Clase 20.07 — Análisis de cohortes aplicado#
Clase 7 de 14 de la parte 20 — Analítica comercial y marketing science, de nivel Crecimiento y analítica. Dura unos 150 minutos.
🚦 Antes de empezar#
Vienes de la clase 20.06, Margen de contribución: 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 valor acumulado por cohorte 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 análisis de cohortes como corrección al promedio que esconde la mezcla — Alistair Croll y Benjamin Yoskovitz. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.
🎯 Propósito#
El análisis de cohortes es la herramienta que permite distinguir mejora real de efecto de mezcla. Aplicado a ingreso, muestra si las cohortes nuevas valen más que las anteriores; aplicado a comportamiento, revela si los cambios de producto funcionan. Su exigencia es metodológica: comparar en el mismo hito de antigüedad y no en la misma fecha calendario.
Esta sesión distingue lo que se sabe, lo que se supone y lo que todavía no se ha medido. La parte 20 busca sostener decisiones de ingreso con métricas correctamente construidas; en esta clase esa progresión se concreta exigiendo que toda afirmación sobre análisis de cohortes aplicado termine en una definición operacional, una señal observable, una decisión y una condición de revisión.
Pregunta rectora de la parte: ¿Esta cifra mide lo que creo que mide, y qué decisión cambiaría si estuviera equivocada?
Los conceptos que estructuran la sesión son hito de antigüedad, efecto de mezcla, cohorte de comportamiento y maduración. 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
hito de antigüedad,efecto de mezcla,cohorte de comportamientoymaduraciónpor sus observables y no por su definición memorizada. - Explicar por qué esas distinciones cambian una decisión concreta dentro de Analítica comercial y marketing science.
- Aplicar la secuencia definir el criterio de cohorte según la pregunta → construir la matriz de cohortes con datos propios → comparar en el mismo hito de antigüedad → atribuir diferencias a cambios conocidos → declarar qué cohortes aún no maduran conservando supuestos, alternativas descartadas y trazabilidad.
- Operacionalizar valor acumulado por cohorte, tendencia entre cohortes y cohortes con datos suficientes 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 hito de antigüedad y efecto de mezcla 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 valor acumulado por cohorte: 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 |
|---|---|---|
| hito de antigüedad | punto de comparación medido desde la incorporación y no desde la fecha | Explica qué decisión cambiaría si el concepto estuviera ausente. |
| efecto de mezcla | distorsión del agregado producida por cambios en la composición de la base | Construye un caso límite donde el concepto se confunde con el anterior. |
| cohorte de comportamiento | agrupación por acción realizada y no sólo por fecha de ingreso | Indica qué dato tendrías que ver para afirmarlo en una reunión de comité. |
| maduración | tiempo necesario para que una cohorte permita conclusiones confiables | Traduce el concepto en una pregunta que puedas hacerle a un cliente real. |
Una definición que no produce predicciones observables sigue siendo demasiado vaga para dirigir. Si dos personas del equipo aplican la misma definición a un caso y clasifican distinto, la definición todavía no es operacional.
🧠 Modelo mental#
1. definir el criterio de cohorte según la pregunta → 2. construir la matriz de cohortes con datos propios → 3. comparar en el mismo hito de antigüedad → 4. atribuir diferencias a cambios conocidos → 5. declarar qué cohortes aún no maduranLa 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. El análisis de cohortes requiere volumen suficiente por grupo. Con pocas incorporaciones mensuales, conviene agrupar por trimestre.
📖 Desarrollo#
1. Hito de antigüedad: mecanismo central#
Hito de antigüedad se entiende aquí como punto de comparación medido desde la incorporación y no desde la fecha.
El análisis por cohortes aplicado a la operación comercial responde preguntas que el agregado no puede: si los clientes nuevos se comportan mejor o peor que los anteriores, si una intervención cambió algo, si el deterioro observado es real o sólo efecto de mezcla. Ninguna de esas preguntas tiene respuesta en un promedio, porque el promedio mezcla grupos con historias distintas y presenta el resultado como si describiera a un cliente típico que no existe.
