Clase 20.12 — Fundamentos de marketing mix modeling#
Clase 12 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 20.11, Proyección de resultados: 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 historia disponible con la que calcular una línea base: sin ella podrás discutir el concepto, pero no comprobar si tu decisión mejora algo. Ten también dónde escribir —planilla o cuaderno— y, de la lectura comparada, al menos el índice y los capítulos que se indican al pie.
Calcula 150 minutos de trabajo dirigido más una hora de lectura selectiva. Sabrás que terminaste cuando exista el entregable y puedas responder las seis preguntas de comprobación sin volver al texto; si tienes el entregable pero no las respuestas, lo que produjiste es un documento, no un criterio.
Lee el propósito y la agenda antes que el desarrollo. La agenda dice qué debe salir de cada tramo, y el desarrollo se entiende mejor cuando ya sabes qué artefacto tiene que producir. No avances de sección sin escribir algo: este material está hecho para dejar decisiones documentadas, no notas de lectura.
La idea que ordena la sesión. La distinción entre correlación observada y causalidad y qué exige cada una — Foster Provost y Tom Fawcett. Todo lo demás en esta clase existe para poner esa idea a prueba contra un caso concreto.
🎯 Propósito#
El modelado de mezcla de marketing estima el efecto de cada inversión sobre las ventas usando datos agregados y series temporales, sin depender de identificadores individuales. Eso lo hace atractivo en un contexto de restricciones de privacidad. Sus exigencias son altas: requiere historia suficiente, variación real en las inversiones y control de factores externos. Sin esas condiciones, produce coeficientes sin sentido.
La clase trata el tema como un problema de evidencia y de consecuencia, no como vocabulario. La parte 20 busca sostener decisiones de ingreso con métricas correctamente construidas; en esta clase esa progresión se concreta exigiendo que toda afirmación sobre fundamentos de marketing mix modeling 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 modelo agregado, variación necesaria, factor externo y saturación. 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 agregado,variación necesaria,factor externoysaturaciónpor 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 verificar la disponibilidad de historia y de variación → identificar los factores externos relevantes → estimar el modelo con validación fuera de muestra → interpretar los coeficientes con cautela → contrastar con experimentos de incrementalidad conservando supuestos, alternativas descartadas y trazabilidad.
- Operacionalizar historia disponible, variación del gasto por canal y capacidad predictiva fuera de muestra 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 agregado y variación necesaria 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 historia disponible: 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 agregado | estimación basada en series temporales y no en datos individuales | Explica qué decisión cambiaría si el concepto estuviera ausente. |
| variación necesaria | cambios en el gasto que permiten identificar el efecto de cada canal | Construye un caso límite donde el concepto se confunde con el anterior. |
| factor externo | variable no controlada que afecta las ventas y debe incluirse | Indica qué dato tendrías que ver para afirmarlo en una reunión de comité. |
| saturación | punto donde la inversión adicional produce retornos decrecientes | 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. verificar la disponibilidad de historia y de variación → 2. identificar los factores externos relevantes → 3. estimar el modelo con validación fuera de muestra → 4. interpretar los coeficientes con cautela → 5. contrastar con experimentos de incrementalidadLa 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 modelado agregado requiere volumen y estabilidad organizacional. En empresas pequeñas con pocos meses de historia, la inversión no se justifica.
📖 Desarrollo#
1. Modelo agregado: mecanismo central#
Modelo agregado se entiende aquí como estimación basada en series temporales y no en datos individuales.
El modelado de la mezcla de marketing estima la contribución de cada inversión al resultado usando datos agregados en el tiempo, sin depender del seguimiento individual. Esa independencia lo ha vuelto atractivo con las restricciones crecientes de medición, y también reintroduce dificultades que el seguimiento individual permitía ignorar.
