Research & Evidence

Buscar un método

Busca entre títulos, preguntas, territorios e identificadores MSC.

    ← Todos los métodos
    FICHA DE MÉTODOMSC-P-010Experimentación y causalidadDosier científico verificado

    ¿Cuándo debe realizarse un experimento de marketing?

    Un experimento es preferible cuando la pregunta se refiere al efecto de una acción y la asignación puede controlarse sin un riesgo desproporcionado. De lo contrario, el diseño observacional debe explicitar sus supuestos.

    Redacción científica: Marketing Science Center

    Respuesta directa

    Elegir un diseño proporcional a la decisión y al riesgo.

    Un experimento es preferible cuando la pregunta se refiere al efecto de una acción y la asignación puede controlarse sin un riesgo desproporcionado. De lo contrario, el diseño observacional debe explicitar sus supuestos.

    Jackson et al., 2022Hernán & Robins, Causal Inference: What If

    01

    Resumen operativo

    Pregunta científica y alcance

    ¿Cuándo debe realizarse un experimento de marketing?

    Admisible

    Elegir un diseño proporcional a la decisión y al riesgo.

    Prohibido

    Exigir causalidad fuerte cuando no existe variación creíble.

    02

    Tres niveles de lectura

    1. 01

      Responsable — Conectar el resultado con una decisión, un umbral útil y un coste de error declarados.

    2. 02

      Profesional — Fijar población, unidad, horizonte, variables disponibles y regla de análisis antes del cálculo.

    3. 03

      Analista — Reproducir el cálculo, cuantificar la incertidumbre y documentar diagnósticos, fallos y sensibilidad.

    03

    Situación de marketing concreta

    Un experimento es preferible cuando la pregunta se refiere al efecto de una acción y la asignación puede controlarse sin un riesgo desproporcionado. De lo contrario, el diseño observacional debe explicitar sus supuestos.

    04

    Pregunta científica y alcance

    ¿Cuándo debe realizarse un experimento de marketing?

    Filtro local de gobernanza para decidir si detallar un experimento causal; no EVSI/EVPI

    Datos necesarios

    Unidad elegible × asignación × horizonte de valor fijo

    La población, la unidad de análisis, la fecha de origen y el horizonte deben declararse en el entregable. Sin ellos, el estimando cambia sin advertencia.

    05

    Por qué puede fallar un análisis simple

    • Exigir causalidad fuerte cuando no existe variación creíble.
    • ¿Todas las cantidades monetarias usan el mismo horizonte y base de moneda?
    • ¿Se fijó el escenario de valoración antes de ver un resultado experimental?
    • ¿Se documentan probabilidades y consecuencias de riesgo en vez de ocultarlas en una puntuación opaca?

    06

    Intuición del método

    El método no convierte automáticamente una asociación en evidencia. Vincula una pregunta declarada con un estimando, una especificación, datos compatibles y una regla de interpretación limitada.

    Filtro local de gobernanza para decidir si detallar un experimento causal; no EVSI/EVPI

    07

    Datos necesarios

    Diccionario de símbolos científicos

    local_decision_value
    Valor monetario local de resolver la decisión en un escenario y horizonte preespecificados; no es EVSI ni EVPI. Unidad: euro en el horizonte declarado · Tipo: número · Función: entrada
    experiment_cost
    Coste monetario incremental total de diseñar, operar y analizar el experimento en el mismo horizonte. Unidad: euro · Tipo: número no negativo · Función: entrada
    expected_operational_harm
    Daño monetario esperado bajo un modelo probabilístico declarado para riesgos operativos y éticos. Unidad: euro · Tipo: número no negativo · Función: entrada
    local_screen
    Balance local de gobernanza para decidir si procede detallar el experimento; no es una estimación de efecto ni valor formal de información. Unidad: euro · Tipo: número · Función: salida

