Preguntas frecuentes de Data

De 10 a 15 días laborables para una auditoría de hasta 50 fuentes. El plan de corrección se entrega con la auditoría.

Inventario de fuentes con propietario y frecuencia, análisis de calidad en seis dimensiones, cobertura frente a las decisiones del negocio, mapa de trazabilidad, cálculo de coste y plan de corrección priorizado.

Acceso de lectura a las bases de datos, al CRM, a las plataformas de publicidad y a dos o tres informes actuales para contrastar.

Con el número de errores críticos detectados y cerrados, el tiempo de frescura del dato por fuente y el porcentaje de informes que se pueden reconstruir desde el origen.

La auditoría es puntual; el control de calidad del dato se revisa mensualmente durante el primer año.

No. Un informe de tecnología describe lo que hay; la auditoría describe lo que falla y cuánto cuesta que siga fallando. La diferencia está en la última parte: cada hallazgo lleva un impacto en negocio, un esfuerzo estimado y un responsable. Si al terminar el informe solo hay una lista de tablas y columnas, no se ha hecho una auditoría, se ha hecho un inventario.

De 4 a 8 semanas para el núcleo de la plataforma según el número de fuentes y la calidad del dato heredado. La primera carga completa suele estar lista en la semana dos.

Arquitectura y dimensionado, modelo estrella, cargas incrementales con reintentos, optimización de costes, esquema versionado con documentación y monitorización con alertas.

Acceso a las fuentes con permiso de escritura en el almacén, y un interlocutor técnico que sepa qué proceso genera cada dato.

Con el coste por consulta, el tiempo de carga de la capa de presentación, el número de tablas en uso y el porcentaje de informes que se sirven desde el modelo.

Mensual durante la implantación y trimestral después, con revisión de coste y de calidad de carga.

Almacén en la nube si el volumen es irregular o si queréis crecer sin comprar hardware; servidor propio si el volumen es estable, alto y con coste fijo, o si hay requisitos de residencia del dato muy estrictos. El criterio no es la moda: es el coste total a tres años, contando el equipo. Un almacén bien gestionado en la nube suele salir más barato que un servidor dedicado con un perfil junior cuidándolo a media jornada.

De 2 a 3 semanas por cuadro de mando. Si el modelo de métricas ya existe, el trabajo visual es la parte más rápida del proyecto.

Mapa de preguntas por audiencia, jerarquía visual del cuadro, elección del gráfico por decisión, filtros útiles, comparativas con período anterior y objetivo, y acceso por rol con la definición de cada KPI.

Acceso a los datos ya modelados, a las personas que lo van a leer y a un modelo de métricas, o al trabajo de definirlos aquí.

Con el tiempo de lectura real del panel, el número de preguntas de contexto en la reunión, el uso por sección y el porcentaje de KPI con definición escrita.

Mensual, con revisión de las secciones que nadie mira y de los KPI que no han cambiado ninguna decisión.

Los que quepan en una pantalla por sección y que respondan a una pregunta. Un panel ejecutivo suele tener entre cinco y ocho visuales: una cifra grande arriba, tres o cuatro de contexto y una comparación. Todo lo demás es detalle, y ese detalle existe en el panel de operación, no en el del comité. La prueba es sencilla: si tienes que explicarlo durante la reunión, sobran gráficos; si la reunión consiste en decidir con lo que hay en pantalla, van bien.

De 3 a 4 semanas para el primer informe de cohortes. Las primeras conclusiones reales llegan en la segunda semana, en cuanto hay histórico suficiente.

Definición de activación por tipo de usuario, análisis de cohortes, curva de retención por tramo, mapa de recorridos, frecuencia de uso y alertas de fuga por segmento.

Acceso a los eventos de producto con su marca de tiempo, al histórico de al menos seis meses y a la definición actual de usuario activo.

Con la retención por cohorte, el tiempo hasta la activación, la tasa de abandono por tramo y el número de hipótesis de producto que se pueden validar.

Mensual, con la lectura de cohortes y revisión de la definición de activación.

Es el grupo de usuarios que entró en el producto en el mismo período. La cohorte es la única forma de medir si el producto mejora: si en enero los usuarios se quedaban tres meses y en marzo se quedan uno, el promedio no lo enseña. La lógica es sencilla y cambia las decisiones: cohortes de instalación, de mes de alta, de canal de captación y de tamaño de empresa. Cada cohorte se compara consigo misma, no con el total.

De 2 a 3 semanas para la instalación completa con webhooks y deduplicación. La primera semana se dedica a medir cuánto se está perdiendo hoy.

Contenedor en servidor con entorno de pruebas, webhooks de conversión con deduplicación, gestión del modo de consentimiento, recuperación de eventos bloqueados, control de latencia y documentación del alcance.

Acceso al servidor o al proxy de etiquetas, a las APIs de las plataformas publicitarias y a los eventos de backend.

Con el porcentaje de eventos recuperados, la desviación entre el dato de servidor y el de la herramienta de terceros, la latencia de entrega y el coste por evento.

Mensual, con revisión de eventos duplicados, de volumen y de coste de infraestructura.

Es la misma idea y a veces se confunden dos cosas distintas. El tracking en servidor es dónde se ejecuta el código de la etiqueta; el server-side tagging es una tecnología concreta que usa un proxy o un contenedor en el servidor para enviar los datos. Lo que cambia de verdad no es el canal: es que dejas de depender de que el navegador ejecute tu código y de que el visitante acepte cookies para que se registre una venta.