De dónde viene esta afirmación. Foster Provost y Tom Fawcett — Data Science for Business (2013) aporta la idea que sostiene este bloque: la distinción entre correlación observada y causalidad y qué exige cada una. Búscala en los capítulos sobre inferencia y sesgo. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «historia disponible» debería moverse cuando cambie modelo agregado, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.
Relaciona el mecanismo con variación necesaria. Si ambos se mueven juntos no concluyas causalidad: nombra una tercera variable capaz de explicar el mismo patrón. El resultado de este bloque debe ser una hipótesis refutable, no una recomendación anticipada.
2. Variación necesaria: frontera conceptual y error de clasificación#
Definición operacional: cambios en el gasto que permiten identificar el efecto de cada canal. Su valor está en distinguirlo de modelo agregado.
La variación necesaria es su condición fundamental: si la inversión en un canal fue constante durante todo el periodo, el modelo no puede estimar su efecto. Esa limitación es matemática y no se resuelve con más datos. Planificar variación deliberada en la inversión es lo que hace posible el modelado posterior.
Contraste bibliográfico. Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) aporta aquí una distinción concreta: las condiciones que hacen confiable un experimento en línea (los capítulos sobre experimentos confiables). Formula dos mini-casos: uno que satisface la definición de variación necesaria y otro que sólo se le parece en la superficie; después decide cuál de los dos describiría esa obra con su propio vocabulario. Si la obra no permite separarlos, la distinción es tuya y tienes que sostenerla con evidencia del caso, no con la cita.
Antes de pasar a «identificar los factores externos relevantes», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.
3. Factor externo: operacionalización y medición#
Factor externo significa variable no controlada que afecta las ventas y debe incluirse.
Los factores externos —estacionalidad, precio, competencia, contexto económico— deben incorporarse o el modelo atribuirá al marketing lo que produjeron ellos. En Chile, además, los efectos estacionales de enero y febrero son marcados en varios sectores y omitirlos distorsiona cualquier estimación.
Ficha de medición obligatoria para historia disponible: meses de datos comparables, comparados con el mínimo requerido. 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. Les Binet y Peter Field — The Long and the Short of It (2013) pone una condición sobre la medición: los efectos de corto plazo decaen; los de marca se acumulan y bajan la elasticidad de precio (los capítulos sobre curvas de respuesta en el tiempo). 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. Saturación: trade-offs y efectos de segundo orden#
Definición: punto donde la inversión adicional produce retornos decrecientes.
Un modelo agregado captura efectos de largo plazo que el seguimiento individual pierde, y no permite optimizar a nivel de campaña. Ambos enfoques son complementarios y responden preguntas distintas. Presentar uno como sustituto del otro produce expectativas que no se cumplirán.
Lo que aporta la fuente. Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.) aporta el criterio para pesar el intercambio: medir es reducir incertidumbre, no eliminarla (los capítulos que redefinen la medición). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia capacidad predictiva fuera de muestra 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 saturación 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 «contrastar con experimentos de incrementalidad», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.
La saturación —el punto donde la inversión adicional rinde cada vez menos— es uno de los aportes más útiles del método y también uno de los más sensibles a la especificación. Estimarla exige haber observado niveles de inversión suficientemente distintos; sin esa variación, la curva estimada es poco más que el supuesto que se impuso.
