How do you increase ARPU without increasing churn?

By ranking actions on expected incremental revenue net of margin and contact cost, rather than on conversion. An upsell that converts but raises churn risk has a negative expected value once retention is priced in, and it should lose to a cheaper action or to no action at all. This only works if churn effects are read in the same holdout as the revenue effect.

Is ARPU or LTV the right target?

ARPU is the right operating metric because it can be read monthly against a control group. LTV is the right strategic metric but it is a forecast, and forecasts are easy to move by changing assumptions. Use ARPU for decisions and LTV for planning.

How many experiments should a large B2C business run?

As many as the base can support statistically, which for a multi-million customer base is far more than any team can plan. The practical constraint should be statistical power and contact economics, not the number of people available to write briefs.

What is a realistic ARPU improvement to plan for?

Plan on a haircut version of whatever your first holdout-verified cohort produces, and refuse to plan on a number that has not survived a control group. Across Markin deployments the verified range on treated cohorts is +17% to +35% ARPU against a randomised holdout, which is a range across deployments in large B2C bases rather than a forecast for any specific business.

Is Markin a replacement for Braze?

No. Braze is an engagement platform: it builds, personalises and delivers journeys, and BrazeAI Decisioning Studio chooses the best message, channel and timing inside them. Markin sits above that. It decides which commercial opportunity is worth pursuing for each customer in the first place, including opportunities that are not messages at all, such as a pricing change, an onboarding fix or a payment failure. When the answer is a message, Markin launches it through Braze.

How is Markin different from AI decisioning inside an engagement platform?

AI decisioning selects between actions a marketer already created, inside the channels that platform owns. Markin authors the hypotheses itself and is not limited to the campaign surface: marketing, product, pricing and technical health are all in scope. It then executes inside the systems already in place and reads every decision against a randomised holdout, which is how a data science team works rather than how an optimiser works.

No. A CDP unifies and distributes customer data. Markin consumes that data and decides what to do with it. Markin has no ambition to be your source of truth, and it does not require you to replace one. If a CDP or a warehouse already holds customer context, Markin reads from it.

Does Markin replace my data science or growth team?

No. Markin removes the arithmetic constraint on how many hypotheses can be tested, not the judgement about which constraints, economics and risks matter. Teams using Markin move from producing analyses to setting guardrails, interpreting results and deciding what gets scaled.

RESOURCES/Guía

El modelo operativo detrás del crecimiento sostenido del ARPU

El ARPU se estanca porque el rendimiento de decisioning es fijo, no porque las ideas se agoten. Un equipo puede planificar, construir y leer un puñado de experimentos de ingresos por trimestre, por lo que la base es atendida por unos pocos programas grandes en lugar de por una decisión por cliente. Aumentar el rendimiento, no la plantilla, es lo que mueve el número.

Romà Llambés, Co-fundador, Markin

Actualizado 4 August 2026 · 10 min de lectura

Solicitar demo

La meseta es aritmética, no de talento

La mayoría de las empresas B2C alcanzan el mismo techo. La adquisición funciona, el programa de ciclo de vida funciona, y luego el ARPU se estanca durante seis trimestres mientras el equipo sigue lanzando. La razón rara vez es una mala idea. Es que cada idea tiene que pasar por el mismo embudo estrecho: alguien tiene que cuantificarla, definir el segmento, encargarla, esperar un espacio de construcción, lanzarla y esperar de nuevo para leer los resultados.

De cuatro a ocho experimentos de ingresos significativos por trimestre es un techo normal para un equipo fuerte.
Cada uno tarda de 6 a 10 semanas desde la idea hasta un número en el que cualquiera confía.
La mayor parte de ese tiempo no es para pensar. Es para extraer datos, crear listas y conciliar informes.
Así, la base recibe un puñado de programas, y todo lo demás queda sin probar.

Qué cambia realmente

El cambio en el modelo operativo es estrecho y específico. Solo una variable se mueve; todo lo demás se deriva de ella.

01
Pase de segmentos a decisiones
Un segmento es un compromiso que se hace porque no se puede permitir una decisión por persona. Una vez que las decisiones son baratas, el compromiso deja de compensar. La misma base, decidida individualmente, tiene un techo materialmente más alto que la misma base dividida en cinco segmentos.
02
Hacer del hold una opción real
La economía del contacto es asimétrica: el coste de contactar a un cliente que iba a comprar de todos modos es invisible en los informes de atribución y muy visible en un holdout. Un modelo operativo que no puede generar un 'no hacer nada' gastará de más permanentemente.
03
Que el fracaso sea barato
Si un experimento fallido cuesta un trimestre, los equipos solo prueban cosas que esperan ganar, que es exactamente el conjunto de hipótesis con menos información. Cuando el fracaso no cuesta nada, se ejecutan las hipótesis interesantes.
04
Mantener el criterio humano
Las Constraints, los márgenes mínimos, los límites de marca y regulatorios, y lo que merece escalar son decisiones humanas. El rendimiento no lo es.

