatro preguntas clave con nuestros clientes:

• ¿Quién es el usuario del producto y cuál es su principal necesidad?

• ¿Dónde está el usuario hoy? ¿Qué conocimiento tiene el usuario sobre la solución? ¿Cuál es su punto de partida?

• ¿Hacia dónde se dirige nuestro usuario? ¿Cuál es el principal problema que intenta resolver cuando usa nuestra solución?

• ¿Cómo llegará el usuario allí? ¿Qué número mínimo de pasos tiene que dar? ¿Qué necesita saber para activar de forma exitosa nuestro producto?

Para incrementar la activación y reducir el Time-To-Value en Graphext, es fundamental optimizar el onboarding con personalización, continuidad en la experiencia entre la web y el producto, templates orientados a casos de uso (Adquisición, Retención, Incremento de LTV) y una estrategia de email marketing efectiva. Estas acciones permitirán que los usuarios lleguen más rápidamente a su "aha moment", aumentando la probabilidad de activación, conversión y retención.

Continuemos.

La segunda oportunidad que quiero compartir en este análisis está relacionada con la adquisición.

¿Cómo incrementar la Adquisición de nuevos leads?

Principal Problema : 

Muchos potenciales clientes tienen dificultades para entender cómo Graphext puede ayudar a su industria en particular. Incluso si identifican un problema de negocio que quieren resolver, pueden no tener claro qué modelo de IA es el más adecuado para abordarlo.

Por ejemplo, imaginemos una cadena de restaurantes que quiere implementar un modelo de análisis RFM para personalizar sus campañas publicitarias.

¿Cómo podría saber que Graphext puede ayudarme con este caso de uso?

Actualmente, en la web de Graphext no es inmediato identificar este tipo de soluciones, lo que puede generar fricción en el proceso de adquisición de nuevos clientes.

Describen las principales soluciones, pero no incluyen una biblioteca de casos de uso específicos.

Oportunidad 

Una solución efectiva sería desarrollar una nueva sección en la web que documente, de manera muy clara, los diferentes casos de uso que pueden implementarse con Graphext.

Esta sección podría estructurarse en formato de librería de casos de uso o templates, organizados por:

• Etapas del funnel: adquisición, retención, incremento de valor (LTV).

• Industrias: retail, consumer, restaurantes, fintech, etc.

De esta manera, los visitantes podrían explorar escenarios concretos aplicables a su negocio y entender rápidamente cómo Graphext puede ayudarlos.

Ejemplo: Cómo otras soluciones en el mercado lo resuelven

Un buen ejemplo es Akkio, que ha implementado, en su web, una sección específica dedicada a Aplicaciones de IA, con páginas independientes que detallan cada caso de uso de forma clara y estructurada.

Link : https://www.akkio.com/applications

Para cada caso de uso, por ejemplo, “Churn Reduction”, se ofrece una descripción detallada en páginas específicas.

Link :  https://www.akkio.com/applications/churn-reduction

Otro enfoque común en soluciones de IA es la integración de templates directamente dentro del producto. Un buen ejemplo de esto es Relevance AI, que permite a los usuarios explorar, adaptar e implementar modelos de forma sencilla en cada etapa del ciclo de vida.

Además, contar con una biblioteca de templates que detalle distintos casos de uso resulta especialmente útil antes de decidir probar una solución, ya que permite entender mejor el potencial del producto y su aplicabilidad a necesidades concretas.

Link :  https://www.gumloop.com/templates

Incorporar una librería de casos de uso en la web de Graphext, ayudaría a reducir la fricción en la adquisición de nuevos leads. Esta estrategia permitiría a los potenciales clientes visualizar de manera inmediata cómo la plataforma puede resolver sus problemas de negocio específicos, facilitando la activación y conversión de los leads.

Y para finalizar, quería compartir una tesis de crecimiento relacionada con el producto.

Mi tesis de crecimiento 2 : ¿Cómo la IA puede extender el valor de su producto actual?

