Contenido del curso
Hipótesis de negocio con criterios SMART
Tomar decisiones con datos empieza mucho antes de abrir un dashboard. Empieza con una hipótesis de negocio clara, medible y accionable que te diga qué quieres probar y por qué importa. Sin ese punto de partida, terminas haciendo reportes sin rumbo o validando corazonadas disfrazadas de análisis.
En las siguientes secciones vas a ver cómo redactar hipótesis útiles, cómo apoyarte en una línea base, qué experimentos correr y cómo decidir si una idea funcionó o hay que descartarla.
¿Qué es una hipótesis de negocio y cómo se redacta?
Una hipótesis de negocio es una afirmación que tú crees cierta y que, si se valida, debería tener un impacto positivo en el negocio. No cualquier idea sirve: tiene que cumplir condiciones específicas para que sea útil [01:00].
La fórmula es la del marco SMART, es decir, que la hipótesis sea específica, medible, alcanzable, relevante y acotada en el tiempo. Una afirmación como "cambiar el orden de los pasos en un proceso aumentará la conversión en un 10% en las próximas dos semanas" cumple con todo eso. En cambio, decir "vamos a hacer cambios a ver si mejora" no es una hipótesis, es una intención vaga.
¿Qué hace que una hipótesis sea SMART? Que sea específica, medible, alcanzable, relevante y acotada en el tiempo. Si te falta alguno de esos cinco elementos, no podrás validarla con evidencia.
¿Por qué importa la línea base antes de experimentar?
La línea base o baseline es tu punto de partida: dónde estás hoy antes de hacer un cambio. Si no sabes cuánto convierte tu landing page actual, no hay forma de saber si la nueva versión es mejor [01:50].
Medir el impacto real exige una referencia previa. Sin línea base, lo que tienes es una opinión, no un resultado.
¿Cómo se prueban las hipótesis con experimentos de negocio?
Existen varias formas de poner a prueba una hipótesis, pero dos métodos concentran la mayor parte del trabajo cotidiano: el A/B testing y el análisis pre-post [02:15].
Ambos métodos reducen el riesgo de tomar decisiones sin evidencia y te dan una base para defender lo que decidiste frente al equipo.
¿Cómo defino criterios para validar o descartar una hipótesis?
Ver que algo "mejoró" no alcanza. Necesitas criterios de decisión definidos antes de correr el experimento, no después de ver los resultados [03:00].
Un criterio claro se ve así: si la tasa de conversión de la versión B supera en 6% a la A y la diferencia es estadísticamente significativa, se considera validada. Y al revés: si no hay mejora en dos semanas, se descarta la hipótesis y se prueba otra. Eso te saca de la trampa del "yo creo que sí funcionó" y te da una forma honesta de avanzar.
¿Cuándo se considera validada una hipótesis? Cuando supera el umbral de mejora que definiste antes del experimento y la diferencia es estadísticamente significativa. Si no, se descarta sin discusión.
¿Cómo aplicar esto a un caso real de churn?
Imagina que estás analizando el churn y planteas la siguiente hipótesis: creemos que los clientes que no usan la función X en su primer mes tienen mayor probabilidad de abandonar [03:45].
Para validarla, necesitas responder tres preguntas concretas:
Este tipo de ejercicio convierte una intuición de equipo en algo medible. Y cuando lo medible se vuelve rutina, las decisiones dejan de depender de quién habla más fuerte en la reunión.
Una hipótesis bien planteada te ahorra semanas de trabajo, discusiones largas y decisiones equivocadas. ¿Qué hipótesis tienes hoy en tu trabajo que aún no has puesto a prueba? Cuéntame en los comentarios cómo la formularías con el marco SMART.
Gabriel Obregón
Estudiante
Alejandro Guerrero
Estudiante
Aaron Mainero
Estudiante
IVAN CARAPIA BARAJAS
Estudiante
Carlos Andres Prieto Garavito
Estudiante
Esteban Bastías B.
Estudiante
Guillermo Alomia Monjaraz
EstudianteEsteban Bastías B.
