Clase 18.05 — Health score#

Clase 5 de 14 de la parte 18 — Customer experience, success y fidelización, de nivel Operación de ingresos. Dura unos 150 minutos.

🚦 Antes de empezar#

Vienes de la clase 18.04, Customer Success: 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 capacidad predictiva del puntaje 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. El puntaje de salud construido con uso, resultado y relación, validado contra bajas — Nick Mehta, Dan Steinman y Lincoln Murphy. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

Un puntaje de salud estima el riesgo de baja combinando uso, resultado, relación y señales comerciales. Su valor depende de la validación: un puntaje que no predice la baja produce falsa tranquilidad. La construcción correcta parte de analizar qué distinguió a las cuentas que se fueron de las que se quedaron, y no de una ponderación inventada en una reunión.

La clase trata el tema como un problema de evidencia y de consecuencia, no como vocabulario. La parte 18 busca sostener y expandir el ingreso existente con un sistema de valor entregado; en esta clase esa progresión se concreta exigiendo que toda afirmación sobre health score termine en una definición operacional, una señal observable, una decisión y una condición de revisión.

Pregunta rectora de la parte: ¿En qué momento el cliente obtiene valor y qué lo hace quedarse o irse?

Los conceptos que estructuran la sesión son componente de uso, componente de resultado, validación predictiva y umbral de intervención. 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 componente de uso, componente de resultado, validación predictiva y umbral de intervención por sus observables y no por su definición memorizada.
Explicar por qué esas distinciones cambian una decisión concreta dentro de Customer experience, success y fidelización.
Aplicar la secuencia analizar qué distinguió a las cuentas perdidas → construir el puntaje con esos componentes → validar su capacidad predictiva con datos históricos → definir umbrales y acciones asociadas → recalibrar cada semestre con datos nuevos conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar capacidad predictiva del puntaje, cobertura de la intervención y bajas sin señal previa 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 componente de uso y componente de resultado 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 capacidad predictiva del puntaje: 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
componente de uso	señal de actividad en el producto que refleja adopción real	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.
componente de resultado	evidencia de que el cliente logra el beneficio comprometido	Da un hecho compatible con la definición y otro que la refute.
validación predictiva	contraste entre el puntaje asignado y la baja efectiva	Explica qué decisión cambiaría si el concepto estuviera ausente.
umbral de intervención	nivel de puntaje que activa una acción definida	Construye un caso límite donde el concepto se confunde con el anterior.

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. analizar qué distinguió a las cuentas perdidas → 2. construir el puntaje con esos componentes → 3. validar su capacidad predictiva con datos históricos → 4. definir umbrales y acciones asociadas → 5. recalibrar cada semestre con datos nuevos

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. Un puntaje predictivo sin capacidad de intervención sólo anticipa la pérdida. Debe existir una acción posible para cada nivel de riesgo.

📖 Desarrollo#

1. Componente de uso: mecanismo central#

Componente de uso se entiende aquí como señal de actividad en el producto que refleja adopción real.

Un puntaje de salud intenta anticipar qué cuentas están en riesgo. Su valor depende por completo de que se valide contra bajas reales: si el puntaje no bajaba antes de las bajas del último año, el modelo no detecta nada y usarlo para priorizar es peor que no tenerlo, porque transmite falsa tranquilidad.

De dónde viene esta afirmación. Nick Mehta, Dan Steinman y Lincoln Murphy — Customer Success (2016) aporta la idea que sostiene este bloque: el puntaje de salud construido con uso, resultado y relación, validado contra bajas. Búscala en los capítulos sobre health score. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «capacidad predictiva del puntaje» debería moverse cuando cambie componente de uso, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con componente de resultado. 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. Componente de resultado: frontera conceptual y error de clasificación#

Definición operacional: evidencia de que el cliente logra el beneficio comprometido. Su valor está en distinguirlo de componente de uso.

Los componentes deben combinar uso, resultado y relación, y cada uno aporta información distinta. Una cuenta con uso alto y sin resultado puede irse igual; una con poco uso y buen resultado puede estar perfectamente satisfecha. Un puntaje construido sólo con datos de uso —que son los más fáciles de obtener— suele ser el menos predictivo.