Principal Problema : 

Como describía anteriormente, Graphext ha redefinido su posicionamiento en el mercado como una solución de IA para RevOps, enfocada en mejorar la generación de leads, conversión, retención e incremento del LTV.

Sin embargo, uno de los principales desafíos es que muchos de los perfiles dentro de Revenue Operations no tienen formación en ciencia de datos y pueden encontrar difícil comprender conceptos avanzados como precisión-recall, curvas ROC, o métricas de evaluación de modelos de IA.

Este problema genera una barrera de adopción para aquellos usuarios que podrían beneficiarse del producto, pero no tienen el conocimiento técnico para interpretar los resultados y tomar decisiones basadas en ellos.

El futuro de la adopción de soluciones de IA, pasa por la explicabilidad y la confianza del usuario sobre cómo se generan las predicciones.

La explicabilidad se consolidará como una funcionalidad crítica en las soluciones de IA. Su incorporación no solo permitirá construir una relación de mayor confianza entre los usuarios y los algoritmos, al hacer comprensible cómo y por qué se toman ciertas decisiones, sino que también facilitará una mayor accionabilidad de los resultados. Al entender mejor las recomendaciones o predicciones generadas por los modelos, los usuarios estarán en una mejor posición para interpretar sus implicaciones, y tomar decisiones informadas.

Oportunidad: Mejorar la explicabilidad de la IA

Para hacer que la IA de Graphext sea más accesible para perfiles no técnicos, es clave desarrollar una Interfaz de Explicabilidad que ayude a interpretar los modelos de manera más intuitiva.

En un modelo de Inteligencia Artificial, no solo es importante identificar cuáles son las variables más relevantes para la predicción, sino también comprender de qué manera contribuyen al resultado. Es decir, resulta fundamental saber si una variable está influyendo de forma positiva o negativa en la predicción del modelo. Para ello, técnicas como los valores SHAP son especialmente útiles, ya que permiten descomponer la predicción y mostrar el impacto individual de cada variable, proporcionando así una visión más detallada y explicativa del comportamiento del modelo de IA.

Algunas funcionalidades que podrían agregarse incluyen:

• Indicación del impacto positivo o negativo de cada variable en la predicción (por ejemplo, a través de SHAP values).

• Resumen en lenguaje natural que explique los factores que influyen en una predicción específica.

Otras soluciones como Akkio han explorado herramientas de explicabilidad adaptadas a usuarios sin conocimientos técnicos. Analizar su enfoque podría aportar insights valiosos para Graphext.

Integración con el stack de herramientas de activación de datos

Más allá de explicar los modelos, un paso crucial para extender el valor del producto es integrar los resultados de los modelos de IA en los entornos donde realmente se activan los datos.

Esto significa que los insights generados por Graphext no solo deben ser explicables, sino también fácilmente accionables. Para lograrlo, es fundamental que puedan exportarse no solo a bases de datos, sino también a herramientas operativas como CRMs, plataformas de marketing o sistemas de automatización de ventas. De esta manera, los equipos de Revenue Operations podrán integrar los modelos de IA en sus flujos de trabajo diarios de forma sencilla y acelerando la toma de decisiones.

Existe un espacio de oportunidad que explorar. 😉

Estas son algunas de las hipótesis de crecimiento que exploraría en la compañía, basadas únicamente en información abierta y conocimiento del mercado, sin tener acceso a datos internos de la compañía.

Otros insights

Os comparto links a otros artículos para profundizar en algunos de los conceptos mencionados en este análisis:

• Cómo la IA está Transformando el Pricing en SaaS: Del Pricing Basado en el Uso al Resultado.

• Your Data-Led Strategy should include these three metrics.

Eso es todo por hoy.

Nos vemos la próxima semana con un nuevo análisis.

Fran

¿Te gustaría acceder a insights más detallados sobre Graphext?

Me encantará charlar. Puedes enviarme un mensaje aquí.

¿Te gustaría que hablemos y exploremos juntos oportunidades de crecimiento para tu empresa?

Si te interesa, puedes escribirme aquí o, si lo prefieres, agendar una reunión directamente desde este enlace.