Clase 14.12 — Optimización de campañas#

Clase 12 de 14 de la parte 14 — Publicidad y performance marketing, de nivel Adquisición. Dura unos 150 minutos.

🚦 Antes de empezar#

Vienes de la clase 14.11, Tracking y atribución: ten a mano su entregable, porque esta sesión lo retoma y lo lleva más lejos.

Trabajarás sobre el caso de la clase. Si prefieres usar datos de tu organización, lo mínimo que necesitas es una serie histórica de rango de variación normal con la que calcular una línea base: sin ella podrás discutir el concepto, pero no comprobar si tu decisión mejora algo. Ten también dónde escribir —planilla o cuaderno— y, de la lectura comparada, al menos el índice y los capítulos que se indican al pie.

Calcula 150 minutos de trabajo dirigido más una hora de lectura selectiva. Sabrás que terminaste cuando exista el entregable y puedas responder las seis preguntas de comprobación sin volver al texto; si tienes el entregable pero no las respuestas, lo que produjiste es un documento, no un criterio.

Lee el propósito y la agenda antes que el desarrollo. La agenda dice qué debe salir de cada tramo, y el desarrollo se entiende mejor cuando ya sabes qué artefacto tiene que producir. No avances de sección sin escribir algo: este material está hecho para dejar decisiones documentadas, no notas de lectura.

La idea que ordena la sesión. La distinción entre variación común y variación especial antes de reaccionar — Donald J. Wheeler. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

Optimizar es un ciclo: medir, formular hipótesis, cambiar una cosa, esperar el tiempo suficiente y evaluar. Los dos errores frecuentes son opuestos y ambos caros: cambiar todo cada dos días, impidiendo cualquier aprendizaje, o no tocar nada durante meses. Wheeler ofrece el criterio: distinguir variación común de variación especial antes de reaccionar.

La clase trata el tema como un problema de evidencia y de consecuencia, no como vocabulario. La parte 14 busca invertir en medios pagados con control de costo, calidad y riesgo; en esta clase esa progresión se concreta exigiendo que toda afirmación sobre optimización de campañas termine en una definición operacional, una señal observable, una decisión y una condición de revisión.

Pregunta rectora de la parte: ¿Qué unidad de resultado estoy comprando y a qué costo marginal deja de tener sentido?

Los conceptos que estructuran la sesión son variación común, variación especial, ciclo de optimización y ventana de evaluación. No se estudian como lista de vocabulario: cada uno debe producir una predicción distinta sobre lo que ocurriría en la operación.

📚 Resultados de aprendizaje#

Al terminar esta clase serás capaz de:

Distinguir variación común, variación especial, ciclo de optimización y ventana de evaluación por sus observables y no por su definición memorizada.
Explicar por qué esas distinciones cambian una decisión concreta dentro de Publicidad y performance marketing.
Aplicar la secuencia establecer líneas base y rangos de variación normal → identificar si el cambio observado es común o especial → formular una hipótesis y cambiar una variable → esperar la ventana de evaluación completa → documentar el resultado y el aprendizaje conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar rango de variación normal, cambios por periodo y proporción de cambios con hipótesis indicando numerador, denominador, ventana, fuente y uso permitido.
Resolver el caso con al menos dos opciones defendibles y un criterio explícito de detención.
Contrastar dos obras de la lectura comparada y señalar dónde entregan recomendaciones distintas.

🧭 Agenda sugerida (150 minutos)#

Tramo	Foco	Evidencia de avance
0–15 min	Recuperación	Define variación común y variación especial sin mirar el material; corrige después con la tabla de conceptos.
15–45 min	Núcleo conceptual	Lectura del desarrollo y construcción de la tabla `hecho / inferencia / supuesto`.
45–75 min	Medición	Ficha de la señal rango de variación normal: fórmula, fuente, ventana y lectura prohibida.
75–110 min	Ejemplo trabajado	Recorrido de los 5 pasos del método sobre el caso de la clase.
110–140 min	Caso ejecutivo	Dos alternativas, trade-offs, recomendación y señal de detención.
140–150 min	Cierre	Entregable, preguntas de comprobación y registro de lo que aún no sabes.