De dónde viene esta afirmación. Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013) aporta la idea que sostiene este bloque: el análisis de cohortes como corrección al promedio que esconde la mezcla. Búscala en el capítulo sobre cohortes y segmentación. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «valor acumulado por cohorte» debería moverse cuando cambie hito de antigüedad, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.
Relaciona el mecanismo con efecto de mezcla. 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. Efecto de mezcla: frontera conceptual y error de clasificación#
Definición operacional: distorsión del agregado producida por cambios en la composición de la base. Su valor está en distinguirlo de hito de antigüedad.
El efecto de mezcla es el fenómeno que más conclusiones falsas produce en analítica comercial: un indicador agregado puede mejorar mientras todos los grupos empeoran, si cambia la proporción entre grupos. Detectarlo requiere descomponer siempre por cohorte antes de concluir sobre una tendencia.
Contraste bibliográfico. Peter Fader — Customer Centricity (2020, 2.ª ed.) aporta aquí una distinción concreta: la heterogeneidad del valor del cliente: no todos valen lo mismo ni deben tratarse igual (los capítulos sobre centricidad en el cliente). Formula dos mini-casos: uno que satisface la definición de efecto de mezcla 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 la matriz de cohortes con datos propios», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.
3. Cohorte de comportamiento: operacionalización y medición#
Cohorte de comportamiento significa agrupación por acción realizada y no sólo por fecha de ingreso.
El hito de antigüedad es la unidad de comparación correcta: comparar todas las cohortes en su tercer mes, no en el mes calendario. Esa alineación permite ver si las cohortes recientes rinden mejor, que es la pregunta de gestión relevante. Compararlas en el mismo mes calendario mezcla antigüedades y no informa.
Ficha de medición obligatoria para valor acumulado por cohorte: margen acumulado por cliente, por cohorte y hito. 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: la evaluación contra una línea base y no contra la nada (los capítulos sobre evaluación de modelos). 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. Maduración: trade-offs y efectos de segundo orden#
Definición: tiempo necesario para que una cohorte permita conclusiones confiables.
Cohortes más finas entregan mayor resolución y grupos más pequeños donde el ruido domina. Con volúmenes bajos, la agregación trimestral o semestral produce lecturas más estables. La elección debe basarse en el volumen disponible y declararse, porque cambiar la granularidad cambia la apariencia de los resultados.
Lo que aporta la fuente. Avinash Kaushik — Web Analytics 2.0 (2009) aporta el criterio para pesar el intercambio: la segmentación como condición para que un promedio signifique algo (el capítulo sobre segmentación de datos). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia cohortes con datos suficientes 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 maduración 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 «declarar qué cohortes aún no maduran», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.
El análisis por cohortes describe lo ocurrido y su capacidad predictiva supone continuidad de las condiciones. Cambios de precio, de segmento o de producto rompen la comparabilidad entre cohortes anteriores y posteriores. Registrar esos cambios en la misma vista es lo que permite interpretar las diferencias correctamente.
Frontera declarada. El análisis de cohortes requiere volumen suficiente por grupo. Con pocas incorporaciones mensuales, conviene agrupar por trimestre. 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: Escalar inversión sobre una economía unitaria que no resiste una revisión financiera. 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 análisis de cohortes aplicado no consiste en sumar definiciones. Empieza por hito de antigüedad, contrasta efecto de mezcla con cohorte de comportamiento, incorpora maduración como restricción y cierra con la medición. Aplica entonces la secuencia completa conservando tres columnas por paso: evidencia utilizada, alternativa descartada y razón del descarte.
Esa disciplina permite que una revisión posterior distinga una mala decisión de un mal resultado. Sin ella, el equipo reescribe la historia después de conocer el desenlace y no aprende nada transferible. Una síntesis correcta indica qué evidencia falta y qué decisión se posterga hasta obtenerla.
