Clase 20.14 — Caso analítico integral#

Clase 14 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 20.13, Dashboards ejecutivos: 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 cifras trazables 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 formulación del problema de negocio como problema de datos antes de elegir técnica — Foster Provost y Tom Fawcett. 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 análisis completo: árbol de métricas, economía unitaria por segmento, cohortes, atribución contrastada, incrementalidad donde corresponda y una recomendación de asignación. La prueba de calidad es la auditabilidad: cada cifra debe poder rastrearse hasta su fuente y cada supuesto debe estar declarado.

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 caso analítico integral 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 análisis auditable, supuesto declarado, recomendación de asignación y condición de revisión. 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 análisis auditable, supuesto declarado, recomendación de asignación y condición de revisión por 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 construir el árbol y la economía unitaria por segmento → analizar cohortes y contrastar modelos de atribución → verificar causalidad donde la decisión lo justifique → formular la recomendación con supuestos declarados → definir la condición que la haría cambiar conservando supuestos, alternativas descartadas y trazabilidad.
Operacionalizar cifras trazables, supuestos declarados y decisiones adoptadas 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 análisis auditable y supuesto declarado 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 cifras trazables: 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
análisis auditable	estudio donde cada cifra puede rastrearse hasta su fuente	Indica qué dato tendrías que ver para afirmarlo en una reunión de comité.
supuesto declarado	afirmación no verificada que se explicita junto al resultado	Traduce el concepto en una pregunta que puedas hacerle a un cliente real.
recomendación de asignación	propuesta de distribución de recursos derivada del análisis	Da un hecho compatible con la definición y otro que la refute.
condición de revisión	resultado que obligaría a modificar la recomendación	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 árbol y la economía unitaria por segmento → 2. analizar cohortes y contrastar modelos de atribución → 3. verificar causalidad donde la decisión lo justifique → 4. formular la recomendación con supuestos declarados → 5. definir la condición que la haría cambiar

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 análisis impecable no elimina la incertidumbre ni sustituye la decisión. Su función es hacer explícito el razonamiento y sus límites.

📖 Desarrollo#

1. Análisis auditable: mecanismo central#

Análisis auditable se entiende aquí como estudio donde cada cifra puede rastrearse hasta su fuente.

Un análisis comercial integral se juzga por su auditabilidad: si otra persona, con los mismos datos, puede reconstruir el camino y llegar a conclusiones comparables. Esa propiedad exige conservar los pasos intermedios y no sólo el resultado, y es lo que distingue un análisis de una presentación.

De dónde viene esta afirmación. Foster Provost y Tom Fawcett — Data Science for Business (2013) aporta la idea que sostiene este bloque: la formulación del problema de negocio como problema de datos antes de elegir técnica. Búscala en los capítulos iniciales sobre pensamiento analítico. Aplicada a esta clase, esa idea predice algo verificable: si es correcta, «cifras trazables» debería moverse cuando cambie análisis auditable, y no debería moverse cuando cambie el resto. Ese es el contraste que tienes que montar antes de recomendar nada.

Relaciona el mecanismo con supuesto declarado. 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. Supuesto declarado: frontera conceptual y error de clasificación#

Definición operacional: afirmación no verificada que se explicita junto al resultado. Su valor está en distinguirlo de análisis auditable.

El supuesto declarado es la unidad de honestidad del análisis. Todo trabajo relevante contiene supuestos —de atribución, de permanencia, de comparabilidad— y ocultarlos no los elimina, sólo impide discutirlos. Listarlos al inicio, con su justificación, mejora la calidad de la discusión y protege al analista.

Contraste bibliográfico. Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013) aporta aquí una distinción concreta: la línea trazada de antemano: qué valor haría considerar exitoso el experimento (los capítulos sobre definir el éxito). Formula dos mini-casos: uno que satisface la definición de supuesto declarado 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 «analizar cohortes y contrastar modelos de atribución», registra explícitamente qué decisión sería errónea si esta frontera se ignora. Esa frase convierte el vocabulario en criterio de gestión.

3. Recomendación de asignación: operacionalización y medición#

Recomendación de asignación significa propuesta de distribución de recursos derivada del análisis.