🧩 Conceptos centrales#

Concepto	Definición operacional	Cómo demostrar que lo entendiste
variación común	fluctuación normal del proceso que no requiere intervención	Explica qué decisión cambiaría si el concepto estuviera ausente.
variación especial	cambio atribuible a una causa identificable que sí justifica actuar	Construye un caso límite donde el concepto se confunde con el anterior.
ciclo de optimización	secuencia de medición, hipótesis, cambio y evaluación	Indica qué dato tendrías que ver para afirmarlo en una reunión de comité.
ventana de evaluación	periodo necesario para juzgar el efecto de un cambio	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.

Una definición que no produce predicciones observables sigue siendo demasiado vaga para dirigir. Si dos personas del equipo aplican la misma definición a un caso y clasifican distinto, la definición todavía no es operacional.

🧠 Modelo mental#

1. establecer líneas base y rangos de variación normal → 2. identificar si el cambio observado es común o especial → 3. formular una hipótesis y cambiar una variable → 4. esperar la ventana de evaluación completa → 5. documentar el resultado y el aprendizaje

La secuencia no es un ritual: cada paso reduce una incertidumbre distinta y produce un artefacto revisable. Saltarse un paso no acelera la decisión, sólo traslada el error a una etapa donde corregirlo cuesta más caro.

Frontera de aplicación. Los sistemas automatizados de las plataformas reoptimizan constantemente. Intervenir demasiado reinicia su aprendizaje y empeora el resultado.

📖 Desarrollo#

1. Variación común: mecanismo central#

Variación común se entiende aquí como fluctuación normal del proceso que no requiere intervención.

Optimizar campañas es un ciclo y no una serie de reacciones: observar, formular una hipótesis, intervenir sobre una variable, evaluar en una ventana definida. La mayoría de las cuentas se gestiona con el ciclo roto, interviniendo a diario sobre varias variables y sin ventana de evaluación, lo que hace imposible aprender.

De dónde viene esta afirmación. Donald J. Wheeler — Understanding Variation (2000) aporta la idea que sostiene este bloque: la distinción entre variación común y variación especial antes de reaccionar. Búscala en los capítulos que introducen la distinción. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «rango de variación normal» debería moverse cuando cambie variación común, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con variación especial. Si ambos se mueven juntos no concluyas causalidad: nombra una tercera variable capaz de explicar el mismo patrón. El resultado de este bloque debe ser una hipótesis refutable, no una recomendación anticipada.

2. Variación especial: frontera conceptual y error de clasificación#

Definición operacional: cambio atribuible a una causa identificable que sí justifica actuar. Su valor está en distinguirlo de variación común.

La variación común es la fluctuación normal de un proceso estable; la especial indica que algo cambió. Confundirlas produce dos errores: intervenir sobre ruido, que agrega inestabilidad, y no intervenir ante un cambio real. Un gráfico de comportamiento con límites calculados a partir de los propios datos permite distinguirlas sin sofisticación estadística.

Contraste bibliográfico. Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) aporta aquí una distinción concreta: la detención temprana y el espionaje de resultados como fuente de falsos positivos (los capítulos sobre errores comunes). Formula dos mini-casos: uno que satisface la definición de variación especial y otro que sólo se le parece en la superficie; después decide cuál de los dos describiría esa obra con su propio vocabulario. Si la obra no permite separarlos, la distinción es tuya y tienes que sostenerla con evidencia del caso, no con la cita.

Antes de pasar a «identificar si el cambio observado es común o especial», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Ciclo de optimización: operacionalización y medición#

Ciclo de optimización significa secuencia de medición, hipótesis, cambio y evaluación.

La ventana de evaluación debe corresponder al ciclo del negocio y no a la comodidad del informe. En operaciones con ciclo de compra de semanas, evaluar campañas cada tres días es evaluar antes de que el resultado exista. Definir esa ventana por adelantado evita la presión de concluir con datos insuficientes.

