Clase 19.14 — Growth model completo#

Clase 14 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 19.13, Product-led growth: 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 precisión del modelo 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 ciclo de crecimiento: analizar, idear, priorizar y probar, ejecutado con ritmo fijo — Sean Ellis y Morgan Brown. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.

🎯 Propósito#

Esta clase integra la parte en un modelo de crecimiento: métrica estrella con sus entradas, bucles identificados, diagnóstico por etapa, backlog priorizado, infraestructura de experimentación y aprendizajes documentados. La prueba de calidad es proyectiva: el modelo debe permitir estimar el efecto de mover cada palanca y decidir dónde invertir el próximo trimestre.

Esta sesión distingue lo que se sabe, lo que se supone y lo que todavía no se ha medido. 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 growth model completo 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 modelo de crecimiento, palanca, sensibilidad del modelo y registro de aprendizajes. 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 modelo de crecimiento, palanca, sensibilidad del modelo y registro de aprendizajes 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 construir el modelo con las palancas y sus relaciones → calibrar con datos históricos → ejecutar el análisis de sensibilidad → priorizar el backlog con base en el modelo → actualizar el modelo con cada aprendizaje conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar precisión del modelo, palancas con efecto verificado y aprendizajes acumulados 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 modelo de crecimiento y palanca 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 precisión del modelo: 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
modelo de crecimiento	representación cuantitativa de las palancas y su efecto en el resultado	Indica qué dato tendrías que ver para afirmarlo en una reunión de comité.
palanca	variable que el equipo puede modificar y que afecta la métrica estrella	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.
sensibilidad del modelo	efecto en el resultado de variar cada palanca	Da un hecho compatible con la definición y otro que la refute.
registro de aprendizajes	documentación acumulada de experimentos y sus conclusiones	Explica qué decisión cambiaría si el concepto estuviera ausente.

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. construir el modelo con las palancas y sus relaciones → 2. calibrar con datos históricos → 3. ejecutar el análisis de sensibilidad → 4. priorizar el backlog con base en el modelo → 5. actualizar el modelo con cada 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. Un modelo con supuestos no verificados produce proyecciones falsas. Su valor depende de cuántas relaciones fueron medidas y no supuestas.

📖 Desarrollo#

1. Modelo de crecimiento: mecanismo central#

Modelo de crecimiento se entiende aquí como representación cuantitativa de las palancas y su efecto en el resultado.

Un modelo de crecimiento es una representación cuantitativa de cómo se produce el resultado: qué entra, qué se convierte, qué se retiene y qué se expande, con los supuestos explícitos. Su valor no está en la proyección sino en identificar qué variable domina, porque ahí es donde el esfuerzo rinde.

De dónde viene esta afirmación. Sean Ellis y Morgan Brown — Hacking Growth (2017) aporta la idea que sostiene este bloque: el ciclo de crecimiento: analizar, idear, priorizar y probar, ejecutado con ritmo fijo. Búscala en los capítulos sobre el proceso de experimentación. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «precisión del modelo» debería moverse cuando cambie modelo de crecimiento, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con palanca. 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. Palanca: frontera conceptual y error de clasificación#

Definición operacional: variable que el equipo puede modificar y que afecta la métrica estrella. Su valor está en distinguirlo de modelo de crecimiento.

La palanca dominante se identifica con análisis de sensibilidad: mover cada supuesto en un rango razonable y observar el efecto. El resultado suele contradecir la intuición del equipo y redirigir la atención desde la adquisición, que es donde naturalmente se concentra, hacia retención o conversión.

Contraste bibliográfico. Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013) aporta aquí una distinción concreta: los seis modelos de negocio y las métricas que cambian entre ellos (la parte sobre modelos de negocio). Formula dos mini-casos: uno que satisface la definición de palanca 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 «calibrar con datos históricos», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Sensibilidad del modelo: operacionalización y medición#

Sensibilidad del modelo significa efecto en el resultado de variar cada palanca.

Los supuestos del modelo deben estar fechados y con su fuente. Un modelo construido con datos de hace un año puede seguir circulando y orientando decisiones sin que nadie verifique si sus supuestos siguen vigentes. La disciplina mínima es revisar el modelo cada trimestre contra los datos reales.

Ficha de medición obligatoria para precisión del modelo: diferencia entre el resultado proyectado y el observado, por trimestre. 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. Foster Provost y Tom Fawcett — Data Science for Business (2013) pone una condición sobre la medición: el marco de valor esperado que combina probabilidad y consecuencia económica (el capítulo sobre valor esperado). 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. Registro de aprendizajes: trade-offs y efectos de segundo orden#

Definición: documentación acumulada de experimentos y sus conclusiones.

Un modelo detallado captura más interacciones y se vuelve difícil de auditar y de comunicar; uno simple se entiende y omite efectos relevantes. Para decidir, el modelo simple con supuestos visibles suele ser superior, porque permite que otros cuestionen los supuestos en lugar de discutir sobre una caja negra.

Lo que aporta la fuente. Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) aporta el criterio para pesar el intercambio: las métricas guardarraíl que impiden ganar en lo local perdiendo en el sistema (los capítulos sobre métricas y guardarraíles). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia aprendizajes acumulados 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 registro de aprendizajes 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 «actualizar el modelo con cada aprendizaje», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

El registro de aprendizajes es lo que convierte el trabajo de un año en conocimiento transferible. Debe incluir qué se probó, qué resultó, en qué contexto y qué se decidió, incluidos los experimentos que no funcionaron. Sin él, cada cambio de equipo reinicia el aprendizaje y las mismas hipótesis se prueban una y otra vez.

