AVANZADO · 8 MÓDULOS · 64 LECCIONES
Métricas y reportes para dirección
Quien lidera producto o ingeniería termina frente a dirección y al board con un tablero en la mano. Esta guía te enseña a armar ese tablero y a defenderlo: separar las métricas que deciden de las que solo adornan, leer un funnel y una tabla de cohortes sin que el promedio te engañe, elegir una North Star con su árbol de métricas y sus guardrails, saber qué pedirle a tu equipo que mida y, sobre todo, leer el resultado de un experimento A/B sin engañarte: significancia, intervalo de confianza, tamaño de muestra, peeking y comparaciones múltiples, explicados para decidir y no para programar. Lo aprendes como Head of Product de **Brava Fit**, una app de entrenamiento en casa por suscripción con 400 mil suscriptores en Latinoamérica y una base que dejó de crecer. El Head of Growth anuncia que el nuevo onboarding con IA "sube la activación +12%" y quiere lanzarlo a todos el lunes, y la CEO te pide dos cosas: decirle si debe creerle y llevar al board un tablero que deje de ser una lista de números bonitos. Módulo a módulo armas la respuesta: una auditoría del tablero actual, la vista de funnel y de cohortes, la North Star con sus guardrails, la revisión del experimento, la lectura de sus resultados, la auditoría de trampas y el reporte final que cuenta el impacto con honestidad. No hay código que escribir. Las cuentas se hacen en tablas y a mano, solo donde ayudan a decidir, y las fuentes vienen con su fecha.
- Necesitas
- Haber visto un tablero de producto o un reporte de resultados; no hace falta saber estadística ni programar

Lo que vas a aprender
- 01Separar las métricas accionables de las de vanidad y decidir qué entra al tablero para dirección
- 02Leer un funnel y una tabla de cohortes para encontrar dónde actuar y qué esconde el promedio
- 03Elegir una North Star, construir su árbol de métricas y protegerla con guardrails, incluidas las de una función de IA
- 04Especificar qué pedirle al equipo que mida, con una ficha por métrica
- 05Revisar el plan de un experimento A/B antes de creerle: control, aleatorización, métrica primaria y lift
- 06Leer un p-value y un intervalo de confianza sin malinterpretarlos y distinguir lo significativo de lo que importa al negocio
- 07Detectar las trampas que hacen parecer bueno un resultado: muestra insuficiente, peeking, comparaciones múltiples y la paradoja de Simpson
- 08Reportar el impacto a dirección y al board con honestidad, aunque el número no sea el que todos esperaban
Para quién es
- 01Heads of product, directores y VPs de producto o ingeniería que reportan resultados a dirección
- 02CTOs de startup y fundadores técnicos que llevan métricas al board
- 03Tech leads y engineering managers que tienen que decidir con los datos que les trae su equipo
Temario
01Qué mide un tablero para dirección
- Introducción: ¿le crees al +12%?
- Métricas que deciden contra métricas que adornan
- Tasas, no totales
- HEART como lista de chequeo de experiencia
- AARRR para ver dónde mira el tablero y dónde no
- El árbol de métricas: de MRR a lo que el equipo mueve
- Qué hace buena a una métrica y qué pedirle al equipo que mida
- Proyecto: auditoría del tablero actual
02Leer un funnel
- Introducción: ¿en qué paso vive el +12%?
- Qué es un funnel: el recorrido de prueba gratis de Brava Fit
- La conversión de cada paso
- La conversión global: el 12% y lo que no te dice
- Dónde se cae más: en personas, en tasa y en dinero
- Conversiones intermedias contra la conversión que paga
- Leer un funnel en contexto: canal, enero, ventanas y mezcla
- Proyecto: la vista de funnel del tablero
03Cohortes: lo que el promedio esconde
- Introducción: lo que el promedio esconde
- Qué es una cohorte
- La curva de retención
- La meseta de retención
- Por qué mienten los promedios: la cohorte de enero
- Leer una tabla de cohortes: filas, columnas y diagonales
- La retención como valor: de la curva a USD 60
- Proyecto: la vista de retención por cohortes del tablero
05Leer un experimento A/B: lo básico
- Introducción: ¿el experimento de Growth está bien planteado?
- Correlación no es causa
- Control y variante
- Aleatorización y el desbalance de muestra
- La hipótesis: qué se espera y qué la refutaría
- Medir el lift: puntos contra relativo
- Lo que un experimento A/B no puede responder
- Proyecto: revisar el plan del experimento antes de creerle
06¿Real o azar? Significancia para decidir
07Tamaño de muestra y trampas que engañan
- Introducción: por qué este experimento no podía responder
- El efecto mínimo detectable
- Tamaño de muestra y potencia
- El problema de mirar antes de tiempo
- Comparaciones múltiples
- La paradoja de Simpson
- Pruebas secuenciales y CUPED: ir más rápido sin engañarse
- Proyecto: auditoría de trampas y plan del experimento nuevo
08Proyecto: el reporte de métricas de Brava Fit
- Introducción: el reporte de métricas de Brava Fit
- La salud del negocio: métricas, funnel y cohortes
- North Star y guardrails en el tablero final
- El plan del experimento nuevo
- La lectura de los resultados del primer experimento
- La revisión de trampas del paquete
- El readout: contar la historia con datos
- Entregable final y autoevaluación
Lo que dicen los estudiantes
Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.
Aún no hay reseñas aprobadas.
¡Sé el primero en compartir tu experiencia!