Diseño experimental, pruebas AB y pensamiento causal

La mayoría de los experimentos fracasan en silencio. Realizas una prueba, ves un aumento del 2%, implementas el cambio y asumes que funcionó. Pero el aumento fue ruido. O confusión (los usuarios de alto valor adoptaron primero, de todas formas gastan más). O sesgo de asomarse (revisaste los resultados a mitad de camino y tuviste suerte). O tu métrica era demasiado ruidosa para detectar un efecto real. Meses después, la función no rinde como esperabas y te quedas preguntándote qué salió mal. Los experimentos son el estándar de oro para el razonamiento causal en los negocios — son cómo respondes a "¿esto realmente funciona?" en lugar de adivinar. Pero realizar un experimento válido requiere más que intuición. Requiere formular una hipótesis precisa, elegir una métrica que realmente mida el impacto, calcular cuántos usuarios necesitas, aleatorizar correctamente, resistir la tentación de asomarte, analizar los resultados rigurosamente y distinguir la correlación de la causalidad. Este curso enseña el ciclo de vida completo. Aprenderás los fundamentos estadísticos y causales — por qué la aleatorización rompe la confusión, qué significan realmente los valores p, cómo se relacionan la potencia y el tamaño de la muestra. Diseñarás experimentos que funcionen: seleccionar métricas, planificar tamaños de muestra, elegir esquemas de aleatorización y detectar problemas de calidad de datos antes de que arruinen tus resultados. Ejecutarás sin romper nada: monitorear de forma segura, evitar el sesgo de asomarse, establecer reglas de parada. Analizarás con rigor: interpretar tamaños del efecto, detectar falsos positivos, investigar efectos heterogéneos. Y sabrás cuándo la aleatorización no es posible — los métodos observacionales como el emparejamiento por puntaje de propensión y los diagramas causales son herramientas poderosas cuando la ética o la logística prohíben la experimentación. El curso enfatiza la toma de decisiones práctica sobre la teoría pura. Aprenderás a reconocer trampas comunes — regresión a la media, inflación por pruebas múltiples, sesgo de selección — y a solucionarlas. Construirás un modelo mental para cuándo aplicar cada método. Y desarrollarás el hábito de preregistrar tu plan de análisis antes de ejecutar, para que los datos no te tienten a hacer p-hacking. Al final, tendrás las habilidades para planificar, ejecutar e interpretar experimentos que realmente te digan qué funciona. No intuición. No corazonadas. Evidencia.