Estudiante
ANGELA MARIA SUAZA VARELA
EstudianteJackssuriss Tatiana Herrera Florez
Estudiante
Jhon Arismendy
EstudianteCarolina Parra Gomez
Estudiante
Claudia Cecilia Ruiz Duque
Estudiante
Carlos Mario Agudelo Castrillon
Estudiante
JORGE IVAN ALVAREZ ARIAS
Estudiante
Claudia Suárez
Estudiante
Felipe Martínez
EstudianteElias Echeverri
Estudiante
Jhon Freyman Ramírez Cortés
EstudianteJhon Freyman Ramírez Cortés
Estudiante🧩Hipótesis de Negocio SMART
🎯 1. Hipótesis SMART = brújula de decisiones
💡 2. Definición rápida
👉 Es una afirmación que, si se valida, mejora una métrica clave.
⚠️ Evita frases vagas como: “hagamos cambios a ver si mejora”.
📝 3. Ejemplo SMART
Hipótesis: ➡️ “Cambiar el orden de los pasos en un proceso aumentará la conversión en un 10% en dos semanas.”
✔ Cambio concreto
✔ Métrica = conversión
✔ Mejora razonable (10%)
✔ Relevante para negocio
✔ Plazo: 2 semanas
📊 4. Línea base (Baseline)
🧪 5. Validación con experimentos
🔀 A/B Testing
📈 Análisis Pre/Post
📏 6. Criterios de decisión
Define antes de experimentar:
Ejemplos: ✔ Si versión B mejora con significancia → se valida ❌ Si no mejora en 2 semanas → se descarta
🧪 Hipótesis de negocio
“Creemos que los clientes que tienen baja interacción con el servicio durante su primer mes presentan una mayor probabilidad de churn en los meses siguientes.”
📊 ¿Qué datos necesitas?
📈 ¿Qué métrica usarías?
✅ ¿Cómo validarías si es cierta?
comparación de versiones el AsIs con el ToBe
Análisis Pre y Post compara el desempeño de una métrica antes y después de una intervención (cuando no se puede correr un test)
Se necesita criterios de decisión bien definidos seteados desde antes x ejemplo si la tasa de conversión de la versión B supera en 6% y la diferencia es estadísticamente significativa se considera validado, si no mejora en 2 semanas se descarta y se prueba otra
hipootesis smart
S (Específica): Los clientes que no utilizan la función de creación de avatar en sus primeras dos semanas tienen mayor probabilidad de abandonar la plataforma en comparación con los que sí la usan.
M (Medible): Se medirá la tasa de abandono en las primeras 4 semanas mediante un A/B Testing:
A (Alcanzable): La prueba se realizará con una muestra representativa de clientes nuevos, utilizando datos ya disponibles de interacción en la plataforma y campañas de correo/redes sociales.
R (Relevante): La retención temprana es crítica para la fidelización y el crecimiento sostenido del producto. Validar esta hipótesis permitirá diseñar estrategias de onboarding más efectivas.
T (Temporal): El experimento se llevará a cabo durante 90 días, evaluando la retención en las primeras 4 semanas de uso.
Creemos que los clientes que no usan los servicios en los siguientes 8 meses a su compra tienen una tasa de retención 3 veces menor a los que si usan
Hipótesis: clientes sin segunda compra en 30 días abandonan más.
Datos: historial de compras y fechas 1ª/2ª compra.
Métrica: churn por grupo (con vs. sin 2ª compra).
Validación: comparar churn entre ambos grupos y ver si el segundo es mayor.
Hipótesis + diseño de experimento
Hipótesis principal
"Creemos que los clientes que no realizan una segunda compra dentro de los primeros 15 días después de su primera compra tienen mayor probabilidad de abandonar definitivamente (no volver a comprar nunca más)."
Versión alternativa (más específica para tu negocio):
*"Creemos que los clientes que no activan su cupón de bienvenida o no interactúan con el contenido post-venta (email, SMS, WhatsApp) en los primeros 7 días tienen una tasa de retención a 90 días 3 veces menor que aquellos que sí interactúan."*
¿Qué datos necesitas?
Tablas y campos requeridos:
TablaCampos necesarios
ventas
cliente_id, fecha_compra, monto, numero_compra (1ª, 2ª, 3ª...)
clientes
cliente_id, fecha_registro, segmento, canal_adquisicion
interacciones (opcional)
cliente_id, tipo (email_abierto, cupon_usado, whatsapp_leido), fecha_interaccion
cupones
cliente_id, codigo, usado (S/N), fecha_envio, fecha_uso
Período de análisis:
Condiciones de limpieza:
¿Qué métrica usarías?