De 1 a 2 semanas para la implantación completa con registro y documentación. La revisión legal de textos la hace tu equipo o tu abogado: nosotros dejamos el procedimiento listo.

Banner con lógica por categoría, bloqueo efectivo de las etiquetas, señal de modo de consentimiento, registro auditable de decisiones, revisión de textos de cookies y privacidad y procedimiento de retirada.

Acceso al contenedor de etiquetas, al backend donde se registra la decisión y a los textos legales actuales.

Con el porcentaje de eventos de terceros que solo se cargan tras el consentimiento, el tiempo de retirada de una decisión y el número de incidencias en la revisión trimestral.

Trimestral, con revisión de textos, de categorías y de la lista de cookies reales del sitio.

No, y es el error más caro. El banner tiene que ir emparejado con un bloqueo efectivo: si las etiquetas de publicidad se cargan igual con el consentimiento denegado, no hay consentimiento y hay sanción. El segundo punto es el registro: hay que poder demostrar cuándo y qué aceptó cada visitante. Y el tercero, la actualización: la lista de cookies cambia con cada etiqueta nueva, y si no se revisa, el banner acaba describiendo un sitio que ya no existe.

De 3 a 4 semanas para activar las primeras tres audiencias. La lectura del efecto real aparece en el segundo mes, con el grupo de control ya poblado.

Definición de audiencias con tamaño y criterio, orquestación entre CRM, publicidad y correo, campañas activadas con mensajes diferenciados, medición de incrementality, control de frecuencia y realimentación al modelo.

Acceso a las plataformas publicitarias y de email, al CRM y a la herramienta de datos, con permiso de escritura en las audiencias.

Con el número de audiencias realmente usadas en campañas, la conversión por audiencia frente a su grupo de control, el coste por venta y la frecuencia media por usuario.

Mensual, con revisión de la rotación de audiencias y de las que llevan dos ciclos sin usarse.

Las que se puedan atender. Una audiencia sin mensaje propio, sin volumen suficiente o sin un canal asignado es un segmento que solo añade complejidad. El número sano está entre tres y siete por canal: por debajo no estás segmentando, por encima estás haciendo multitasking de marketing que el equipo no puede sostener. Y cada audiencia necesita un criterio escrito y una fecha de revisión, porque el comportamiento de los clientes cambia y los segmentos envejecen mal.

De 4 a 6 semanas para el primer modelo, contando el período de etiquetas. En subscription el churn se predice a noventa días, así que hace falta ese histórico.

Variables de riesgo, scoring calibrado con backtesting, umbrales por segmento, activadores de retención conectados a acciones, revisión mensual del modelo y medición del churn evitado con grupo de control.

Acceso al histórico de uso del producto, al de servicio al cliente y al de facturación con su churn, y a la acción de retención que se pueda lanzar.

Con la precisión y el recall del modelo, el churn evitado frente al grupo de control, el coste de la acción de retención y el margen recuperado.

Mensual, con revisión de la deriva del modelo y de las nuevas causas de fuga.

Con pocos clientes, no. Un modelo necesita cientos de casos de fuga etiquetados para ser fiable, y en una empresa joven no hay. En ese caso el camino sensato es empezar con reglas simples y observables: caída de uso, falta de login, soporte sin reclamar. Se aplican como lista y se van midiendo, y cuando ya hay volumen se sustituyen por un modelo. Lo que no funciona es montar el modelo sin datos y ajustar sus probabilidades a ojo.

De 5 a 8 semanas por modelo, contando la definición del problema y el despliegue. Los modelos que se entrenan con el histórico etiquetado no se aceleran.

Definición del problema y de la decisión, ingeniería de variables con almacén versionado, validación cruzada con test apartado, informe de interpretabilidad, despliegue monitorizado y control de deriva.

Acceso al histórico etiquetado, a la plataforma de despliegue y a un interlocutor que defina la decisión asociada al modelo.

Con la precisión en el conjunto de test, la mejora frente a la regla anterior, el número de decisiones tomadas con el modelo y el coste de la decisión acertada.

Trimestral, con reentrenamiento y revisión de la deriva y de las variables que han dejado de explicar.

Solo cuando hay más datos que reglas y cuando el coste de equivocarse es alto. Si con diez reglas bien ajustadas se resuelve, un modelo no aporta: aporta complejidad y una caja negra que luego hay que explicar. El modelo se justifica cuando hay volumen, muchas variables que interactúan y una decisión que se repite miles de veces al día. En cuanto el problema se puede resolver con una regla, la regla gana.

De 3 a 4 semanas para el perfilado, las reglas y la primera deduplicación. La limpieza continua es un proceso mensual.

Perfilado de fuentes con volumetría y distribución, reglas de calidad por dimensión con umbrales, deduplicación exacta, difusa y probabilística, resolución de identidad entre sistemas, panel de calidad y control continuo.

Acceso de lectura a las bases de clientes y a los sistemas que las alimentan, y permiso para escribir las correcciones.

Con el porcentaje de registros limpios, la reducción de duplicados, la tasa de completitud por campo crítico y el número de incidencias abiertas.

Mensual, con revisión de las reglas que han saltado y de los casos dudosos sin resolver.

No, y esa es la diferencia entre un proyecto que sale y uno que no. El enfoque correcto es priorizar: se limpian primero los campos que bloquean decisiones concretas, y el resto se trabaja de forma incremental. Una base con el 70% de los campos fiables para decidir ya es más útil que una base al 99% que tarda seis meses. La clave es declarar qué calidad hace falta para qué decisión y trabajar hasta ahí.