Frontera declarada. El modelado agregado requiere volumen y estabilidad organizacional. En empresas pequeñas con pocos meses de historia, la inversión no se justifica. 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 fundamentos de marketing mix modeling no consiste en sumar definiciones. Empieza por modelo agregado, contrasta variación necesaria con factor externo, incorpora saturación 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 |
|---|---|---|---|
| Foster Provost y Tom Fawcett — Data Science for Business (2013) | La distinción entre correlación observada y causalidad y qué exige cada una | Los capítulos sobre inferencia y sesgo | ¿Qué debería observarse en modelo agregado si aquí opera «la distinción entre correlación observada y causalidad y qué exige cada una»? ¿Y qué observación lo desmentiría en este caso? |
| Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) | Las condiciones que hacen confiable un experimento en línea | Los capítulos sobre experimentos confiables | ¿Qué debería observarse en variación necesaria si aquí opera «las condiciones que hacen confiable un experimento en línea»? ¿Y qué observación lo desmentiría en este caso? |
| Les Binet y Peter Field — The Long and the Short of It (2013) | Los efectos de corto plazo decaen; los de marca se acumulan y bajan la elasticidad de precio | Los capítulos sobre curvas de respuesta en el tiempo | ¿Qué debería observarse en factor externo si aquí opera «los efectos de corto plazo decaen; los de marca se acumulan y bajan la elasticidad de precio»? ¿Y qué observación lo desmentiría en este caso? |
| Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.) | Medir es reducir incertidumbre, no eliminarla | Los capítulos que redefinen la medición | ¿Qué debería observarse en saturación si aquí opera «medir es reducir incertidumbre, no eliminarla»? ¿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 tiene 19 meses de historia y ha mantenido el mismo presupuesto por canal todo ese tiempo. Sin variación, el modelo no puede identificar efectos separados.
Paso 1 — Verificar la disponibilidad de historia y de variación. El equipo escribe primero el supuesto asociado a modelo agregado y se prohíbe tratarlo como hecho. Contrasta ese supuesto con historia disponible y anota qué parte del dato todavía no existe. Del paso sale un artefacto revisable y una frase explícita: «cambiaríamos de rumbo si…».
Paso 2 — Identificar los factores externos relevantes. El trabajo aquí es separar lo observado de lo inferido sobre variación necesaria. La evidencia que ordena la discusión es variación del gasto por canal; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.
Paso 3 — Estimar el modelo con validación fuera de muestra. El riesgo de este paso es cerrar demasiado rápido alrededor de factor externo. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si capacidad predictiva fuera de muestra logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.
Paso 4 — Interpretar los coeficientes con cautela. Con saturación ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. historia disponible entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.
Paso 5 — Contrastar con experimentos de incrementalidad. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a modelo agregado. variación del gasto por canal 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 agregado | Estimación basada en series temporales y no en datos individuales | Cuando historia disponible es observable y accionable en el plazo de la decisión. | Sobrerreaccionar a una señal parcial. |
| Actuar sobre variación necesaria | Cambios en el gasto que permiten identificar el efecto de cada canal | 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 modelado agregado requiere volumen y estabilidad organizacional. En empresas pequeñas con pocos meses de historia, la inversión no se justifica.
🪜 El mismo tema según el rol#
| Nivel | Responsabilidad sobre fundamentos de marketing mix modeling |
|---|---|
| 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#
Ruta Andina tiene 19 meses de historia y ha mantenido el mismo presupuesto por canal todo ese tiempo. Sin variación, el modelo no puede identificar efectos separados.
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 verificar la disponibilidad de historia y de variación → identificar los factores externos relevantes → estimar el modelo con validación fuera de muestra → interpretar los coeficientes con cautela → contrastar con experimentos de incrementalidad 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 historia disponible; 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 Data Science for Business y la de Trustworthy Online Controlled Experiments, y registra una coincidencia y una tensión con tu diagnóstico. | La tabla de lectura comparada | La nota de lectura cita qué idea usaste y qué decisión cambió por ella, o declara que ninguna cambió y por qué. |
| 6 | Subir de nivel | Rehaz la decisión desde la dirección comercial: qué cambia al aumentar alcance, dinero e irreversibilidad. | El brief completo | El brief indica qué parte de la decisión ya no corresponde al analista y a quién pasa. |
Si te atascas. El bloqueo más común no es de método sino de definición: vuelve a la tabla de conceptos y comprueba que puedes clasificar un caso límite sin dudar. Si dudas, el problema está ahí y no en el paso que estabas ejecutando.
