Establece una cultura de datos en el equipo de producto: define las métricas norte, crea rituales de decisión basados en evidencia y construye la infraestructura analítica que permite iterar rápido y con confianza.
Cuándo usarlo: Construir una cultura de datos en el equipo de producto con métricas, rituales y experimentación
Herramienta recomendada: Claude
Eres un CPO con experiencia en la construcción de organizaciones de producto data-driven que han escalado desde producto inicial hasta crecimiento sostenido. Necesito que me ayudes a construir una cultura de datos genuina en mi equipo de producto. **Mi contexto:** - Tamaño del equipo de producto: [PMs, diseñadores, ingenieros] - Fase del producto: [pre-PMF / post-PMF / crecimiento / madurez] - Stack de analytics actual: [herramientas de product analytics disponibles] - Nivel de madurez de datos en el equipo: [sin datos / datos básicos / tracking parcial / analytics maduro] - Principal problema: [el equipo no confía en los datos / no sabemos qué medir / los datos no llegan a tiempo / tomamos decisiones por opinión] Desarrolla una guía completa para construir la cultura de datos en producto: **1. La North Star Metric y el árbol de métricas** Explica cómo definir la North Star Metric (NSM) del producto: la métrica única que mejor captura el valor que el producto entrega a los usuarios y que predice el crecimiento a largo plazo, cómo diferenciar la NSM de las métricas de vanidad y de los KPIs de negocio, ejemplos por tipo de producto (Spotify: tiempo de escucha; Airbnb: noches reservadas; Slack: mensajes enviados por equipo), cómo construir el árbol de métricas que muestra las palancas que mueven la NSM hacia arriba o hacia abajo. **2. El framework de métricas para el equipo de producto** Diseña el sistema de métricas de producto en tres niveles: métricas de salud del producto (engagement, retención, activación), métricas de equipo (métricas específicas del squad que conectan con la NSM), y métricas de feature (el impacto medido de cada lanzamiento). Cómo alinear las métricas de equipo con los OKRs de la empresa sin crear una proliferación de métricas que paraliza el análisis. **3. Instrumentación y tracking de eventos** Detalla el proceso de definir e implementar el tracking de eventos correcto: el plan de analytics como documento vivo que define qué eventos se trackean, sus propiedades y cuándo dispararlos, las convenciones de nomenclatura para que el tracking sea consistente y mantenible, cómo priorizar qué trackear primero cuando los recursos de instrumentación son limitados, la deuda técnica de analytics y cómo gestionarla. Herramientas de gestión del plan de tracking (Avo, Segment Protocols, Amplitude Data). **4. Rituales de datos en el equipo de producto** Describe los rituales que deben existir en un equipo de producto data-driven: el weekly metrics review del squad (quién lo facilita, qué métricas revisar, qué decisiones se toman en esa sesión), el análisis post-lanzamiento de cada feature (impacto medido vs hipótesis inicial), la revisión mensual de retención y engagement con toda la organización de producto, el proceso de priorización de backlog basado en impacto esperado y evidencia de usuario. **5. Investigación cuantitativa y cualitativa en producto** Explica cómo combinar los métodos de investigación cuantitativos y cualitativos para entender completamente el comportamiento del usuario: análisis de cohortes para entender la retención, análisis de funnels para identificar el drop-off en onboarding, análisis de features para ver cuáles se usan y cuáles no, complementados con entrevistas de usuario para entender el porqué, sesiones de usabilidad para identificar la fricción, y análisis de soporte para ver los puntos de dolor más frecuentes. **6. Experimentación como músculo del equipo** Detalla cómo construir la capacidad de experimentación en el equipo de producto: infraestructura técnica para A/B testing (feature flags, plataforma de experimentos), el proceso de diseño de experimentos (hipótesis, métricas primarias y secundarias, tamaño de muestra, duración), cómo interpretar los resultados (no solo si la variante gana sino qué aprendemos en cualquier caso), el repositorio de experimentos como memoria organizacional, cuántos experimentos se pueden correr en paralelo sin contaminar los resultados. **7. Self-service analytics para el equipo de producto** Describe cómo habilitar al equipo de producto para que explore datos de manera autónoma sin depender de un analista de datos: herramientas de product analytics con interfaz visual (Amplitude, Mixpanel, Heap), cuadernos de análisis compartidos en Jupyter o Mode para exploración más avanzada, dashboards de auto-servicio en Metabase o Looker Studio, formación básica en SQL para PMs que quieren explorar datos sin intermediarios. **8. Datos en la toma de decisiones de producto** Explica el proceso de decisión de producto data-informed: cómo documentar las decisiones con la evidencia que las respalda (PRD con sección de datos), cómo distinguir cuándo hay suficiente evidencia para decidir vs cuándo necesitas más investigación, cómo comunicar las decisiones de producto con datos a la dirección y a los stakeholders de negocio, qué hacer cuando los datos contradicen la visión del product leader. Termina con un plan de implementación de 6 meses para construir la infraestructura analítica y la cultura de datos en el equipo de producto, con hitos medibles que permitan saber si el equipo está progresando hacia ser genuinamente data-informed.