Ficha de medición obligatoria para rango de variación normal: límites estadísticos de la métrica en ausencia de cambios. Registra además fuente del dato, frecuencia, responsable, interpretación permitida e interpretación prohibida. Si no existe un dato confiable, la salida correcta no es inventar precisión: es diseñar el mecanismo de captura y declarar la incertidumbre.

Control de lectura. Brad Geddes — Advanced Google AdWords (2014, 3.ª ed.) pone una condición sobre la medición: el nivel de calidad y su efecto sobre el costo por clic (los capítulos sobre nivel de calidad). Contrasta tu ficha con ella: si la métrica que acabas de definir cae dentro de lo que esa obra considera un error de medición, corrígela antes de usarla para decidir.

4. Ventana de evaluación: trade-offs y efectos de segundo orden#

Definición: periodo necesario para juzgar el efecto de un cambio.

Intervenciones frecuentes permiten reaccionar rápido e impiden que los sistemas automatizados estabilicen; intervenciones espaciadas permiten aprendizaje y dejan correr gasto ineficiente. El equilibrio depende del volumen: con muchos eventos diarios, se puede intervenir más seguido; con pocos, la paciencia es la única opción válida.

Lo que aporta la fuente. Avinash Kaushik — Web Analytics 2.0 (2009) aporta el criterio para pesar el intercambio: la segmentación como condición para que un promedio signifique algo (el capítulo sobre segmentación de datos). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia proporción de cambios con hipótesis ayuda a detectar si el intercambio está ocurriendo como se esperaba, pero no elimina la obligación de observar efectos laterales fuera del indicador principal.

Haz un pre-mortem: supón que la opción recomendada fracasó a los seis meses y enumera tres mecanismos que lo expliquen. Al menos uno debe provenir de un efecto de segundo orden asociado a ventana de evaluación y otro de un supuesto del caso que nunca fue validado.

5. Gobernanza, límites y responsabilidad#

La pregunta ejecutiva es siempre la misma: quién decide, quién ejecuta, a quién hay que consultar, qué evidencia queda registrada y qué condición obliga a detener, corregir o escalar. Al ejecutar «documentar el resultado y el aprendizaje», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

Toda intervención debe registrarse con fecha y motivo. Sin ese registro, un cambio de desempeño semanas después no puede atribuirse a nada, y el equipo termina discutiendo qué se cambió y cuándo. Ese registro es la memoria del programa y su ausencia es la razón por la que muchas cuentas repiten los mismos errores cada año.

Frontera declarada. Los sistemas automatizados de las plataformas reoptimizan constantemente. Intervenir demasiado reinicia su aprendizaje y empeora el resultado. Conviértela en una regla operativa con el formato si ocurre X → no aplicar automáticamente → consultar, escalar o revalidar.

Esta parte vigila además un riesgo que es obligatorio declarar: Atribuirse demanda existente, inflar el retorno y decidir presupuesto sobre una ilusión. Se documenta en el entregable con su mitigación y su responsable; no se resuelve en la conversación.

6. Integración: de conceptos a una decisión defendible#

Sintetizar optimización de campañas no consiste en sumar definiciones. Empieza por variación común, contrasta variación especial con ciclo de optimización, incorpora ventana de evaluación como restricción y cierra con la medición. Aplica entonces la secuencia completa conservando tres columnas por paso: evidencia utilizada, alternativa descartada y razón del descarte.

Esa disciplina permite que una revisión posterior distinga una mala decisión de un mal resultado. Sin ella, el equipo reescribe la historia después de conocer el desenlace y no aprende nada transferible. Una síntesis correcta indica qué evidencia falta y qué decisión se posterga hasta obtenerla.

📚 Lectura comparada#

No se pide leer las obras completas. Para cada una se indica qué idea concreta sostiene esta clase, dónde buscarla y qué pregunta esa idea le hace a tu propio diagnóstico. La lectura termina cuando puedes responder esa pregunta con evidencia del caso.

