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
  1. 01Separar las métricas accionables de las de vanidad y decidir qué entra al tablero para dirección
  2. 02Leer un funnel y una tabla de cohortes para encontrar dónde actuar y qué esconde el promedio
  3. 03Elegir una North Star, construir su árbol de métricas y protegerla con guardrails, incluidas las de una función de IA
  4. 04Especificar qué pedirle al equipo que mida, con una ficha por métrica
  5. 05Revisar el plan de un experimento A/B antes de creerle: control, aleatorización, métrica primaria y lift
  6. 06Leer un p-value y un intervalo de confianza sin malinterpretarlos y distinguir lo significativo de lo que importa al negocio
  7. 07Detectar las trampas que hacen parecer bueno un resultado: muestra insuficiente, peeking, comparaciones múltiples y la paradoja de Simpson
  8. 08Reportar el impacto a dirección y al board con honestidad, aunque el número no sea el que todos esperaban
  1. 01Heads of product, directores y VPs de producto o ingeniería que reportan resultados a dirección
  2. 02CTOs de startup y fundadores técnicos que llevan métricas al board
  3. 03Tech leads y engineering managers que tienen que decidir con los datos que les trae su equipo
  1. 01Qué mide un tablero para dirección8 LECCIONES
    1. Introducción: ¿le crees al +12%?
    2. Métricas que deciden contra métricas que adornan
    3. Tasas, no totales
    4. HEART como lista de chequeo de experiencia
    5. AARRR para ver dónde mira el tablero y dónde no
    6. El árbol de métricas: de MRR a lo que el equipo mueve
    7. Qué hace buena a una métrica y qué pedirle al equipo que mida
    8. Proyecto: auditoría del tablero actual
  2. 02Leer un funnel8 LECCIONES
    1. Introducción: ¿en qué paso vive el +12%?
    2. Qué es un funnel: el recorrido de prueba gratis de Brava Fit
    3. La conversión de cada paso
    4. La conversión global: el 12% y lo que no te dice
    5. Dónde se cae más: en personas, en tasa y en dinero
    6. Conversiones intermedias contra la conversión que paga
    7. Leer un funnel en contexto: canal, enero, ventanas y mezcla
    8. Proyecto: la vista de funnel del tablero
  3. 03Cohortes: lo que el promedio esconde8 LECCIONES
    1. Introducción: lo que el promedio esconde
    2. Qué es una cohorte
    3. La curva de retención
    4. La meseta de retención
    5. Por qué mienten los promedios: la cohorte de enero
    6. Leer una tabla de cohortes: filas, columnas y diagonales
    7. La retención como valor: de la curva a USD 60
    8. Proyecto: la vista de retención por cohortes del tablero
  4. 04North Star, árbol de métricas y guardrails8 LECCIONES
    1. Introducción: un tablero sin centro
    2. Qué es una North Star
    3. Elegir la North Star de Brava Fit
    4. Las métricas de entrada
    5. La ley de Goodhart
    6. Las métricas guardrail
    7. Métricas para una función con IA
    8. Proyecto: el tablero para dirección, versión 1
  5. 05Leer un experimento A/B: lo básico8 LECCIONES
    1. Introducción: ¿el experimento de Growth está bien planteado?
    2. Correlación no es causa
    3. Control y variante
    4. Aleatorización y el desbalance de muestra
    5. La hipótesis: qué se espera y qué la refutaría
    6. Medir el lift: puntos contra relativo
    7. Lo que un experimento A/B no puede responder
    8. Proyecto: revisar el plan del experimento antes de creerle
  6. 06¿Real o azar? Significancia para decidir8 LECCIONES
    1. Introducción: ¿real o azar?
    2. ¿Pudo ser azar?
    3. La hipótesis nula y el p-value
    4. Lo que el p-value no es
    5. El intervalo de confianza
    6. Leer la salida de la herramienta de experimentos
    7. Significancia estadística contra significancia práctica
    8. Proyecto: la lectura de resultados del experimento de onboarding
  7. 07Tamaño de muestra y trampas que engañan8 LECCIONES
    1. Introducción: por qué este experimento no podía responder
    2. El efecto mínimo detectable
    3. Tamaño de muestra y potencia
    4. El problema de mirar antes de tiempo
    5. Comparaciones múltiples
    6. La paradoja de Simpson
    7. Pruebas secuenciales y CUPED: ir más rápido sin engañarse
    8. Proyecto: auditoría de trampas y plan del experimento nuevo
  8. 08Proyecto: el reporte de métricas de Brava Fit8 LECCIONES
    1. Introducción: el reporte de métricas de Brava Fit
    2. La salud del negocio: métricas, funnel y cohortes
    3. North Star y guardrails en el tablero final
    4. El plan del experimento nuevo
    5. La lectura de los resultados del primer experimento
    6. La revisión de trampas del paquete
    7. El readout: contar la historia con datos
    8. Entregable final y autoevaluación
Reseñas

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!

SEC. 06 · EL ESTUDIO

Por qué existe este estudio

Durante décadas, construir software fue cosa de perfiles técnicos con años de formación, y llevar un producto digital a la vida real le tomaba a las empresas meses o años. El no-code y la inteligencia artificial han acortado esa brecha, pero el conocimiento sigue en manos de unos cuantos.

Tech Benders existe para abrir ese conocimiento, para que los equipos de negocio y los perfiles no técnicos puedan poner sus ideas en producción con las decisiones técnicas correctas detrás. La IA hace lo que le pides. Sin una base técnica, lo que construye puede no escalar con el ecosistema de tu empresa, y sus costos se disparan con el tiempo.

El equipo conoce los dolores de las organizaciones grandes y la velocidad a la que tienen que moverse. Trae arquitectura de soluciones, ingeniería de datos, producto construido de punta a punta, del backend al frontend, y trabajo diario con IA. Software que resuelve lo que necesitas en días, no en meses, con los costos de la IA bajo control.

Fundadores

El estudioConoce Tech Benders →

Escríbenoshi@techbenders.io

Hecho con Wislab