Frontera declarada. Un modelo con supuestos no verificados produce proyecciones falsas. Su valor depende de cuántas relaciones fueron medidas y no supuestas. 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 growth model completo no consiste en sumar definiciones. Empieza por modelo de crecimiento, contrasta palanca con sensibilidad del modelo, incorpora registro de aprendizajes 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. Cuando la integración funciona, cualquier persona del equipo puede reconstruir el razonamiento sin el autor presente.

📚 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 ciclo de crecimiento: analizar, idear, priorizar y probar, ejecutado con ritmo fijo	Los capítulos sobre el proceso de experimentación	¿Qué debería observarse en modelo de crecimiento si aquí opera «el ciclo de crecimiento: analizar, idear, priorizar y probar, ejecutado con ritmo fijo»? ¿Y qué observación lo desmentiría en este caso?
Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013)	Los seis modelos de negocio y las métricas que cambian entre ellos	La parte sobre modelos de negocio	¿Qué debería observarse en palanca si aquí opera «los seis modelos de negocio y las métricas que cambian entre ellos»? ¿Y qué observación lo desmentiría en este caso?
Foster Provost y Tom Fawcett — Data Science for Business (2013)	El marco de valor esperado que combina probabilidad y consecuencia económica	El capítulo sobre valor esperado	¿Qué debería observarse en sensibilidad del modelo si aquí opera «el marco de valor esperado que combina probabilidad y consecuencia económica»? ¿Y qué observación lo desmentiría en este caso?
Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020)	Las métricas guardarraíl que impiden ganar en lo local perdiendo en el sistema	Los capítulos sobre métricas y guardarraíles	¿Qué debería observarse en registro de aprendizajes si aquí opera «las métricas guardarraíl que impiden ganar en lo local perdiendo en el sistema»? ¿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. Ruta Andina debe presentar su plan de crecimiento para el próximo año. Hoy no puede estimar qué produciría mejorar la activación frente a duplicar la inversión publicitaria.

Paso 1 — Construir el modelo con las palancas y sus relaciones. El equipo escribe primero el supuesto asociado a modelo de crecimiento y se prohíbe tratarlo como hecho. Contrasta ese supuesto con precisión del modelo 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 — Calibrar con datos históricos. El trabajo aquí es separar lo observado de lo inferido sobre palanca. La evidencia que ordena la discusión es palancas con efecto verificado; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Ejecutar el análisis de sensibilidad. El riesgo de este paso es cerrar demasiado rápido alrededor de sensibilidad del modelo. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si aprendizajes acumulados logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Priorizar el backlog con base en el modelo. Con registro de aprendizajes ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. precisión del modelo entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Actualizar el modelo con cada aprendizaje. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a modelo de crecimiento. palancas con efecto verificado 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 modelo de crecimiento	Representación cuantitativa de las palancas y su efecto en el resultado	Cuando precisión del modelo es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre palanca	Variable que el equipo puede modificar y que afecta la métrica estrella	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 modelo con supuestos no verificados produce proyecciones falsas. Su valor depende de cuántas relaciones fueron medidas y no supuestas.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre growth model completo
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#

Ruta Andina debe presentar su plan de crecimiento para el próximo año. Hoy no puede estimar qué produciría mejorar la activación frente a duplicar la inversión publicitaria.

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 construir el modelo con las palancas y sus relaciones → calibrar con datos históricos → ejecutar el análisis de sensibilidad → priorizar el backlog con base en el modelo → actualizar el modelo con cada 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 precisión del modelo; 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 Lean Analytics, 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 modelo de crecimiento y palanca como sinónimos	Se perdió la distinción entre «representación cuantitativa de las palancas y su efecto en el resultado» y «variable que el equipo puede modificar y que afecta la métrica estrella»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «actualizar el modelo con cada aprendizaje»	Se saltó «construir el modelo con las palancas y sus relaciones»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo precisión del modelo	La métrica local reemplazó al resultado del sistema	Contrástala con aprendizajes acumulados y explicita el costo de oportunidad.
Presentar un plan de crecimiento sin modelo cuantitativo	Error específico de esta clase	Construye el modelo, declara qué relaciones fueron medidas y cuáles son supuestos.
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 modelo de crecimiento y palanca con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar sensibilidad del modelo y qué observación te obligaría a rechazar tu interpretación?
Aplica «construir el modelo con las palancas y sus relaciones» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué precisión del modelo 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 modelo con supuestos no verificados produce proyecciones falsas. Su valor depende de cuántas relaciones fueron medidas y no supuestas»?

🗝️ 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 sensibilidad del modelo 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 precisión del modelo.
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-C14-growth-model-completo/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de precisión del modelo, palancas con efecto verificado y aprendizajes acumulados 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 ciclo de crecimiento: analizar, idear, priorizar y probar, ejecutado con ritmo fijo. Dónde buscarlo: los capítulos sobre el proceso de experimentación. 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: los seis modelos de negocio y las métricas que cambian entre ellos. Dónde buscarlo: la parte sobre modelos de negocio. 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: el marco de valor esperado que combina probabilidad y consecuencia económica. Dónde buscarlo: el capítulo sobre valor esperado. 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: las métricas guardarraíl que impiden ganar en lo local perdiendo en el sistema. Dónde buscarlo: los capítulos sobre métricas y guardarraíles. 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 13 · Product-led growth · Índice de la parte