    Entradas exactas y selladas del motor

    local_decision_value_eur
    Valor: 25000 · Unidad: EUR · Tipo: número · Estado de los datos: sintético
    experiment_cost_eur
    Valor: 12000 · Unidad: EUR · Tipo: número · Estado de los datos: sintético
    operational_risk_eur
    Valor: 5000 · Unidad: EUR · Tipo: número · Estado de los datos: sintético
    anticipated_gain_pp
    Valor: 2.0 · Unidad: punto_porcentual · Tipo: número · Estado de los datos: sintético
    minimum_useful_gain_pp
    Valor: 1.5 · Unidad: punto_porcentual · Tipo: número · Estado de los datos: parámetro declarado
    action_reversible
    Valor: 1 · Unidad: binario · Tipo: entero · Estado de los datos: sintético
    assignment_feasible
    Valor: 1 · Unidad: binario · Tipo: entero · Estado de los datos: sintético
    value_horizon_days
    Valor: 30 · Unidad: día · Tipo: entero · Estado de los datos: parámetro declarado
    valuation_scenario_prespecified
    Valor: 1 · Unidad: binario · Tipo: entero · Estado de los datos: parámetro declarado
    risk_probability_model_declared
    Valor: 1 · Unidad: binario · Tipo: entero · Estado de los datos: parámetro declarado

    08

    Modelo formal

    Modelo formal

    local_net_screen_eur = local_decision_value_eur − experiment_cost_eur − operational_risk_eur; passes_local_screen = 1 only if local_net_screen_eur > 0, anticipated_gain_pp >= minimum_useful_gain_pp, action_reversible = 1, assignment_feasible = 1, valuation_scenario_prespecified = 1, risk_probability_model_declared = 1, and value_horizon_days > 0

    Afirmaciones respaldadas: MSC-P010-C01 · MSC-P010-C02 · MSC-P010-C03 · MSC-P010-C04 · MSC-P010-C05 · MSC-P010-C06 · MSC-P010-C07 · MSC-P010-C08 · MSC-P010-C09

    Pregunta científica y alcance

    Filtro local de gobernanza para decidir si detallar un experimento causal; no EVSI/EVPI

    09

    Cálculo declarado

    1. 01

      Alinear el valor de la decisión, el coste y el daño en una misma moneda, un mismo escenario de valoración y un horizonte fijo; exigir declaraciones del escenario y del modelo de riesgo.

    2. 02

      Restar el coste del experimento y el daño operativo esperado del valor de decisión evaluado localmente, y comparar la ganancia prevista con la ganancia útil mínima.

    3. 03

      Etiquetar la salida como filtro de gobernanza no universal y prohibir lenguaje de VOI o efecto causal.

    10

    Ejemplo numérico o caso de aplicación

    Ejemplo de aplicación — datos sintéticos o parámetros declarados; ninguna observación real

    Entradas selladas

    • local_decision_value_eur=25000 [EUR]
    • experiment_cost_eur=12000 [EUR]
    • operational_risk_eur=5000 [EUR]
    • anticipated_gain_pp=2.0 [punto_porcentual]
    • minimum_useful_gain_pp=1.5 [punto_porcentual]
    • action_reversible=1 [binario]
    • assignment_feasible=1 [binario]
    • value_horizon_days=30 [día]
    • valuation_scenario_prespecified=1 [binario]
    • risk_probability_model_declared=1 [binario]

    Resultados reproducibles

    • local_net_screen=€8,000
    • passes_local_screen=true

    Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.

    11

    Supuestos de validez

    • ¿Todas las cantidades monetarias usan el mismo horizonte y base de moneda?
    • ¿Se fijó el escenario de valoración antes de ver un resultado experimental?
    • ¿Se documentan probabilidades y consecuencias de riesgo en vez de ocultarlas en una puntuación opaca?

    12

    Diagnósticos e incertidumbre

    Diagnósticos e incertidumbre

    ¿Todas las cantidades monetarias usan el mismo horizonte y base de moneda? · ¿Se fijó el escenario de valoración antes de ver un resultado experimental? · ¿Se documentan probabilidades y consecuencias de riesgo en vez de ocultarlas en una puntuación opaca?

    Diagnóstico acotado

    Filtro local de gobernanza no universal; no es valor de información ni estimación de efecto.

    Contrato explícito de incertidumbre · not_estimable_from_sealed_inputs

    Método: Evaluación explícita de no estimabilidad frente al esquema de entradas sellado.

    Objetivo: Incertidumbre en los valores locales de valor, coste, riesgo y ganancia.

    Evidencia del motor: diagnostic=local_nonuniversal_governance_screen_not_voi_or_effect_estimate

    Interpretación: Las entradas puntuales selladas no contienen distribuciones de probabilidad; el filtro no cuantifica EVSI, EVPI ni incertidumbre decisional.

    Detenerse si

    Exigir causalidad fuerte cuando no existe variación creíble.

    13

    Interpretación del resultado

    • Elegir un diseño proporcional a la decisión y al riesgo.
    • El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.

    14

    Conclusión admisible y prohibida

    Admisible

    Elegir un diseño proporcional a la decisión y al riesgo.