Métrica principal (éxito del experimento)
NombreFórmulaInterpretación
Tasa de retención a 90 días
(Clientes con ≥2 compras en primeros 90 días) / (Total clientes en cohorte) × 100
Mide si el cliente "sobrevive" más allá de la primera compra
Métrica secundaria (riesgo)
NombreFórmulaInterpretación
Tiempo promedio a segunda compra
AVG(días entre fecha_compra_1 y fecha_compra_2)
Ventana de oportunidad para actuar
Tasa de abandono temprano
(Clientes con solo 1 compra en 90 días) / (Total clientes) × 100
Versión directa del churn
Métrica para validar hipótesis
NombreFórmula
Diferencia de retención
Retención(grupo_si_compra_15d) − Retención(grupo_no_compra_15d)
Si la diferencia es > 20 puntos porcentuales, la hipótesis se confirma.
¿Cómo validarías si es cierta?
Diseño del experimento (A/B test en el mundo real)
Enfoque 1: Análisis cuasi-experimental (si no puedes hacer A/B puro)
sql
-- Paso 1: Crear dos cohortes WITH clientes_cohorte AS ( SELECT cliente_id, fecha_primera_compra, CASE WHEN EXISTS ( SELECT 1 FROM ventas v2 WHERE v2.cliente_id = v.cliente_id AND v2.fecha_compra BETWEEN v.fecha_primera_compra + 1 AND v.fecha_primera_compra + 15 ) THEN 'compra_en_15d' ELSE 'no_compra_en_15d' END AS cohorte FROM ( SELECT cliente_id, MIN(fecha_compra) AS fecha_primera_compra FROM ventas GROUP BY cliente_id ) v ) -- Paso 2: Calcular retención a 90 días por cohorte SELECT c.cohorte, COUNT(DISTINCT c.cliente_id) AS total_clientes, COUNT(DISTINCT CASE WHEN v2.fecha_compra <= c.fecha_primera_compra + 90 THEN v2.cliente_id END) AS clientes_retenidos, ROUND(100.0 * COUNT(DISTINCT CASE WHEN v2.fecha_compra <= c.fecha_primera_compra + 90 THEN v2.cliente_id END) / COUNT(DISTINCT c.cliente_id), 2) AS retencion_90d FROM clientes_cohorte c LEFT JOIN ventas v2 ON c.cliente_id = v2.cliente_id GROUP BY c.cohorte;
Enfoque 2: Experimento controlado aleatorizado (ideal)
GrupoAcciónTamaño muestraDuración
Grupo A (control)
Sin intervención. Experiencia normal.
5,000 clientes nuevos
90 días
Grupo B (tratamiento)
Reciben incentivo (cupón 20%) + email día 3 + llamado día 12
5,000 clientes nuevos
90 días
Criterios de validación estadística:
RequisitoValor
Nivel de confianza
95% (p-value < 0.05)
Poder estadístico
80%
Tamaño mínimo por grupo
~3,900 clientes
Duración del experimento
90 días (para medir retención completa)
Prueba estadística a usar:
Ejemplo de resultado que confirma la hipótesis
CohorteTotal clientesRetención a 90 díasDiferencia
Compra en primeros 15 días
1,240
89%
—
No compra en primeros 15 días
3,760
34%
-55 pp
Hipótesis confirmada: Los que no compran en 15 días tienen 55 puntos porcentuales menos de retención.
Resumen ejecutivo para el slide
text
HIPÓTESIS: "Clientes que no compran por segunda vez en 15 días abandonan a 90 días." DATOS NECESARIOS: Ventas con fecha_compra, cliente_id, número de compra. MÉTRICA CLAVE: Tasa de retención a 90 días. VALIDACIÓN: Comparación de cohortes "compra en 15d" vs "no compra en 15d". Prueba chi-cuadrado con 95% confianza. DECISIÓN: Si diferencia > 20 pp → implementamos programa de incentivo temprano.
¿Cómo defino criterios de decisión efectivos?
