Research & Evidence

Buscar un método

Busca entre títulos, preguntas, territorios e identificadores MSC.

40 resultados
  1. MSC-P-001¿Cómo transformar una afirmación de marketing en una pregunta comprobable?Ciencia de la decisión
  2. MSC-P-002Correlación o causalidad: ¿qué permite afirmar realmente un análisis?Medición de marketing
  3. MSC-P-003¿Cómo expresar la incertidumbre de un resultado de marketing?Ciencia de la decisión
  4. MSC-P-004Significación o tamaño del efecto: ¿qué resultado debe interpretarse?Ciencia de la decisión
  5. MSC-P-005¿Cómo medir un constructo de marketing que no es directamente observable?Investigación de mercados
  6. MSC-P-006¿Cómo diseñar y validar una escala de medición?Investigación de mercados
  7. MSC-P-007Alfa u omega: ¿cómo evaluar la fiabilidad de una escala?Investigación de mercados
  8. MSC-P-009ACP, AFE o AFC: ¿qué método elegir?Investigación de mercados
  9. MSC-P-010¿Cuándo debe realizarse un experimento de marketing?Medición de marketing
  10. MSC-P-011¿Cómo diseñar una prueba A/B que estime realmente un efecto?Medición de marketing
  11. MSC-P-012¿Cuántas observaciones necesita un experimento?Ciencia de la decisión
  12. MSC-P-013¿Cómo medir el efecto incremental de una campaña con un grupo de control?Medición de marketing
  13. MSC-P-017¿Cómo detectar selección, contaminación y pérdida en un experimento?Medición de marketing
  14. MSC-P-018Regresión predictiva o causal: ¿qué se intenta estimar?Modelos de marketing
  15. MSC-P-019¿Cómo diagnosticar una regresión de marketing antes de interpretarla?Modelos de marketing
  16. MSC-P-022¿Cómo estimar la elasticidad-precio y su incertidumbre?Ciencia de precios
  17. MSC-P-026Logit vs Probit: ¿cómo elegir para una probabilidad de compra?Ciencia del cliente
  18. MSC-P-029¿Qué clientes presentan la mayor probabilidad de abandono?Ciencia del cliente
  19. MSC-P-027TAM, UTAUT o UTAUT2: ¿qué marco usar para estudiar la aceptación tecnológica?Investigación de mercados
  20. MSC-H-001Medición y causalidad: ¿cómo establecer un efecto de marketing?Medición de marketing
  21. MSC-H-002Modelos de respuesta de marketing: forma, retardo y saturaciónModelos de marketing
  22. MSC-H-003Ciencia de precios: conectar precio, demanda y contribuciónCiencia de precios
  23. MSC-H-004Ciencia del cliente y elección: comportamiento, valor y heterogeneidadCiencia del cliente
  24. MSC-H-005Ciencia de la medición: construir indicadores válidosInvestigación de mercados
  25. MSC-H-006Métodos estadísticos de decisión: elegir, cuantificar, validarCiencia de la decisión
  26. MSC-P-008¿Cómo validar una escala de medición de marketing?Investigación de mercados
  27. MSC-P-014¿Cómo diseñar un experimento geográfico de marketing?Medición de marketing
  28. MSC-P-015¿Cómo estimar un efecto con diferencias en diferencias?Medición de marketing
  29. MSC-P-020¿Cómo tratar la endogeneidad del precio?Ciencia de precios
  30. MSC-P-021Efectos fijos o aleatorios: ¿qué modelo de panel elegir?Modelos de marketing
  31. MSC-P-023¿Cómo estimar una función de demanda?Ciencia de precios
  32. MSC-P-024¿Cómo simular un escenario precio-volumen-margen?Ciencia de precios
  33. MSC-P-028¿Cómo estimar la CLV con BG/NBD y Gamma-Gamma?Ciencia del cliente
  34. MSC-P-030¿Cómo analizar la retención con un modelo de supervivencia?Ciencia del cliente
  35. MSC-P-031¿Cómo construir una segmentación de clientes útil?Ciencia del cliente
  36. MSC-P-032¿Cómo probar la estabilidad de una segmentación?Ciencia del cliente
  37. MSC-P-033¿Cómo validar un pronóstico de marketing?Ciencia de la decisión
  38. MSC-P-034¿Cómo construir una simulación Monte Carlo para una decisión de marketing?Ciencia de la decisión
  39. MSC-P-035¿Cómo modelar saturación y adstock?Modelos de marketing
  40. MSC-P-039¿Qué prueba estadística elegir?Ciencia de la decisión
Todos los métodos
FICHA DE MÉTODOMSC-P-001Fundamentos de la evidenciaDosier científico verificado

