Clase 19.05 — Activación#

Clase 5 de 14 de la parte 19 — Growth marketing y growth engineering, de nivel Crecimiento y analítica. Dura unos 150 minutos.

🚦 Antes de empezar#

Vienes de la clase 19.04, Growth loops: 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 tasa de activación 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 momento «ajá» identificado con datos y no supuesto — Sean Ellis y Morgan Brown. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

La activación es el momento en que el usuario experimenta el valor del producto por primera vez. Identificarla con precisión es una tarea analítica: consiste en encontrar qué acción, realizada en qué plazo, predice la permanencia. Una vez identificada, todo el diseño inicial debe orientarse a que ocurra lo antes posible.

La clase trata el tema como un problema de evidencia y de consecuencia, no como vocabulario. La parte 19 busca instalar un motor de experimentación que produzca aprendizaje acumulativo; en esta clase esa progresión se concreta exigiendo que toda afirmación sobre activación termine en una definición operacional, una señal observable, una decisión y una condición de revisión.

Pregunta rectora de la parte: ¿Qué bucle hace que el crecimiento se retroalimente en lugar de depender del gasto?

Los conceptos que estructuran la sesión son evento de activación, ventana de activación, análisis predictivo de activación y tasa de activación. 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 evento de activación, ventana de activación, análisis predictivo de activación y tasa de activación por sus observables y no por su definición memorizada.
Explicar por qué esas distinciones cambian una decisión concreta dentro de Growth marketing y growth engineering.
Aplicar la secuencia analizar qué acciones distinguen a quienes permanecen → definir el evento y la ventana de activación → medir la tasa actual por segmento y origen → rediseñar el inicio para producir ese evento antes → verificar el efecto sobre la retención de las cohortes nuevas conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar tasa de activación, retención por activación y tiempo hasta la activación 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 evento de activación y ventana de activación 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 tasa de activación: 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
evento de activación	acción cuya realización predice la permanencia del usuario	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.
ventana de activación	plazo dentro del cual esa acción debe ocurrir para predecir retención	Da un hecho compatible con la definición y otro que la refute.
análisis predictivo de activación	método que identifica el evento a partir de datos históricos	Explica qué decisión cambiaría si el concepto estuviera ausente.
tasa de activación	usuarios que realizan el evento en la ventana, sobre usuarios incorporados	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 acciones distinguen a quienes permanecen → 2. definir el evento y la ventana de activación → 3. medir la tasa actual por segmento y origen → 4. rediseñar el inicio para producir ese evento antes → 5. verificar el efecto sobre la retención de las cohortes nuevas

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. La correlación entre el evento y la retención no prueba causalidad: puede que quienes ya estaban comprometidos hagan ambas cosas. Verificarlo requiere un experimento.

📖 Desarrollo#

1. Evento de activación: mecanismo central#

Evento de activación se entiende aquí como acción cuya realización predice la permanencia del usuario.

La activación es el momento en que el usuario obtiene por primera vez el valor que el producto promete. No es el registro ni la primera sesión: es la acción que se correlaciona con la permanencia. Identificarla con datos, comparando el comportamiento temprano de quienes se quedan y quienes se van, es el análisis fundacional de cualquier programa de crecimiento.

De dónde viene esta afirmación. Sean Ellis y Morgan Brown — Hacking Growth (2017) aporta la idea que sostiene este bloque: el momento «ajá» identificado con datos y no supuesto. Búscala en los capítulos sobre el momento de valor. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «tasa de activación» debería moverse cuando cambie evento de activación, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con ventana de activación. 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. Ventana de activación: frontera conceptual y error de clasificación#

Definición operacional: plazo dentro del cual esa acción debe ocurrir para predecir retención. Su valor está en distinguirlo de evento de activación.

El evento de activación debe ser específico y observable. «Entendió el producto» no lo es; «completó su primera hoja de ruta y la exportó» sí. Esa precisión permite medir la tasa de activación, construir el onboarding hacia ella y evaluar si las intervenciones funcionan.