El modelo programado frente al continuo

Dimensión	Crecimiento programado	Crecimiento continuo
Unidad de planificación	El trimestre y un roadmap de programas	El cliente, y una decisión por ventana
Quién formula las hipótesis	Analistas y gestores de crecimiento, entre otras tareas.	El sistema, continuamente, clasificado por valor esperado
Hipótesis probadas por trimestre	4 a 8	Cientos, en paralelo
Sobre qué se puede elaborar una hipótesis	Principalmente campañas y ofertas	Marketing, producto, precios y salud técnica por igual
Coste de la hipótesis número 500	Otro analista, otro trimestre	Efectivamente cero
Proporción de decisiones con un grupo de control	Los programas insignia, cuando hay tiempo	Cada decisión, por defecto
A qué dedica su tiempo el equipo	Produciendo análisis	Establecer límites y decidir qué escala

Calcular el tamaño de la opportunity honestamente

Las matemáticas del ARPU son seductoras porque se aplican a toda la base cada mes. Por eso también es fácil exagerarlas.

Cualquier proyección debe recortarse antes de ser presentada: BCG encuentra que entre el 20% y el 40% del Next Best Action medido no sobrevive a una prueba de control aleatoria, por lo que la cifra de planificación debería estar por debajo de la cifra reportada.
Investigación independienteBCG, incrementalidad en programas de personalización (2026)

Mida su propio rendimiento esta semana

Cinco números. Si no puedes producirlos rápidamente, ese es el hallazgo en sí.

¿Cuántas hipótesis de ingresos se probaron el trimestre pasado, de principio a fin, con un informe de resultados?
¿Cuál fue el tiempo medio desde la idea hasta el resultado confiable?
¿Qué porcentaje de ellos tenía un holdout aleatorizado?
¿Cuántas se referían a algo más que un mensaje o una oferta?
¿Cuántos programas que se están ejecutando actualmente nunca se han verificado con un control?

Cuando este modelo es la prioridad equivocada

El product-market fit no está establecido. La optimización continua de una propuesta que aún está en movimiento desperdicia la medición.
El negocio se basa en un puñado de cuentas de alto valor. La toma de decisiones por cliente está diseñada para bases grandes.
El margen es negativo a nivel unitario. Aumentar los ingresos por usuario hace que el problema sea mayor, no menor.
Los datos sobre los resultados llegan meses tarde. El rendimiento no puede superar la velocidad de la retroalimentación.

Markin es un equipo autónomo de growth-science para grandes empresas B2C. Investiga por qué el ingreso por cliente está estancado, forma sus propias hipótesis en marketing, producto, precios y salud técnica, elige la Next Best Action para cada cliente, la lanza a través de los sistemas que la empresa ya gestiona, y prueba cada una frente a un holdout aleatorizado.

Las herramientas de toma de decisiones eligen entre las acciones que tu equipo ya ha desarrollado. Markin decide qué construir.

Preguntas que hace la gente

¿Cómo aumentas el ARPU sin aumentar la baja?: Al clasificar las acciones por ingresos incrementales esperados netos de margen y costo de contacto, en lugar de por conversión. Una venta adicional que convierte pero aumenta el riesgo de churn tiene un valor esperado negativo una vez que se incluye la retención en el precio, y debería perder frente a una acción más barata o a ninguna acción. Esto solo funciona si los efectos de churn se leen en el mismo holdout que el efecto de ingresos.
¿Es ARPU o LTV el objetivo correcto?: ARPU es la métrica operativa correcta porque se puede leer mensualmente contra un grupo de control. LTV es la métrica estratégica correcta, pero es un forecast, y los forecasts son fáciles de mover cambiando las suposiciones. Usa ARPU para las decisiones y LTV para la planificación.
¿Cuántos experimentos debería ejecutar un gran negocio B2C?: Tantos como la base pueda soportar estadísticamente, lo que para una base de millones de clientes es mucho más de lo que cualquier equipo puede planificar. La limitación práctica debería ser el poder estadístico y la economía de contacto, no el número de personas disponibles para escribir informes.
¿Qué mejora de ARPU realista se puede planificar?: Prevé una versión recortada de lo que produzca tu primera cohorte verificada con holdout, y niégate a planificar un número que no haya sobrevivido a un grupo de control. En los despliegues de Markin, el rango verificado en cohortes tratadas es del +17 % al +35 % de ARPU frente a un holdout aleatorizado, lo cual es un rango entre despliegues en grandes bases B2C más que una previsión para cualquier negocio específico.

Comparar

Cómo esto se compara con las categorías que ya compras.

Neutral, side by side reads on where the decision layer sits next to the tools in your stack.

Todas las comparaciones

Seguir leyendo

De dónde provienen las hipótesis

Cómo se produce realmente el rendimiento.

Cómo Markin mide la incrementalidad

Por qué existe el ajuste de precios.

Calculadora de ROI e incrementality

Haz los cálculos con tu propia base.

Markin y tu equipo de growth

Lo que hace el equipo una vez que el rendimiento no es la limitación.

Vocabulario

Los términos en los que se basa esta guía.

Each one is defined on its own page, precisely enough to quote.

Glosario completo