¿Cómo transformar una afirmación de marketing en una pregunta comprobable?

Una pregunta se vuelve comprobable cuando fija población, unidad, intervención, comparador, resultado, horizonte, efecto mínimo útil y un resultado capaz de contradecir la hipótesis.

Redacción científica : Marketing Science Center

Respuesta directa

Redactar un protocolo medible antes de elegir un método.

Una pregunta se vuelve comprobable cuando fija población, unidad, intervención, comparador, resultado, horizonte, efecto mínimo útil y un resultado capaz de contradecir la hipótesis.

Nosek et al. (2018), The preregistration revolutionICH E9(R1), Estimands and sensitivity analysis

01

Problema que resolver

Una afirmación como «el correo aumenta las compras» no especifica población, comparación, horizonte ni resultado que pueda contradecirla. Por tanto, no puede guiar un protocolo ni una decisión verificable.

02

Resumen operativo

La ficha transforma el claim en un contrato con población, unidad, exposición, comparador, resultado, horizonte, efecto mínimo útil, plan de análisis y falsador. La salida valida la integridad del contrato, no el efecto de marketing.

  1. Responsable: verificar decisión y umbral útil.
  2. Profesional: fijar población, unidad, resultado y horizonte.
  3. Analista: sellar estimando, análisis, incertidumbre y falsador.

03

Situación de marketing concreta

Un equipo quiere decidir si una campaña de correo merece una prueba. La población se limita a suscriptores elegibles, la unidad es el suscriptor, el comparador es no enviar correo y el resultado es una compra en siete días.

04

Pregunta científica y alcance

Entre suscriptores elegibles, ¿la asignación al correo frente a no enviarlo aumenta la compra en siete días al menos 1,0 punto porcentual? El estimando previsto es una diferencia de riesgos por intención de tratar.

05

Por qué falla una formulación simple

Sin unidad, se desconoce la dependencia entre observaciones. Sin comparador, el efecto no está definido. Sin horizonte, el resultado puede cambiar tras observar los datos. Sin umbral y falsador, casi cualquier resultado puede presentarse como favorable.

06

Intuición del método

Una pregunta comprobable fija de antemano qué se observará, en quién, frente a qué, cuándo y con qué regla el resultado podrá apoyar o contradecir la hipótesis. Así separa generación de ideas y contraste confirmatorio.

07

Datos necesarios

El registro exige población y elegibilidad, unidades de asignación y análisis, intervención, comparador, definición y ventana del resultado, estimando, estrategia de eventos intercurrentes, regla de datos faltantes, estimador, método de intervalo, alfa, multiplicidad, umbral, dirección, tres desenlaces decisionales, desviaciones y estado de datos.

08

Modelo formal

Q=(P,U,X,C,Y,H,Δ*,D,A,F), donde P es población, U unidad, X exposición, C comparador, Y resultado, H horizonte, Δ* efecto mínimo útil, D dirección, A plan de análisis y F falsador.

09

Cálculo declarado

Python y R leen la ruta indicada, exigen una fila, validan campos, H>0, Δ*>0, coherencia 95% ↔ alfa 0,05, pareja dirección-límites, denominador ITT, eventos intercurrentes, regla fail-closed de faltantes, multiplicidad y desviaciones, y calculan el mismo SHA-256 canónico.