Obra	Idea que sostiene esta clase	Dónde buscarla	Pregunta que le hace a tu diagnóstico
Donald J. Wheeler — Understanding Variation (2000)	La distinción entre variación común y variación especial antes de reaccionar	Los capítulos que introducen la distinción	¿Qué debería observarse en variación común si aquí opera «la distinción entre variación común y variación especial antes de reaccionar»? ¿Y qué observación lo desmentiría en este caso?
Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020)	La detención temprana y el espionaje de resultados como fuente de falsos positivos	Los capítulos sobre errores comunes	¿Qué debería observarse en variación especial si aquí opera «la detención temprana y el espionaje de resultados como fuente de falsos positivos»? ¿Y qué observación lo desmentiría en este caso?
Brad Geddes — Advanced Google AdWords (2014, 3.ª ed.)	El nivel de calidad y su efecto sobre el costo por clic	Los capítulos sobre nivel de calidad	¿Qué debería observarse en ciclo de optimización si aquí opera «el nivel de calidad y su efecto sobre el costo por clic»? ¿Y qué observación lo desmentiría en este caso?
Avinash Kaushik — Web Analytics 2.0 (2009)	La segmentación como condición para que un promedio signifique algo	El capítulo sobre segmentación de datos	¿Qué debería observarse en ventana de evaluación si aquí opera «la segmentación como condición para que un promedio signifique algo»? ¿Y qué observación lo desmentiría en este caso?

Después de leer, escribe una discrepancia real. Al menos dos de estas obras entregan recomendaciones que no coinciden cuando se aplican al mismo caso; identifica cuáles y qué condición del caso decide a favor de una. Si no encuentras la discrepancia, es señal de que leíste buscando confirmación.

La lectura se evalúa por uso, no por cantidad de páginas. La nota de lectura debe indicar qué tesis modifica tu diagnóstico, qué evidencia del caso la tensiona y qué decisión concreta cambiarías después del contraste.

🧮 Ejemplo trabajado#

Situación. El responsable de campañas de Ruta Andina modifica ofertas y creatividades tres veces por semana. Ninguna variación puede atribuirse a una causa.

Paso 1 — Establecer líneas base y rangos de variación normal. El equipo escribe primero el supuesto asociado a variación común y se prohíbe tratarlo como hecho. Contrasta ese supuesto con rango de variación normal y anota qué parte del dato todavía no existe. Del paso sale un artefacto revisable y una frase explícita: «cambiaríamos de rumbo si…».

Paso 2 — Identificar si el cambio observado es común o especial. El trabajo aquí es separar lo observado de lo inferido sobre variación especial. La evidencia que ordena la discusión es cambios por periodo; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Formular una hipótesis y cambiar una variable. El riesgo de este paso es cerrar demasiado rápido alrededor de ciclo de optimización. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si proporción de cambios con hipótesis logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Esperar la ventana de evaluación completa. Con ventana de evaluación ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. rango de variación normal entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Documentar el resultado y el aprendizaje. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a variación común. cambios por periodo se convierte en la señal de seguimiento y se acuerda con qué frecuencia se revisa y quién puede declarar el fracaso sin costo político.

Síntesis. La recomendación termina con responsable, fecha, evidencia de éxito y señal de detención. Omitir cualquiera de esas cuatro piezas convierte el análisis en opinión difícil de auditar.

🔀 Comparación de caminos y límites#

Camino	Qué privilegia	Cuándo elegirlo	Riesgo principal
Actuar sobre variación común	Fluctuación normal del proceso que no requiere intervención	Cuando rango de variación normal es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre variación especial	Cambio atribuible a una causa identificable que sí justifica actuar	Cuando la primera explicación no distingue mecanismo ni responsable.	Convertir el concepto en etiqueta y no en intervención.
Experimentar antes de decidir	Aprender antes de comprometer recursos mayores	Cuando la decisión es reversible y la incertidumbre es alta.	Experimentar indefinidamente y no decidir.
Escalar la decisión	Elevar autoridad, especialidad o control legal	Cuando hay compromisos contractuales, datos personales, regulación o irreversibilidad.	Delegar hacia arriba lo que sí correspondía decidir.