Contraste bibliográfico. Foster Provost y Tom Fawcett — Data Science for Business (2013) aporta aquí una distinción concreta: la evaluación contra una línea base y no contra la nada (los capítulos sobre evaluación de modelos). Formula dos mini-casos: uno que satisface la definición de componente de resultado 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 «construir el puntaje con esos componentes», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Validación predictiva: operacionalización y medición#

Validación predictiva significa contraste entre el puntaje asignado y la baja efectiva.

La validación predictiva se hace retrospectivamente: tomar las bajas del último año y verificar si el puntaje las anticipaba con tiempo suficiente para actuar. Esa verificación entrega también el umbral de intervención: el nivel a partir del cual la probabilidad de baja justifica dedicar recursos.

Ficha de medición obligatoria para capacidad predictiva del puntaje: tasa de baja en el tramo de riesgo alto frente al tramo bajo. 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. Peter Fader — Customer Centricity (2020, 2.ª ed.) pone una condición sobre la medición: recencia, frecuencia y valor como base de segmentación conductual (los capítulos sobre segmentación por comportamiento). 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. Umbral de intervención: trade-offs y efectos de segundo orden#

Definición: nivel de puntaje que activa una acción definida.

Un modelo más complejo puede predecir mejor y vuelve opaca la razón del riesgo, con lo que el equipo no sabe qué hacer con la alerta. Uno simple y explicable produce acción. En esta función, la capacidad de actuar sobre la alerta importa más que un punto adicional de precisión.

Lo que aporta la fuente. Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013) aporta el criterio para pesar el intercambio: el análisis de cohortes como corrección al promedio que esconde la mezcla (el capítulo sobre cohortes y segmentación). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia bajas sin señal previa 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 umbral de intervención 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 «recalibrar cada semestre con datos nuevos», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

El puntaje describe probabilidad y no destino. Tratarlo como sentencia lleva a desatender cuentas clasificadas en riesgo alto, lo que produce una profecía autocumplida. Su uso correcto es priorizar la atención, y el registro de qué se hizo con cada alerta es lo que permite después evaluar si la intervención sirvió.

Frontera declarada. Un puntaje predictivo sin capacidad de intervención sólo anticipa la pérdida. Debe existir una acción posible para cada nivel de riesgo. 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: Retener con castigos contractuales en lugar de valor entregado y dañar reputación. 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 health score no consiste en sumar definiciones. Empieza por componente de uso, contrasta componente de resultado con validación predictiva, incorpora umbral de intervención 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. La prueba de dominio es poder explicar el caso contrario: cuándo esta recomendación sería incorrecta.

📚 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
Nick Mehta, Dan Steinman y Lincoln Murphy — Customer Success (2016)	El puntaje de salud construido con uso, resultado y relación, validado contra bajas	Los capítulos sobre health score	¿Qué debería observarse en componente de uso si aquí opera «el puntaje de salud construido con uso, resultado y relación, validado contra bajas»? ¿Y qué observación lo desmentiría en este caso?
Foster Provost y Tom Fawcett — Data Science for Business (2013)	La evaluación contra una línea base y no contra la nada	Los capítulos sobre evaluación de modelos	¿Qué debería observarse en componente de resultado si aquí opera «la evaluación contra una línea base y no contra la nada»? ¿Y qué observación lo desmentiría en este caso?
Peter Fader — Customer Centricity (2020, 2.ª ed.)	Recencia, frecuencia y valor como base de segmentación conductual	Los capítulos sobre segmentación por comportamiento	¿Qué debería observarse en validación predictiva si aquí opera «recencia, frecuencia y valor como base de segmentación conductual»? ¿Y qué observación lo desmentiría en este caso?
Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013)	El análisis de cohortes como corrección al promedio que esconde la mezcla	El capítulo sobre cohortes y segmentación	¿Qué debería observarse en umbral de intervención si aquí opera «el análisis de cohortes como corrección al promedio que esconde la mezcla»? ¿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 puntaje de salud de Ruta Andina se calcula con la percepción del ejecutivo. El 44 % de las bajas del último trimestre estaba clasificado como saludable.