La recomendación de asignación debe expresarse como decisión y no como observación: cuánto mover, desde dónde, hacia dónde y con qué criterio de revisión. Un análisis que termina describiendo la situación deja la parte difícil a quien tiene menos información, que es exactamente al revés de lo que corresponde.

Ficha de medición obligatoria para cifras trazables: cifras con fuente identificada, sobre cifras del análisis. 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. Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020) pone una condición sobre la medición: la ley de Twyman: un resultado sorprendentemente bueno suele ser un error de medición (los capítulos sobre interpretación de resultados). 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. Condición de revisión: trade-offs y efectos de segundo orden#

Definición: resultado que obligaría a modificar la recomendación.

Un análisis exhaustivo cubre más y llega tarde; uno rápido llega a tiempo y omite. Como las decisiones tienen fecha, la profundidad debe ajustarse al plazo disponible y las omisiones deben declararse. Entregar tarde un análisis perfecto es una forma de no participar en la decisión.

Lo que aporta la fuente. Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.) aporta el criterio para pesar el intercambio: el valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir (los capítulos sobre el valor de la medición). Úsalo para construir una matriz beneficio esperado / costo / reversibilidad / afectado / señal temprana. La evidencia decisiones adoptadas 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 condición de revisión 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 «definir la condición que la haría cambiar», deja una traza que permita a otra persona reconstruir por qué la decisión parecía razonable con la información disponible en ese momento.

La condición de revisión cierra el trabajo: qué evidencia futura obligaría a revisar la recomendación y cuándo se volverá a mirar. Sin ella, la decisión queda vigente por inercia y el análisis se convierte en una justificación permanente en lugar de una recomendación con horizonte.

Frontera declarada. Un análisis impecable no elimina la incertidumbre ni sustituye la decisión. Su función es hacer explícito el razonamiento y sus límites. 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 caso analítico integral no consiste en sumar definiciones. Empieza por análisis auditable, contrasta supuesto declarado con recomendación de asignación, incorpora condición de revisión 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
Foster Provost y Tom Fawcett — Data Science for Business (2013)	La formulación del problema de negocio como problema de datos antes de elegir técnica	Los capítulos iniciales sobre pensamiento analítico	¿Qué debería observarse en análisis auditable si aquí opera «la formulación del problema de negocio como problema de datos antes de elegir técnica»? ¿Y qué observación lo desmentiría en este caso?
Alistair Croll y Benjamin Yoskovitz — Lean Analytics (2013)	La línea trazada de antemano: qué valor haría considerar exitoso el experimento	Los capítulos sobre definir el éxito	¿Qué debería observarse en supuesto declarado si aquí opera «la línea trazada de antemano: qué valor haría considerar exitoso el experimento»? ¿Y qué observación lo desmentiría en este caso?
Ron Kohavi, Diane Tang y Ya Xu — Trustworthy Online Controlled Experiments (2020)	La ley de Twyman: un resultado sorprendentemente bueno suele ser un error de medición	Los capítulos sobre interpretación de resultados	¿Qué debería observarse en recomendación de asignación si aquí opera «la ley de Twyman: un resultado sorprendentemente bueno suele ser un error de medición»? ¿Y qué observación lo desmentiría en este caso?
Douglas W. Hubbard — How to Measure Anything (2014, 3.ª ed.)	El valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir	Los capítulos sobre el valor de la medición	¿Qué debería observarse en condición de revisión si aquí opera «el valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir»? ¿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 directorio de Ruta Andina debe decidir la asignación de CLP 120 millones entre adquisición, retención y producto. Requiere un análisis que resista preguntas de un director financiero.

Paso 1 — Construir el árbol y la economía unitaria por segmento. El equipo escribe primero el supuesto asociado a análisis auditable y se prohíbe tratarlo como hecho. Contrasta ese supuesto con cifras trazables 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 — Analizar cohortes y contrastar modelos de atribución. El trabajo aquí es separar lo observado de lo inferido sobre supuesto declarado. La evidencia que ordena la discusión es supuestos declarados; si su definición no está escrita, escribirla es parte del paso. Nada avanza mientras el equipo no acuerde qué contaría como refutación.