Frontera de aplicación. Los sistemas automatizados de las plataformas reoptimizan constantemente. Intervenir demasiado reinicia su aprendizaje y empeora el resultado.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre optimización de campañas
Analista / especialista	Produce la evidencia, documenta el método y declara los límites del dato.
Jefatura de equipo	Convierte el análisis en prioridad, carga de trabajo y criterio compartido.
Gerencia comercial	Conecta la decisión con presupuesto, capacidad, dependencias y riesgo interáreas; es el nivel donde operan perfiles como Performance marketer, Media buyer y Growth marketer.
Dirección comercial (CRO/CMO)	Decide si esto cambia la estrategia de ingresos y qué llega al directorio.
Founder / dueño	Pregunta si la solución reduce dependencia de personas, preserva caja y puede operar como sistema repetible.

Al subir de nivel aumentan las personas, el dinero y las consecuencias que quedan dentro de la decisión. La misma herramienta debe volverse más explícita en evidencia, gobierno y revisión a medida que crece el alcance.

🏢 Caso ejecutivo#

El responsable de campañas de Ruta Andina modifica ofertas y creatividades tres veces por semana. Ninguna variación puede atribuirse a una causa.

Entrega un decision brief que contenga: (a) hechos y fuentes; (b) hipótesis; (c) dos opciones realmente defendibles; (d) efecto sobre cliente, operación, caja y riesgo; (e) recomendación; (f) la condición que la haría cambiar; (g) responsable y fecha de revisión. Usa al menos dos fuentes de la lectura comparada para desafiar tu primera respuesta.

🧪 Práctica guiada#

Cada paso indica qué hacer, con qué material y cómo saber que está terminado. No avances si la última columna todavía no se cumple: los pasos siguientes suponen el anterior resuelto.

#	Paso	Qué haces	Con qué	Criterio de término
1	Reconstruir los hechos	Vuelca el caso en una tabla `hecho / inferencia / supuesto / decisión` sin agregar información que no esté en el enunciado.	El caso y nada más	Ninguna fila de la columna «hecho» contiene un juicio; cada supuesto tiene un responsable de verificarlo.
2	Ejecutar el método	Recorre la secuencia establecer líneas base y rangos de variación normal → identificar si el cambio observado es común o especial → formular una hipótesis y cambiar una variable → esperar la ventana de evaluación completa → documentar el resultado y el aprendizaje y adjunta la evidencia usada en cada transición.	La tabla del paso 1	Cada paso deja un artefacto revisable y una alternativa descartada con su razón.
3	Operacionalizar la señal	Construye la ficha de medición de rango de variación normal; si el dato no existe, diseña cómo obtenerlo y estima cuánto costaría.	Fuentes de datos reales o el diseño de captura	Dos personas del equipo calculan el mismo número con la ficha y llegan al mismo resultado.
4	Atacar tu propia respuesta	Escribe la alternativa que contradice tu preferencia inicial y hazle un pre-mortem a seis meses.	Tu borrador de recomendación	Puedes nombrar el dato concreto que te haría cambiar de opinión.
5	Contrastar con la fuente	Lee la idea anclada de Understanding Variation y la de Trustworthy Online Controlled Experiments, y registra una coincidencia y una tensión con tu diagnóstico.	La tabla de lectura comparada	La nota de lectura cita qué idea usaste y qué decisión cambió por ella, o declara que ninguna cambió y por qué.
6	Subir de nivel	Rehaz la decisión desde la dirección comercial: qué cambia al aumentar alcance, dinero e irreversibilidad.	El brief completo	El brief indica qué parte de la decisión ya no corresponde al analista y a quién pasa.

Si te atascas. El bloqueo más común no es de método sino de definición: vuelve a la tabla de conceptos y comprueba que puedes clasificar un caso límite sin dudar. Si dudas, el problema está ahí y no en el paso que estabas ejecutando.

⚠️ Errores frecuentes#

Síntoma	Causa probable	Corrección
Usar variación común y variación especial como sinónimos	Se perdió la distinción entre «fluctuación normal del proceso que no requiere intervención» y «cambio atribuible a una causa identificable que sí justifica actuar»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «documentar el resultado y el aprendizaje»	Se saltó «establecer líneas base y rangos de variación normal»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo rango de variación normal	La métrica local reemplazó al resultado del sistema	Contrástala con proporción de cambios con hipótesis y explicita el costo de oportunidad.
Intervenir ante cada variación diaria	Error específico de esta clase	Calcula el rango de variación normal y actúa sólo ante señales fuera de ese rango.
No fijar revisión	La decisión se vuelve permanente por inercia	Define responsable, fecha, señal de éxito y condición de detención.