📚 Lectura comparada#
No se pide leer las obras completas. Para cada una se indica qué idea concreta sostiene esta clase, dónde buscarla y qué pregunta esa idea le hace a tu propio diagnóstico. La lectura termina cuando puedes responder esa pregunta con evidencia del caso.
| Obra | Idea que sostiene esta clase | Dónde buscarla | Pregunta que le hace a tu diagnóstico |
|---|---|---|---|
| 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 hito de antigüedad si aquí opera «el análisis de cohortes como corrección al promedio que esconde la mezcla»? ¿Y qué observación lo desmentiría en este caso? |
| Peter Fader — Customer Centricity (2020, 2.ª ed.) | La heterogeneidad del valor del cliente: no todos valen lo mismo ni deben tratarse igual | Los capítulos sobre centricidad en el cliente | ¿Qué debería observarse en efecto de mezcla si aquí opera «la heterogeneidad del valor del cliente: no todos valen lo mismo ni deben tratarse igual»? ¿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 cohorte de comportamiento si aquí opera «la evaluación contra una línea base y no contra la nada»? ¿Y qué observación lo desmentiría en este caso? |
| Avinash Kaushik — Web Analytics 2.0 (2009) | La segmentación como condición para que un promedio signifique algo | El capítulo sobre segmentación de datos | ¿Qué debería observarse en maduración si aquí opera «la segmentación como condición para que un promedio signifique algo»? ¿Y qué observación lo desmentiría en este caso? |
Después de leer, escribe una discrepancia real. Al menos dos de estas obras entregan recomendaciones que no coinciden cuando se aplican al mismo caso; identifica cuáles y qué condición del caso decide a favor de una. Si no encuentras la discrepancia, es señal de que leíste buscando confirmación.
La lectura se evalúa por uso, no por cantidad de páginas. La nota de lectura debe indicar qué tesis modifica tu diagnóstico, qué evidencia del caso la tensiona y qué decisión concreta cambiarías después del contraste.
🧮 Ejemplo trabajado#
Situación. El ingreso promedio por cliente de Ruta Andina sube. Al analizar por cohorte se ve que las cohortes nuevas valen menos y el promedio sube porque las antiguas expandieron.
Paso 1 — Definir el criterio de cohorte según la pregunta. El equipo escribe primero el supuesto asociado a hito de antigüedad y se prohíbe tratarlo como hecho. Contrasta ese supuesto con valor acumulado por cohorte 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 la matriz de cohortes con datos propios. El trabajo aquí es separar lo observado de lo inferido sobre efecto de mezcla. La evidencia que ordena la discusión es tendencia entre cohortes; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.
Paso 3 — Comparar en el mismo hito de antigüedad. El riesgo de este paso es cerrar demasiado rápido alrededor de cohorte de comportamiento. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si cohortes con datos suficientes logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.
Paso 4 — Atribuir diferencias a cambios conocidos. Con maduración ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. valor acumulado por cohorte entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.
Paso 5 — Declarar qué cohortes aún no maduran. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a hito de antigüedad. tendencia entre cohortes 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 hito de antigüedad | Punto de comparación medido desde la incorporación y no desde la fecha | Cuando valor acumulado por cohorte es observable y accionable en el plazo de la decisión. | Sobrerreaccionar a una señal parcial. |
| Actuar sobre efecto de mezcla | Distorsión del agregado producida por cambios en la composición de la base | 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. El análisis de cohortes requiere volumen suficiente por grupo. Con pocas incorporaciones mensuales, conviene agrupar por trimestre.
🪜 El mismo tema según el rol#
| Nivel | Responsabilidad sobre análisis de cohortes aplicado |
|---|---|
| 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 Marketing analyst, Revenue analyst y Data-driven marketer. |
| Dirección comercial (CRO/CMO) | Decide si esto cambia la estrategia de ingresos y qué llega al directorio. |
| Founder / dueño | Pregunta si la solución reduce dependencia de personas, preserva caja y puede operar como sistema repetible. |
Al subir de nivel aumentan las personas, el dinero y las consecuencias que quedan dentro de la decisión. La misma herramienta debe volverse más explícita en evidencia, gobierno y revisión a medida que crece el alcance.
🏢 Caso ejecutivo#
El ingreso promedio por cliente de Ruta Andina sube. Al analizar por cohorte se ve que las cohortes nuevas valen menos y el promedio sube porque las antiguas expandieron.
