3 min de lectura
La significancia estadística explicada sin matemáticas
Qué afirma de verdad ese número, qué no afirma, y las cuatro frases que necesitas para leer un resultado con honestidad sin calcular nada.
Todo lo que hemos publicado sobre Diseño de experimentos: guías, experimentos y lo que hemos aprendido por el camino.
15 artículos
3 min de lectura
Qué afirma de verdad ese número, qué no afirma, y las cuatro frases que necesitas para leer un resultado con honestidad sin calcular nada.
3 min de lectura
Añadir una tercera variante te cuesta un tercio de la muestra y te compra una comparación que quizá no necesites. Tres casos en los que compensa y uno muy común en el que no.
3 min de lectura
Un reparto par te da la respuesta más rápida. Uno impar limita cuánta gente ve un cambio del que no te fías. No puedes tener las dos cosas.
3 min de lectura
Si alguien ve la variante B el martes y la A el viernes, no has lanzado un experimento. Has lanzado un bug que además produce números.
3 min de lectura
Dos experimentos sobre el mismo funnel producen cuatro combinaciones y una conclusión confusa. La exclusión mutua es cómo mantienes la respuesta legible.
4 min de lectura
Apilar condiciones afina el segmento y encoge la muestra. Cómo saber cuándo compensa el intercambio y cuándo te has segmentado hasta el ruido.
3 min de lectura
El diseño responsive hizo que una página sirviera para toda pantalla. No hizo que un experimento sirva para toda pantalla, y muchos resultados planos son un móvil ganando y un escritorio perdiendo.
4 min de lectura
Expectativas de envío, hábitos de pago, sensibilidad al precio y señales de confianza varían por mercado. Promediarlos es cómo salen resultados neutros que esconden efectos reales.
3 min de lectura
ICE y PIE se diseñaron para equipos que lanzan veinte tests por trimestre. Cuando tienes doce al año, el modelo de puntuación tiene que cambiar.
4 min de lectura
Parar antes de tiempo, testear todo a la vez, no poner guardrail, cambiar el test a mitad y tomar una victoria como un hecho. Los cinco son evitables.
5 min de lectura
Poco tráfico no significa que no puedas experimentar. Significa que solo puedes detectar efectos grandes, así que hay que probar las cosas capaces de producirlos.
5 min de lectura
No necesitas un equipo de CRO, ni un data warehouse, ni un estadístico. Necesitas una hipótesis, un segmento y una forma de medir. Aquí está todo, desde cero.
2 min de lectura
Elige la única métrica que decide tu test A/B antes de lanzar y usa métricas secundarias y de guardarraíl para que un ganador aparente no sea un problema oculto.
2 min de lectura
Un test A/B promete objetividad, pero solo si está libre de sesgos. Descubre los sesgos que contaminan tus resultados y las prácticas para mantener cada experimento limpio.
2 min de lectura
Una hipótesis clara y comprobable es la diferencia entre un experimento que te enseña algo y uno que solo consume tráfico. Aquí tienes cómo formularlas.