⚠️ Errores frecuentes#
| Síntoma | Causa probable | Corrección |
|---|---|---|
| Usar modelo agregado y variación necesaria como sinónimos | Se perdió la distinción entre «estimación basada en series temporales y no en datos individuales» y «cambios en el gasto que permiten identificar el efecto de cada canal» | Vuelve a los observables y exige una señal distinta para cada concepto. |
| Empezar por «contrastar con experimentos de incrementalidad» | Se saltó «verificar la disponibilidad de historia y de variación»: la solución llegó antes que el diagnóstico | Reconstruye la cadena completa y marca el primer supuesto no demostrado. |
| Optimizar sólo historia disponible | La métrica local reemplazó al resultado del sistema | Contrástala con capacidad predictiva fuera de muestra y explicita el costo de oportunidad. |
| Estimar el modelo sin variación en las inversiones | Error específico de esta clase | Verifica que exista variación suficiente por canal antes de invertir en el modelado. |
| 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 agregado y variación necesaria con un ejemplo donde elegir mal cambie la decisión.
- ¿Qué observarías para validar factor externo y qué observación te obligaría a rechazar tu interpretación?
- Aplica «verificar la disponibilidad de historia y de variación» al caso de la clase. ¿Qué dato sigue faltando?
- ¿Por qué historia disponible 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 modelado agregado requiere volumen y estabilidad organizacional. En empresas pequeñas con pocos meses de historia, la inversión no se justifica»?
🗝️ 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 factor externo 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 historia disponible. |
| 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 Data Science for Business y How to Measure Anything. |
| 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-C12-marketing-mix-modeling-fundamentos/:
decision-brief.md— problema, evidencia, alternativas, recomendación y gobierno.ficha-metricas.md— definición operacional de historia disponible, variación del gasto por canal y capacidad predictiva fuera de muestra 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.
- Foster Provost y Tom Fawcett — Data Science for Business (2013) · ISBN 9781449374280 — aporta a esta clase: la distinción entre correlación observada y causalidad y qué exige cada una. Dónde buscarlo: los capítulos sobre inferencia y sesgo. 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 condiciones que hacen confiable un experimento en línea. Dónde buscarlo: los capítulos sobre experimentos confiables. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
- Les Binet y Peter Field — The Long and the Short of It (2013) · ISBN 9780852941348 — aporta a esta clase: los efectos de corto plazo decaen; los de marca se acumulan y bajan la elasticidad de precio. Dónde buscarlo: los capítulos sobre curvas de respuesta en el tiempo. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
- Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.) · ISBN 9781118836446 — aporta a esta clase: medir es reducir incertidumbre, no eliminarla. Dónde buscarlo: los capítulos que redefinen la medición. Acceso: comprar o biblioteca. Registra edición y páginas consultadas en tu nota de lectura.
Estándar pedagógico del programa: Susan A. Ambrose et al. — How Learning Works (2010); Peter C. Brown, Henry L. Roediger III y Mark A. McDaniel — Make It Stick (2014); Grant Wiggins y Jay McTighe — Understanding by Design (2005, 2.ª ed.); Anders Ericsson y Robert Pool — Peak (2016); William Ellet — The Case Study Handbook (2018, ed. revisada).
Regla de fuentes. Las obras anteriores estructuran las perspectivas de esta materia. Cualquier norma, impuesto, tarifa, política de plataforma o estándar vivo mencionado debe comprobarse nuevamente en su fuente primaria vigente antes de usarse en una operación real. El desarrollo de esta clase es original y no reproduce capítulos protegidos por derechos de autor.
Sobre la edición. No busques estas obras sólo por el título: distintas ediciones cambian capítulos y ejemplos, y los anclajes de arriba están hechos sobre la que declara el registro de fuentes. La bibliografía completa de la parte, con todas sus obras, está en su índice.
← Clase 11 · Proyección de resultados · Índice de la parte · Clase 13 · Dashboards ejecutivos →