    Prohibido

    Exigir causalidad fuerte cuando no existe variación creíble.

    15

    Decisión de marketing posible

    1. 01

      Elegir un diseño proporcional a la decisión y al riesgo.

    2. 02

      El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.

    16

    Cuándo usar — cuándo detenerse

    Usar si

    Elegir un diseño proporcional a la decisión y al riesgo.

    Unidad elegible × asignación × horizonte de valor fijo

    Detenerse si

    Exigir causalidad fuerte cuando no existe variación creíble.

    Alternativas metodológicas

    • Usar EVPI o EVSI con un modelo de decisión probabilístico completo.
    • Usar un filtro cualitativo de viabilidad y ética si monetizar sería engañoso.
    • Realizar un piloto pequeño solo tras definir reglas de parada y estimando causal.

    17

    Contrato de reproducibilidad

    Python y R son las referencias ejecutables. SPSS y SAS siguen siendo sintaxis secundarias hasta verificarse con los mismos datos, especificación y diagnósticos.

    El motor selecciona únicamente el segmento y la rama explícita de esta página. Su hash, salidas y diagnósticos quedan sellados en el expediente atómico; no se permite ninguna rama genérica de respaldo.

    Huella del segmento: 9f3be1ae9f83565bb0f6f7351672c8284fe0eaf705c212e574f0545f899f4c14

    Modelo formal

    local_net_screen_eur = local_decision_value_eur − experiment_cost_eur − operational_risk_eur; passes_local_screen = 1 only if local_net_screen_eur > 0, anticipated_gain_pp >= minimum_useful_gain_pp, action_reversible = 1, assignment_feasible = 1, valuation_scenario_prespecified = 1, risk_probability_model_declared = 1, and value_horizon_days > 0

    Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.

    18

    Entregable final esperado

    1. 01

      ¿Cuándo debe realizarse un experimento de marketing? — Unidad elegible × asignación × horizonte de valor fijo

    2. 02

      local_decision_value · experiment_cost · expected_operational_harm · local_screen

    3. 03

      local_net_screen_eur = local_decision_value_eur − experiment_cost_eur − operational_risk_eur; passes_local_screen = 1 only if local_net_screen_eur > 0, anticipated_gain_pp >= minimum_useful_gain_pp, action_reversible = 1, assignment_feasible = 1, valuation_scenario_prespecified = 1, risk_probability_model_declared = 1, and value_horizon_days > 0

    4. 04

      ¿Todas las cantidades monetarias usan el mismo horizonte y base de moneda? · ¿Se fijó el escenario de valoración antes de ver un resultado experimental? · ¿Se documentan probabilidades y consecuencias de riesgo en vez de ocultarlas en una puntuación opaca?

    5. 05

      Elegir un diseño proporcional a la decisión y al riesgo. / Exigir causalidad fuerte cuando no existe variación creíble.

    19

    Fuentes científicas y estado de la evidencia

    Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.

    1. MSC-P010-C01 — El objetivo causal compara resultados potenciales medios bajo dos intervenciones definidas.
    2. MSC-P010-C02 — La consistencia vincula el resultado observado con el potencial bajo la política asignada.
    3. MSC-P010-C03 — El estimando causal supone que la asignación de un cliente no altera el resultado de otro.
    4. MSC-P010-C04 — Ajustar una regresión no establece por sí mismo un diseño causal.
    5. MSC-P010-C05 — La especificación previa cubre la pregunta de investigación y el plan de análisis antes de observar resultados.
    6. MSC-P010-C06 — Los métodos de valor de la información apoyan la priorización y el diseño de estudios.
    7. MSC-P010-C07 — El valor formal de información requiere incertidumbre probabilística de parámetros.
    8. MSC-P010-C08 — El valor formal de información requiere pérdidas o beneficios específicos de la decisión.
    9. MSC-P010-C09 — ENBS se basa en EVSI, no en una puntuación local arbitraria.
    1. Jackson et al., 2022
    2. Hernán & Robins, Causal Inference: What If
    3. Arnold et al., 2020
    4. Nosek et al., 2018

    Conexiones metodológicas

    Territorio principalMedición y causalidad: ¿cómo establecer un efecto de marketing?

    Leer después

    MSC-P-011¿Cómo diseñar una prueba A/B que estime realmente un efecto?→MSC-P-012¿Cuántas observaciones necesita un experimento?→MSC-P-017¿Cómo detectar selección, contaminación y pérdida en un experimento?→