❓ Preguntas de comprobación#

Explica la diferencia entre variación común y variación especial con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar ciclo de optimización y qué observación te obligaría a rechazar tu interpretación?
Aplica «establecer líneas base y rangos de variación normal» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué rango de variación normal no basta por sí sola para atribuir causalidad?
Compara dos fuentes de la lectura comparada: ¿dónde llevarían a recomendaciones distintas?
¿Qué decisión equivocada se produciría si se ignora este límite: «Los sistemas automatizados de las plataformas reoptimizan constantemente. Intervenir demasiado reinicia su aprendizaje y empeora el resultado»?

🗝️ Respuestas orientadoras#

No encontrarás aquí las respuestas: encontrarás qué tiene que contener una respuesta suficiente. Úsalo para autoevaluarte antes de entregar y para corregir a un par.

Pregunta	Una respuesta suficiente contiene
1	Nombra un caso real donde la clasificación cambie la intervención, no sólo la etiqueta. Si el ejemplo funciona igual con los dos conceptos intercambiados, la distinción todavía no está entendida.
2	Dos observaciones concretas: una que confirmaría ciclo de optimización y otra que te obligaría a abandonarlo. Una respuesta sin condición de refutación no es suficiente.
3	El dato faltante debe ser nombrable y obtenible: qué se mide, quién lo tiene y en cuánto tiempo. «Faltan datos» no cuenta como respuesta.
4	Debes distinguir asociación de causa y proponer al menos una explicación alternativa del mismo movimiento de rango de variación normal.
5	Identifica la condición del caso que decide entre ambas obras. Basta con que sea una: la respuesta correcta no es «depende», sino «depende de esto, y aquí ocurre así». Ancla el contraste en Understanding Variation y Web Analytics 2.0.
6	Describe la decisión equivocada concreta —qué se haría de más o de menos— y quién pagaría el costo. Un límite que no produce una decisión distinta no está operando como límite.

Si tres o más respuestas no alcanzan el criterio, no sigas a la clase siguiente: repite el desarrollo con el caso en la mano. Avanzar con la definición floja es lo que produce, más adelante, decisiones que nadie puede auditar.

🇨🇱 Contexto chileno y cumplimiento#

Riesgo asociado a esta parte: Atribuirse demanda existente, inflar el retorno y decidir presupuesto sobre una ilusión. Antes de ejecutar cualquier recomendación de esta clase en una operación real, comprueba la norma en su texto vigente. Los enlaces van al texto completo publicado por la Biblioteca del Congreso Nacional; son gratuitos y no hace falta creerle a este material.

Consumo y comercio. Ley 19.496 — Establece normas sobre protección de los derechos de los consumidores (Ministerio de Economía, Fomento y Reconstrucción), y su reglamento de comercio electrónico, Decreto 6/2021 — Aprueba reglamento de comercio electrónico (Ministerio de Economía, Fomento y Turismo).
Datos personales. Ley 21.719 — Regula la protección y el tratamiento de los datos personales y crea la Agencia de Protección de Datos Personales (Ministerio Secretaría General de la Presidencia), que sustituye progresivamente a Ley 19.628 — Sobre protección de la vida privada (Ministerio Secretaría General de la Presidencia).
Derecho a retracto. Decreto 52/2024 — Aprueba reglamento que regula la forma y condiciones en que los proveedores deberán comunicar la exclusión del derecho a retracto y los bienes en que excepcionalmente y por su naturaleza procederá tal exclusión (Ministerio de Economía, Fomento y Turismo).

Dentro del repositorio, el mapa regulatorio ordena qué norma aplica a cada decisión comercial, datos personales y ética desarrolla el tratamiento de datos y fuentes oficiales lista los organismos con su fecha de consulta. Ninguno de esos documentos reemplaza al texto legal.

