data-analysis-standard

Habilidad Data Analysis Standard

Convierte números crudos en decisiones de producto. Estructura cada análisis con una pregunta clara, metodología, hallazgo y acción recomendada.

Marco de Análisis: El Método de 4 Preguntas

Todo análisis comienza aquí:

1. ¿Qué cambió? (describe la métrica y su movimiento)
2. ¿Por qué cambió? (causa raíz — segmento, paso del funnel, cohorte, canal)
3. ¿Y qué? (impacto en el negocio o producto)
4. ¿Ahora qué? (acción recomendada con nivel de confianza)

Nunca entregues datos sin responder las cuatro preguntas. Un gráfico sin narrativa no es un análisis.

---

Plantilla de Triage de Métricas

Usa cuando una métrica se haya movido inesperadamente:

MÉTRICA: [Nombre]
MOVIMIENTO: [X% de cambio durante Y período]
LÍNEA BASE: [Cuál era lo normal]

VALIDACIÓN POR SEGMENTACIÓN:
- ¿Por plataforma (iOS / Android / Web)?
- ¿Por cohorte de usuario (nuevos / recurrentes / power users)?
- ¿Por canal de adquisición?
- ¿Por geografía?
- ¿Por plan/tier?

HIPÓTESIS DE CAUSA RAÍZ:
1. [Explicación más probable] — Evidencia: [punto de dato]
2. [Explicación alternativa] — Evidencia: [punto de dato]
3. [Descartando] — Eliminada porque: [razón]

CONCLUSIÓN: [Respuesta en una oración a "¿por qué cambió esto?"]
CONFIANZA: [Alta / Media / Baja] — basada en [datos disponibles]

---

Estructura de Análisis de Funnel

| Etapa | Métrica | Actual | Benchmark/Meta | Caída % | Notas |

|---|---|---|---|---|---|

| [Inicio del funnel] | [Usuarios] | [N] | [N] | — | |

| [Paso 2] | [Usuarios] | [N] | [N] | [X%] | |

| [Paso 3] | [Usuarios] | [N] | [N] | [X%] | |

| [Conversión] | [Usuarios] | [N] | [N] | [X%] | |

Mayor caída: [Paso X → Paso Y] — Hipótesis: [razón]

Investigación recomendada: [consulta específica o test]

---

Directrices de Análisis de Cohortes

Siempre define:

• Definición de cohorte: [Qué agrupa usuarios — semana de registro, primera acción, tipo de plan]
• Métrica de retención: [Qué cuenta como retención — login, acción principal, revenue]
• Ventana de retención: [D1, D7, D30, W4, M3, etc.]

Entrega una tabla de retención de cohortes y anota:

• Retención base para cada cohorte
• Cohortes que funcionan mejor/peor y por qué (lanzamiento de feature, campaña, estacional)
• Dirección de tendencia entre cohortes (mejorando / empeorando / estable)

---

Formato de Output de Análisis para Stakeholders

[Título del Análisis] — [Fecha]

Pregunta que se responde: [Pregunta específica en lenguaje claro]

Período de tiempo: [Rango de fechas]

Fuente de datos: [De dónde vienen los datos]

Hallazgo:

> [Resumen de 1–2 oraciones en lenguaje claro de qué muestran los datos]

Gráfico/tabla clave: [Incluir o describir]

Causa raíz: [Mejor explicación con evidencia]

Nivel de confianza: [Alto / Medio / Bajo] — [razón]

Acción recomendada:

1. [Acción inmediata — propietario, timeline]
2. [Investigación necesaria — qué verificar después]
3. [Monitoreo — qué métrica observar y a qué frecuencia]

Qué este análisis NO nos dice: [Salvedad importante — qué datos faltan o qué no se puede concluir]

---

Inputs Requeridos

Pregunta al usuario por esto si no está proporcionado:

• Métrica o pregunta bajo investigación
• Período de tiempo (qué cambió, de cuándo a cuándo)
• Datos disponibles (qué segmentos, fuentes o queries tienes disponibles)
• Contexto de negocio (qué decisión informa este análisis)
• Audiencia (quién leerá esto — ejecutivo / equipo / equipo de datos)

Validaciones de Calidad

• [ ] El análisis responde las 4 preguntas: qué cambió, por qué, y qué, ahora qué
• [ ] La causa raíz tiene evidencia (no solo hipótesis)
• [ ] El nivel de confianza está establecido y justificado
• [ ] Lo que los datos no pueden decirnos está nombrado explícitamente
• [ ] La acción recomendada incluye propietario y timeline

Antipatrones

• [ ] No presentes correlaciones como causalidad — siempre establece la distinción explícitamente
• [ ] No reportes un movimiento de métrica sin indicar la ventana de tiempo y línea base de comparación
• [ ] No saltes el "y qué" — observaciones crudas sin acciones recomendadas son análisis incompleto
• [ ] No exageres la confianza — etiqueta hipótesis claramente y anota qué datos serían necesarios para confirmarlas
• [ ] No ignores breakdowns por segmento — métricas agregadas pueden enmascarar tendencias opuestas en subsegmentos

Directrices

• Siempre indica qué los datos no pueden decirte — nunca sobrevenda confianza
• Las correlaciones no son causalidad — marca esto cada vez
• Si el usuario no tiene línea base, recomienda establecer una antes de extraer conclusiones
• Recomienda el gráfico más simple para cada hallazgo: barras para comparación, líneas para tendencias, scatter para correlación, tabla para breakdowns detallados
• Siempre especifica la ventana de tiempo — "la conversión bajó" es sin sentido sin "de X a Y durante Z período"