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 definir el criterio de cohorte según la pregunta → construir la matriz de cohortes con datos propios → comparar en el mismo hito de antigüedad → atribuir diferencias a cambios conocidos → declarar qué cohortes aún no maduran 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 valor acumulado por cohorte; 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 Lean Analytics y la de Customer Centricity, 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 hito de antigüedad y efecto de mezcla como sinónimos | Se perdió la distinción entre «punto de comparación medido desde la incorporación y no desde la fecha» y «distorsión del agregado producida por cambios en la composición de la base» | Vuelve a los observables y exige una señal distinta para cada concepto. |
| Empezar por «declarar qué cohortes aún no maduran» | Se saltó «definir el criterio de cohorte según la pregunta»: la solución llegó antes que el diagnóstico | Reconstruye la cadena completa y marca el primer supuesto no demostrado. |
| Optimizar sólo valor acumulado por cohorte | La métrica local reemplazó al resultado del sistema | Contrástala con cohortes con datos suficientes y explicita el costo de oportunidad. |
| Comparar cohortes en la misma fecha calendario | Error específico de esta clase | Compara siempre en el mismo hito de antigüedad desde la incorporación. |
| 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 hito de antigüedad y efecto de mezcla con un ejemplo donde elegir mal cambie la decisión.
- ¿Qué observarías para validar cohorte de comportamiento y qué observación te obligaría a rechazar tu interpretación?
- Aplica «definir el criterio de cohorte según la pregunta» al caso de la clase. ¿Qué dato sigue faltando?
- ¿Por qué valor acumulado por cohorte 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: «El análisis de cohortes requiere volumen suficiente por grupo. Con pocas incorporaciones mensuales, conviene agrupar por trimestre»?
🗝️ 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 cohorte de comportamiento 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 valor acumulado por cohorte. |
| 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 Lean Analytics y Web Analytics 2.0. |
| 6 | Describe la decisión equivocada concreta —qué se haría de más o de menos— y quién pagaría el costo. Un límite que no produce una decisión distinta no está operando como límite. |
Si tres o más respuestas no alcanzan el criterio, no sigas a la clase siguiente: repite el desarrollo con el caso en la mano. Avanzar con la definición floja es lo que produce, más adelante, decisiones que nadie puede auditar.
🇨🇱 Contexto chileno y cumplimiento#
Riesgo asociado a esta parte: Escalar inversión sobre una economía unitaria que no resiste una revisión financiera. 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/P20-C07-cohort-analysis/:
decision-brief.md— problema, evidencia, alternativas, recomendación y gobierno.ficha-metricas.md— definición operacional de valor acumulado por cohorte, tendencia entre cohortes y cohortes con datos suficientes 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: caso analítico integral con árbol de métricas, cohortes, incrementalidad y dashboard ejecutivo.
✅ 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.
- 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.
- Peter Fader — Customer Centricity (2020, 2.ª ed.) · ISBN 9781613631447 — aporta a esta clase: la heterogeneidad del valor del cliente: no todos valen lo mismo ni deben tratarse igual. Dónde buscarlo: los capítulos sobre centricidad en el cliente. 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.
- Avinash Kaushik — Web Analytics 2.0 (2009) · ISBN 9780470596425 — aporta a esta clase: la segmentación como condición para que un promedio signifique algo. Dónde buscarlo: el capítulo sobre segmentación de datos. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Estándar pedagógico del programa: Susan A. Ambrose et al. — How Learning Works (2010); Peter C. Brown, Henry L. Roediger III y Mark A. McDaniel — Make It Stick (2014); Grant Wiggins y Jay McTighe — Understanding by Design (2005, 2.ª ed.); Anders Ericsson y Robert Pool — Peak (2016); William Ellet — The Case Study Handbook (2018, ed. revisada).
Regla de fuentes. Las obras anteriores estructuran las perspectivas de esta materia. Cualquier norma, impuesto, tarifa, política de plataforma o estándar vivo mencionado debe comprobarse nuevamente en su fuente primaria vigente antes de usarse en una operación real. El desarrollo de esta clase es original y no reproduce capítulos protegidos por derechos de autor.
Sobre la edición. No busques estas obras sólo por el título: distintas ediciones cambian capítulos y ejemplos, y los anclajes de arriba están hechos sobre la que declara el registro de fuentes. La bibliografía completa de la parte, con todas sus obras, está en su índice.
← Clase 06 · Margen de contribución · Índice de la parte · Clase 08 · Modelos de atribución →