La regla del programa es simple: la fuente oficial manda sobre el material pedagógico. Si la norma cambió después de la fecha de esta clase, gana la norma.

📥 Entregable#

Guarda en evidence/P14-C12-optimizacion-de-campanas/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de rango de variación normal, cambios por periodo y proporción de cambios con hipótesis con fuente, ventana y lectura prohibida.
nota-de-lectura.md — dos fuentes contrastadas con edición y páginas consultadas.
red-team.md — la objeción más fuerte a tu recomendación y el dato que la invalidaría.

Este entregable alimenta el artefacto de la parte: plan de performance con estructura de campañas, presupuestos, medición y salvaguardas.

✅ Evaluación de la clase#

Criterio	Peso	Evidencia esperada
Precisión conceptual	25 %	Distinciones correctas y observables entre los conceptos de la clase.
Diagnóstico y evidencia	30 %	Datos pertinentes, línea base, supuestos explícitos y límites del dato.
Decisión y trade-offs	30 %	Dos opciones defendibles, costo de oportunidad y condición de revisión.
Fuentes y comunicación	15 %	Dos lecturas realmente utilizadas y argumento ejecutivo trazable.

Aprobación: 80/100 y ningún criterio bajo 60 %. Una respuesta que podría copiarse sin cambios a otra clase se considera insuficiente.

📗 Fuentes y verificación#

Aquí conviene separar dos cosas que suelen ir juntas y no son lo mismo.

Lo que está comprobado. Que cada obra existe y cuál es exactamente la edición: el enlace resuelve su ISBN contra el catálogo de OpenLibrary, y eso se revalida periódicamente. Las normas chilenas citadas más arriba enlazan su texto completo y gratuito.

Lo que es atribución del programa. Que la idea señalada esté en el capítulo que se indica. Eso es la lectura que este material hace de cada obra, no una cita textual cotejada frase por frase, y se declara así de explícito para que puedas contrastarlo: si abres la obra y no encuentras la idea donde se dice, la cita está mal puesta y corresponde reportarlo como error del material. No se citan números de página porque cambian entre ediciones.

Donald J. Wheeler — Understanding Variation (2000) · ISBN 9780945320531 — aporta a esta clase: la distinción entre variación común y variación especial antes de reaccionar. Dónde buscarlo: los capítulos que introducen la distinción. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) · ISBN 9781108601375 — aporta a esta clase: la detención temprana y el espionaje de resultados como fuente de falsos positivos. Dónde buscarlo: los capítulos sobre errores comunes. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Brad Geddes — Advanced Google AdWords (2014, 3.ª ed.) · ISBN 9781118819647 — aporta a esta clase: el nivel de calidad y su efecto sobre el costo por clic. Dónde buscarlo: los capítulos sobre nivel de calidad. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Avinash Kaushik — Web Analytics 2.0 (2009) · ISBN 9780470596425 — aporta a esta clase: la segmentación como condición para que un promedio signifique algo. Dónde buscarlo: el capítulo sobre segmentación de datos. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.

Estándar pedagógico del programa: Susan A. Ambrose et al. — How Learning Works (2010); Peter C. Brown, Henry L. Roediger III y Mark A. McDaniel — Make It Stick (2014); Grant Wiggins y Jay McTighe — Understanding by Design (2005, 2.ª ed.); Anders Ericsson y Robert Pool — Peak (2016); William Ellet — The Case Study Handbook (2018, ed. revisada).

Regla de fuentes. Las obras anteriores estructuran las perspectivas de esta materia. Cualquier norma, impuesto, tarifa, política de plataforma o estándar vivo mencionado debe comprobarse nuevamente en su fuente primaria vigente antes de usarse en una operación real. El desarrollo de esta clase es original y no reproduce capítulos protegidos por derechos de autor.

Sobre la edición. No busques estas obras sólo por el título: distintas ediciones cambian capítulos y ejemplos, y los anclajes de arriba están hechos sobre la que declara el registro de fuentes. La bibliografía completa de la parte, con todas sus obras, está en su índice.

← Clase 11 · Tracking y atribución · Índice de la parte · Clase 13 · Fraude, brand safety y privacidad →