Toma decisiones de producto cuando no tienes todos los datos: el expected value, los experimentos como herramienta de decisión y el proceso que convierte la incertidumbre en aprendizaje en lugar de parálisis.
Cuándo usarlo: Desarrollar un framework de decisión de producto que equilibra rigor y velocidad bajo incertidumbre
Herramienta recomendada: Claude
Eres un experto en toma de decisiones de producto bajo incertidumbre y en el diseño de procesos de aprendizaje continuo para equipos de producto. Quiero que me ayudes a desarrollar un framework de decisión que me permita apostar con inteligencia cuando los datos son incompletos, evitar la parálisis por análisis y construir el sistema de aprendizaje que mejora la calidad de mis decisiones en el tiempo. Mi contexto: - Tipo de producto: [SaaS B2B, app de consumo, plataforma marketplace, producto interno, producto de datos] - Tamaño del equipo y madurez del producto: [producto nuevo en búsqueda de product-market fit, producto en crecimiento, producto en madurez] - Principal problema en las decisiones de producto: [demasiada incertidumbre sobre qué construir, no tenemos datos suficientes para decidir, las decisiones se toman por intuición o por la opinión del más senior, no aprendemos de nuestras decisiones pasadas] - Ciclo de entrega y velocidad de iteración: [lanzamos cada semana / cada mes / ciclos más largos] Con esa información, quiero que me entregues: 1. EL EXPECTED VALUE EN DECISIONES DE PRODUCTO Explica cómo aplicar el concepto de valor esperado (expected value) a las decisiones de producto: qué es el valor esperado (la suma ponderada de los posibles resultados multiplicados por su probabilidad), cómo estimar las probabilidades de los distintos escenarios de una decisión de producto (qué pasa si la funcionalidad tiene éxito, qué pasa si fracasa, qué pasa si no la construimos), cómo estimar el valor de cada escenario (en métricas de negocio: retención, conversión, revenue, engagement), cómo calcular y comparar el expected value de distintas opciones y cuáles son las limitaciones del expected value cuando las probabilidades son muy inciertas o cuando los escenarios negativos son catastróficos. Dame un ejemplo completo de análisis de expected value para una decisión de producto típica. 2. CUÁNDO EXPERIMENTAR Y CUÁNDO DECIDIR SIN EXPERIMENTO Define el framework de decisión sobre cuándo hacer un experimento antes de la decisión de producto y cuándo es mejor decidir directamente: el experimento merece la pena cuando la incertidumbre es alta, el coste del experimento es bajo en relación al coste de equivocarse y los resultados del experimento van a cambiar la decisión; la decisión directa es mejor cuando la incertidumbre es baja, el coste de esperar al experimento es mayor que el coste de equivocarse o el experimento no sería válido por las condiciones del mercado. Define los criterios específicos para esta decisión y las situaciones donde el PM cae en la trampa de pedir más datos cuando en realidad está evitando la decisión. 3. DISEÑO DE EXPERIMENTOS DE PRODUCTO: MÁS ALLÁ DEL A/B TEST Explica cómo diseñar experimentos de producto que generan insights de decisión, no solo datos: la hipótesis como elemento central del experimento (la hipótesis que, si es verdadera, cambia la decisión), los experimentos cuantitativos para validar hipótesis de comportamiento (A/B tests, tests de adopción, tests de retención), los experimentos cualitativos para validar hipótesis de valor (entrevistas de problema, tests de concepto, fake door tests), los experimentos de bajo coste para validar antes de construir (landing pages de funcionalidades no existentes, Wizard of Oz, concierge MVP) y cómo diseñar el experimento para que los resultados sean interpretables (el tamaño de muestra mínimo, el período de tiempo, la métrica principal y las métricas de guardia que evitan que el experimento dañe la experiencia del usuario). 4. EL COSTO DE LA INCERTIDUMBRE Y EL VALOR DE LA INFORMACIÓN Explica cómo cuantificar el valor de conseguir más información antes de decidir: el concepto del valor de la información perfecta (cuánto vale saber con certeza el resultado de una decisión, que es el límite máximo que tiene sentido gastar en research o en un experimento), el valor de la información imperfecta (cuánto vale reducir la incertidumbre un porcentaje determinado), cómo aplicar este análisis a una decisión de producto concreta para saber si tiene sentido hacer un sprint de discovery antes de ponerse a construir y cómo comunicar este análisis al equipo para que todos entiendan por qué se está invirtiendo tiempo en research que podría usarse para construir. 5. PROCESAR EL FRACASO: APRENDER DE LAS DECISIONES QUE NO FUNCIONARON Define el proceso de aprendizaje de las decisiones de producto que no producen el resultado esperado: cómo distinguir una mala decisión de un mal resultado (una decisión puede ser correcta en proceso y tener un mal resultado por mala suerte, y viceversa), cómo hacer el post-mortem de una decisión de producto fallida de forma que genere aprendizaje real (la hipótesis que tenías, los supuestos que has invalidado, lo que harías diferente), cómo crear el decision log del equipo de producto que acumula el aprendizaje de las decisiones pasadas, cómo evitar que los post-mortems se conviertan en sesiones de búsqueda de culpables y cómo usar el fracaso para calibrar mejor las estimaciones de probabilidad en futuras decisiones. 6. LA CULTURA DE DECISIÓN EN EL EQUIPO DE PRODUCTO Explica cómo construir la cultura de decisión en el equipo de producto que es a la vez rigurosa y rápida: cómo crear el ambiente donde el equipo se siente cómodo tomando decisiones con incertidumbre sin esperar certezas que nunca llegan, cómo distinguir las decisiones reversibles (que se pueden tomar rápido y ajustar) de las irreversibles (que merecen más análisis), cómo usar el concepto de "type 1 y type 2 decisions" de Amazon en el contexto del equipo de producto, cómo delegar las decisiones al nivel correcto del equipo (el PM no debería ser el cuello de botella de todas las decisiones), cómo hacer las reuniones de decisión de producto más eficientes (quién decide, qué información se necesita, en cuánto tiempo) y cómo comunicar las decisiones y sus razones al resto de la organización. Termina con un manual de decisión de producto en una página: el proceso de toma de decisiones del equipo, el template de decisión que todos usan, los criterios para decidir qué necesita experimento y qué no, y la cadencia de revisión de las decisiones pasadas que mantiene el sistema de aprendizaje funcionando.