Contraste bibliográfico. Samuel Hulick — The Elements of User Onboarding (2014) aporta aquí una distinción concreta: el onboarding diseñado hacia el primer éxito y no hacia el recorrido del producto (los capítulos sobre objetivos del onboarding). Formula dos mini-casos: uno que satisface la definición de ventana de activación 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 «definir el evento y la ventana de activación», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Análisis predictivo de activación: operacionalización y medición#

Análisis predictivo de activación significa método que identifica el evento a partir de datos históricos.

La ventana de activación —el plazo dentro del cual debe ocurrir— es parte de la definición. Un usuario que activa a los tres meses no se comporta como uno que activa el primer día. Definir la ventana con datos, observando a partir de cuándo la probabilidad de activación cae, evita perseguir usuarios que ya se perdieron.

Ficha de medición obligatoria para tasa de activación: usuarios activados en la ventana, sobre usuarios incorporados. 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. Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013) pone una condición sobre la medición: el análisis de cohortes como corrección al promedio que esconde la mezcla (el capítulo sobre cohortes y segmentación). 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. Tasa de activación: trade-offs y efectos de segundo orden#

Definición: usuarios que realizan el evento en la ventana, sobre usuarios incorporados.

Reducir los pasos hasta la activación mejora la tasa y puede producir usuarios que activan sin entender, y que abandonan después. La medición correcta observa la retención posterior de los activados y no sólo la tasa de activación, porque optimizar la segunda a costa de la primera es fácil y contraproducente.

Lo que aporta la fuente. Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) aporta el criterio para pesar el intercambio: el efecto mínimo relevante como base del cálculo de muestra (los capítulos sobre potencia y tamaño de muestra). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia tiempo hasta la activación 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 tasa de activación 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 «verificar el efecto sobre la retención de las cohortes nuevas», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

La activación se define para un producto y un segmento. Un mismo producto puede tener eventos de activación distintos según el caso de uso, y promediarlos oculta ambos. Cuando la tasa de activación es estable pero la retención varía mucho, esa mezcla es la primera hipótesis a revisar.

Frontera declarada. La correlación entre el evento y la retención no prueba causalidad: puede que quienes ya estaban comprometidos hagan ambas cosas. Verificarlo requiere un experimento. 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: Declarar victorias con muestras insuficientes y optimizar métricas locales que dañan el sistema. 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 activación no consiste en sumar definiciones. Empieza por evento de activación, contrasta ventana de activación con análisis predictivo de activación, incorpora tasa de activación 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
Sean Ellis y Morgan Brown — Hacking Growth (2017)	El momento «ajá» identificado con datos y no supuesto	Los capítulos sobre el momento de valor	¿Qué debería observarse en evento de activación si aquí opera «el momento «ajá» identificado con datos y no supuesto»? ¿Y qué observación lo desmentiría en este caso?
Samuel Hulick — The Elements of User Onboarding (2014)	El onboarding diseñado hacia el primer éxito y no hacia el recorrido del producto	Los capítulos sobre objetivos del onboarding	¿Qué debería observarse en ventana de activación si aquí opera «el onboarding diseñado hacia el primer éxito y no hacia el recorrido del producto»? ¿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 análisis predictivo de activación si aquí opera «el análisis de cohortes como corrección al promedio que esconde la mezcla»? ¿Y qué observación lo desmentiría en este caso?
Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020)	El efecto mínimo relevante como base del cálculo de muestra	Los capítulos sobre potencia y tamaño de muestra	¿Qué debería observarse en tasa de activación si aquí opera «el efecto mínimo relevante como base del cálculo de muestra»? ¿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 análisis de Ruta Andina muestra que quienes cargan más de 20 clientes en la primera semana retienen 3,4 veces más. Sólo el 22 % lo hace.