10

Ejemplo numérico completo

El protocolo fija H=7 días, Δ*=1,0 punto y un contraste. El IC Miettinen-Nurminen invierte el score binomial restringido, aplica N/(N-1), tolerancia 1e-8, 100 iteraciones, nivel 95% y alfa bilateral 0,05. Límite inferior ≥ +1,0: umbral apoyado; superior < +1,0: refutado; si no, inconcluso. protocol_complete=true; SHA-256=86a315abd306359f92ec5439f361511d80a7516af3516525c8bd1272014caa74; ningún efecto estimado.

Ejemplo de protocolo sintético: sin observaciones ni efecto estimado.

MSC-P-001-EXAMPLE
HorizonteUmbralEstimandoSalida
71.0 ppplanned ITT risk differenceprotocol_complete=true

11

Supuestos de validez

Los campos deben representar objetos observables y no redundantes. La unidad debe corresponder al mecanismo de asignación. El resultado debe medirse en todos los grupos durante el mismo horizonte. El umbral útil debe proceder de la decisión, no de resultados futuros.

12

Diagnósticos e incertidumbre

Comprobar población, asignaciones únicas, cobertura completa del registro de transacciones, entrega, apertura, cruce, exposición externa, calendario, exclusiones, multiplicidad y desviaciones. La precisión prevista puede planificarse con tamaño y tasas supuestas; el intervalo empírico requiere observaciones.

13

Interpretación del resultado

protocol_complete=true solo significa que el registro contiene los campos requeridos y supera reglas deterministas. No prueba viabilidad, asignación válida ni que el correo produzca el efecto mínimo útil.

14

Conclusión admisible y prohibida

Admisible: la pregunta, el estimando previsto, el umbral y el falsador son explícitos. Prohibido: el correo aumenta las compras, el protocolo garantiza un resultado o declarar un umbral hace causal la futura prueba.

15

Decisión de marketing posible

El equipo puede aceptar, revisar o rechazar el protocolo antes de recoger datos, estimar el coste, verificar variables y decidir si el umbral de 1,0 punto justifica el experimento. Aún no puede actuar sobre un efecto observado inexistente.

16

Cuándo usar y cuándo detenerse

Usar antes de recoger datos o abrir resultados. Detenerse si no pueden fijarse población, comparador, resultado u horizonte, si el umbral carece de justificación decisional o si el plan se reescribe tras ver resultados sin etiqueta exploratoria.

17

Implementaciones reproducibles

El CSV CC0 es el registro único. Python 3.13 y R 4.5 son los validadores de referencia: misma ruta, reglas, pregunta y SHA-256. SPSS y SAS se limitan explícitamente a importar e inspeccionar; no validan protocol_complete. No hay semilla porque no se simula.

18

Entregable final esperado

Entregar la pregunta canónica, registro versionado y hashado, justificación de Δ*, plan de análisis, regla de datos faltantes, falsador, desviaciones y etiqueta confirmatoria o exploratoria de cada análisis.

19

Referencias y nivel de evidencia

Nosek et al. sustentan preespecificación y falsabilidad. ICH E9(R1) respalda estimando, eventos intercurrentes y réplica. La documentación SAS 9.4 sella algoritmo MN corregido, parada numérica y distinción de Mee. Se verificaron los tres textos completos. Ninguno valida correo ni umbral sintético.

  1. Nosek et al. (2018) ↗Texto completo verificado · manuscrito depositado por los autores
  2. ICH E9(R1) (2020) ↗Texto completo verificado · guía oficial Step 5
  3. SAS 9.4 · PROC FREQ ↗Texto completo verificado · documentación oficial del algoritmo

Datos · Herramienta

Datos · MSC-P-001-QUESTIONRegistro sintético de pregunta comprobable

Conexiones metodológicas

Territorio principalMétodos estadísticos de decisión: elegir, cuantificar, validar

Leer después

MSC-P-002Correlación o causalidad: ¿qué permite afirmar realmente un análisis?MSC-P-010¿Cuándo debe realizarse un experimento de marketing?MSC-P-018Regresión predictiva o causal: ¿qué se intenta estimar?