Paso 3 — Verificar causalidad donde la decisión lo justifique. El riesgo de este paso es cerrar demasiado rápido alrededor de recomendación de asignación. Antes de concluir, el equipo enumera dos explicaciones alternativas del mismo patrón y revisa si decisiones adoptadas logra distinguirlas. Si no lo logra, hace falta otra evidencia y así debe quedar registrado.

Paso 4 — Formular la recomendación con supuestos declarados. Con condición de revisión ya delimitado, la pregunta pasa a ser de consecuencia: qué cambia en la operación, en la caja y en la carga del equipo. cifras trazables entrega la lectura cuantitativa; el juicio sobre el costo de oportunidad sigue siendo humano y debe quedar firmado.

Paso 5 — Definir la condición que la haría cambiar. El cierre exige compromiso: responsable, fecha, umbral de éxito y condición de detención asociados a análisis auditable. supuestos declarados 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 análisis auditable	Estudio donde cada cifra puede rastrearse hasta su fuente	Cuando cifras trazables es observable y accionable en el plazo de la decisión.	Sobrerreaccionar a una señal parcial.
Actuar sobre supuesto declarado	Afirmación no verificada que se explicita junto al resultado	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 análisis impecable no elimina la incertidumbre ni sustituye la decisión. Su función es hacer explícito el razonamiento y sus límites.

🪜 El mismo tema según el rol#

Nivel	Responsabilidad sobre caso analítico integral
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 directorio de Ruta Andina debe decidir la asignación de CLP 120 millones entre adquisición, retención y producto. Requiere un análisis que resista preguntas de un director financiero.

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 árbol y la economía unitaria por segmento → analizar cohortes y contrastar modelos de atribución → verificar causalidad donde la decisión lo justifique → formular la recomendación con supuestos declarados → definir la condición que la haría cambiar 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 cifras trazables; 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 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 análisis auditable y supuesto declarado como sinónimos	Se perdió la distinción entre «estudio donde cada cifra puede rastrearse hasta su fuente» y «afirmación no verificada que se explicita junto al resultado»	Vuelve a los observables y exige una señal distinta para cada concepto.
Empezar por «definir la condición que la haría cambiar»	Se saltó «construir el árbol y la economía unitaria por segmento»: la solución llegó antes que el diagnóstico	Reconstruye la cadena completa y marca el primer supuesto no demostrado.
Optimizar sólo cifras trazables	La métrica local reemplazó al resultado del sistema	Contrástala con decisiones adoptadas y explicita el costo de oportunidad.
Presentar conclusiones sin trazabilidad de las cifras	Error específico de esta clase	Adjunta la fuente de cada cifra y la lista de supuestos con su nivel de evidencia.
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 análisis auditable y supuesto declarado con un ejemplo donde elegir mal cambie la decisión.
¿Qué observarías para validar recomendación de asignación y qué observación te obligaría a rechazar tu interpretación?
Aplica «construir el árbol y la economía unitaria por segmento» al caso de la clase. ¿Qué dato sigue faltando?
¿Por qué cifras trazables 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 análisis impecable no elimina la incertidumbre ni sustituye la decisión. Su función es hacer explícito el razonamiento y sus límites»?

🗝️ 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 recomendación de asignación 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 cifras trazables.
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-C14-caso-analitico-integral/:

decision-brief.md — problema, evidencia, alternativas, recomendación y gobierno.
ficha-metricas.md — definición operacional de cifras trazables, supuestos declarados y decisiones adoptadas 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 formulación del problema de negocio como problema de datos antes de elegir técnica. Dónde buscarlo: los capítulos iniciales sobre pensamiento analítico. 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: la línea trazada de antemano: qué valor haría considerar exitoso el experimento. Dónde buscarlo: los capítulos sobre definir el éxito. 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: la ley de Twyman: un resultado sorprendentemente bueno suele ser un error de medición. Dónde buscarlo: los capítulos sobre interpretación de resultados. 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: el valor esperado de la información: cuánto vale reducir la incertidumbre antes de medir. Dónde buscarlo: los capítulos sobre el valor de 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 13 · Dashboards ejecutivos · Índice de la parte