Paso 1 — Analizar qué acciones distinguen a quienes permanecen. El equipo escribe primero el supuesto asociado a evento de activación y se prohíbe tratarlo como hecho. Contrasta ese supuesto con tasa de activación 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 — Definir el evento y la ventana de activación. El trabajo aquí es separar lo observado de lo inferido sobre ventana de activación. La evidencia que ordena la discusión es retención por activación; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Medir la tasa actual por segmento y origen. El riesgo de este paso es cerrar demasiado rápido alrededor de análisis predictivo de activación. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si tiempo hasta la activación logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Rediseñar el inicio para producir ese evento antes. Con tasa de activación ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. tasa de activación entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Verificar el efecto sobre la retención de las cohortes nuevas. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a evento de activación. retención por activación 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 evento de activación	Acción cuya realización predice la permanencia del usuario	Cuando tasa de activación es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre ventana de activación	Plazo dentro del cual esa acción debe ocurrir para predecir retención	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. La correlación entre el evento y la retención no prueba causalidad: puede que quienes ya estaban comprometidos hagan ambas cosas. Verificarlo requiere un experimento.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre activación
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 Growth manager, Growth engineer y Head of Growth.
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 análisis de Ruta Andina muestra que quienes cargan más de 20 clientes en la primera semana retienen 3,4 veces más. Sólo el 22 % lo hace.

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 acciones distinguen a quienes permanecen → definir el evento y la ventana de activación → medir la tasa actual por segmento y origen → rediseñar el inicio para producir ese evento antes → verificar el efecto sobre la retención de las cohortes nuevas 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 tasa de activación; 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 Hacking Growth y la de The Elements of User Onboarding, 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 evento de activación y ventana de activación como sinónimos	Se perdió la distinción entre «acción cuya realización predice la permanencia del usuario» y «plazo dentro del cual esa acción debe ocurrir para predecir retención»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «verificar el efecto sobre la retención de las cohortes nuevas»	Se saltó «analizar qué acciones distinguen a quienes permanecen»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo tasa de activación	La métrica local reemplazó al resultado del sistema	Contrástala con tiempo hasta la activación y explicita el costo de oportunidad.
Confundir correlación con causalidad en el evento de activación	Error específico de esta clase	Diseña un experimento que induzca el evento y verifica si la retención mejora.
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 evento de activación y ventana de activación con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar análisis predictivo de activación y qué observación te obligaría a rechazar tu interpretación?
Aplica «analizar qué acciones distinguen a quienes permanecen» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué tasa de activación 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: «La correlación entre el evento y la retención no prueba causalidad: puede que quienes ya estaban comprometidos hagan ambas cosas. Verificarlo requiere un experimento»?

🗝️ 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 análisis predictivo de activación 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 tasa de activación.
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 Hacking Growth y Trustworthy Online Controlled Experiments.
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: Declarar victorias con muestras insuficientes y optimizar métricas locales que dañan el sistema. 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/P19-C05-activation/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de tasa de activación, retención por activación y tiempo hasta la activación 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: growth model con North Star, bucles, backlog priorizado y resultados de experimentos.

✅ 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.

Sean Ellis y Morgan Brown — Hacking Growth (2017) · ISBN 9780451497215 — aporta a esta clase: el momento «ajá» identificado con datos y no supuesto. Dónde buscarlo: los capítulos sobre el momento de valor. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Samuel Hulick — The Elements of User Onboarding (2014) · fuente primaria — aporta a esta clase: el onboarding diseñado hacia el primer éxito y no hacia el recorrido del producto. Dónde buscarlo: los capítulos sobre objetivos del onboarding. 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.
Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) · ISBN 9781108601375 — aporta a esta clase: el efecto mínimo relevante como base del cálculo de muestra. Dónde buscarlo: los capítulos sobre potencia y tamaño de muestra. 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 · Growth loops · Índice de la parte · Clase 06 · Crecimiento centrado en retención →