Para definir criterios de decisión efectivos, debes establecer las reglas del juego antes de iniciar cualquier experimento. Esto significa determinar exactamente qué métrica vas a observar, cuál es el incremento mínimo que consideras un éxito (por ejemplo, un aumento del 5% en la retención) y cuánto tiempo durará la prueba. Además, es fundamental incluir el concepto de significancia estadística para asegurar que los resultados no sean producto del azar. Si defines estas reglas a priori, eliminas el sesgo de confirmación, esa trampa mental donde intentamos justificar que "la idea funcionó" buscando cualquier dato positivo una vez terminado el experimento. Tener criterios estrictos te permite actuar con frialdad: si la métrica no alcanza el umbral en el tiempo definido, la hipótesis se descarta rápidamente y pasas a la siguiente iteración sin perder tiempo ni recursos.
¿Por qué es mejor formular hipótesis SMART?
Formular una hipótesis bajo la metodología SMART transforma una simple corazonada en un plan de acción medible. En lugar de decir "quiero mejorar las ventas", estableces un objetivo específico, como "aumentar la conversión en un 10% en dos semanas". Esto es crucial porque te da un norte claro al momento de explorar tus bases de datos. Si tu hipótesis no es específica ni tiene un límite de tiempo, podrías pasar meses analizando métricas sin llegar a una conclusión útil. Al ser alcanzable y relevante, te aseguras de que el esfuerzo analítico realmente mueva la aguja del negocio y no sea solo un ejercicio teórico. En la práctica, esto evita la creación de dashboards inútiles y te enfoca en responder preguntas que impactan directamente en la rentabilidad o eficiencia de la empresa.
1. Formulación de la hipótesis SMART.
No se dirá: "creemos que si usan más la app se quedan". En cambio se dirá:
"Si implementamos una guía interactiva (onboarding) para que el nuevo usuario use la 'Función de Reportes Automáticos' en sus primeros 7 días, reduciremos el churn del Plan Básico en un 10% durante el próximo trimestre."
2. Definición de la línea base (baseline).
Antes de mover un solo dedo, necesitamos saber dónde estamos parados hoy:
3. Diseño del experimento A/B testing.
Para no arriesgar a todos los clientes, dividiremos el tráfico de nuevos usuarios de forma aleatoria:
4. Criterios de decisión.
Para evitar el "yo siento que funcionó", fijamos las reglas antes de empezar:
buscar incentivar el aumento de la separacion de residuos solidos en la fuente, es decir que en la disposicion final de residuos por vehiculo y ruta generamos escalafon de reduddion de residuos solidos por barrio
¿Puedo usar esto para reducir el abandono?
Absolutamente, aplicar este marco de trabajo es una de las estrategias más efectivas para reducir la tasa de abandono o churn. Puedes formular una hipótesis como: "Si enviamos un tutorial interactivo a los usuarios que no usan la función clave en sus primeros 7 días, reduciremos el abandono en un 15% este trimestre". A partir de ahí, estableces tu línea base (cuántos usuarios abandonan actualmente bajo esas condiciones) y diseñas un experimento, como un A/B test enviando el correo solo a la mitad de ese segmento. Al medir los resultados contra tus criterios de decisión predefinidos, sabrás exactamente si la intervención funciona. Este enfoque transforma el problema del abandono de una preocupación abstracta a una serie de experimentos controlados, permitiéndote encontrar soluciones basadas en el comportamiento real de tus clientes y no en suposiciones.
¿Cómo defino criterios de decisión efectivos?
Para definir criterios de decisión efectivos, debes establecer las reglas del juego antes de iniciar cualquier experimento. Esto significa determinar exactamente qué métrica vas a observar, cuál es el incremento mínimo que consideras un éxito (por ejemplo, un aumento del 5% en la retención) y cuánto tiempo durará la prueba. Además, es fundamental incluir el concepto de significancia estadística para asegurar que los resultados no sean producto del azar. Si defines estas reglas a priori, eliminas el sesgo de confirmación, esa trampa mental donde intentamos justificar que "la idea funcionó" buscando cualquier dato positivo una vez terminado el experimento. Tener criterios estrictos te permite actuar con frialdad: si la métrica no alcanza el umbral en el tiempo definido, la hipótesis se descarta rápidamente y pasas a la siguiente iteración sin perder tiempo ni recursos.
