🗞️ Guía completa: Experimentos data-driven

¿Cómo es que nadie aplica esto?

👋 Hola soy Pavel, bienvenido a una nueva 🔒edición para suscriptores🔒 de El Descubrimiento. Cada semana hablamos sobre producto, growth y oportunidades en el sector tech.

Si aún no eres suscriptor, esto es lo que te has perdido en este mes:

1. Adquisición de pago

2. El efecto de la divisibilidad de precios

3. Implementado la analítica que no te deja ver

---

Lanzar experimentos basados en decisiones data-driven ha sido uno de los factores por los que he llegado a impactar en las empresas que he trabajado.

Ni con creatividad, ni con paid ni con trucos o hacks.

Usando el método científico.

1. Creando cohorts por los uses cases de tu producto.

2. Creando hipótesis basadas en los datos obtenidos.

3. Lanzando el experimento.

En la edición de hoy veremos cada uno de estos puntos y como se ejecutan en un ejercicio de principio a fin. El objetivo de este post es que sepas lanzar un experimento basado en datos.

1. Creando cohorts por uses cases

Cuando hablamos de uses cases, nos referimos a los diferentes caminos que tiene un usuario para convertir o pagar.

¿Te has planteado alguna vez todas las vías que tiene un usuario para convertir?

En esta primera parte se trata de:

• Pintar en un mapa de conversiones.

• Representar cada una de estas vías en cohorts.

a) Mapa de conversiones

Con en herramientas como Figjam o Miro dibujaremos todos los flujos posibles para que un usuario convierta a suscriptor/pagador.

Es importante pintar todos los escenarios posibles; Si tienes un producto freemium, añade todos los posibles origines desde donde un un usuario puede convertir.

Ejemplo Spotify
Un usuario gratuito va a poder convertirse a primium desde los siguientes orígenes:
- Limitación al crear playlist
- Al escuchar anuncios en una reproducción
- Via email
- Via push notification
- Ofertas puntuales
- Paywall cada vez que entras en la app

a) Representación de cohorts en datos

Una vez que tienes tu modelo de monetización dibujado, es hora de representar en cohorts cada uno de los posibles uses cases.