Paso 1 — Analizar qué distinguió a las cuentas perdidas. El equipo escribe primero el supuesto asociado a componente de uso y se prohíbe tratarlo como hecho. Contrasta ese supuesto con capacidad predictiva del puntaje 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 — Construir el puntaje con esos componentes. El trabajo aquí es separar lo observado de lo inferido sobre componente de resultado. La evidencia que ordena la discusión es cobertura de la intervención; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Validar su capacidad predictiva con datos históricos. El riesgo de este paso es cerrar demasiado rápido alrededor de validación predictiva. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si bajas sin señal previa logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Definir umbrales y acciones asociadas. Con umbral de intervención ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. capacidad predictiva del puntaje entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Recalibrar cada semestre con datos nuevos. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a componente de uso. cobertura de la intervención 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 componente de uso	Señal de actividad en el producto que refleja adopción real	Cuando capacidad predictiva del puntaje es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre componente de resultado	Evidencia de que el cliente logra el beneficio comprometido	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. Un puntaje predictivo sin capacidad de intervención sólo anticipa la pérdida. Debe existir una acción posible para cada nivel de riesgo.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre health score
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 Customer success manager, Account manager y Head of CS.
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 puntaje de salud de Ruta Andina se calcula con la percepción del ejecutivo. El 44 % de las bajas del último trimestre estaba clasificado como saludable.

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 analizar qué distinguió a las cuentas perdidas → construir el puntaje con esos componentes → validar su capacidad predictiva con datos históricos → definir umbrales y acciones asociadas → recalibrar cada semestre con datos nuevos 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 capacidad predictiva del puntaje; 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 Customer Success y la de Data Science for Business, 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 componente de uso y componente de resultado como sinónimos	Se perdió la distinción entre «señal de actividad en el producto que refleja adopción real» y «evidencia de que el cliente logra el beneficio comprometido»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «recalibrar cada semestre con datos nuevos»	Se saltó «analizar qué distinguió a las cuentas perdidas»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo capacidad predictiva del puntaje	La métrica local reemplazó al resultado del sistema	Contrástala con bajas sin señal previa y explicita el costo de oportunidad.
Construir el puntaje con percepciones del equipo	Error específico de esta clase	Deriva los componentes del análisis de cuentas perdidas y valida su capacidad predictiva.
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 componente de uso y componente de resultado con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar validación predictiva y qué observación te obligaría a rechazar tu interpretación?
Aplica «analizar qué distinguió a las cuentas perdidas» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué capacidad predictiva del puntaje 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: «Un puntaje predictivo sin capacidad de intervención sólo anticipa la pérdida. Debe existir una acción posible para cada nivel de riesgo»?

🗝️ 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 validación predictiva 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 capacidad predictiva del puntaje.
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 Customer Success y Lean Analytics.
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: Retener con castigos contractuales en lugar de valor entregado y dañar reputación. 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/P18-C05-health-score/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de capacidad predictiva del puntaje, cobertura de la intervención y bajas sin señal previa 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: sistema de retención y expansión con onboarding, health score, renovación y advocacy.

✅ 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.

Nick Mehta, Dan Steinman y Lincoln Murphy — Customer Success (2016) · ISBN 9781119168294 — aporta a esta clase: el puntaje de salud construido con uso, resultado y relación, validado contra bajas. Dónde buscarlo: los capítulos sobre health score. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Foster Provost y Tom Fawcett — Data Science for Business (2013) · ISBN 9781449374280 — aporta a esta clase: la evaluación contra una línea base y no contra la nada. Dónde buscarlo: los capítulos sobre evaluación de modelos. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Peter Fader — Customer Centricity (2020, 2.ª ed.) · ISBN 9781613631447 — aporta a esta clase: recencia, frecuencia y valor como base de segmentación conductual. Dónde buscarlo: los capítulos sobre segmentación por comportamiento. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013) · ISBN 9781449335670 — aporta a esta clase: el análisis de cohortes como corrección al promedio que esconde la mezcla. Dónde buscarlo: el capítulo sobre cohortes y segmentación. 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 04 · Customer Success · Índice de la parte · Clase 06 · NPS, CSAT y CES →