Decidir con pocos datos: comprar la información que realmente puede cambiar la acción.
Estado de la evidencia
Qué se ha reproducido y qué no demuestra.
El CSV y la ejecución Python verifican los valores netos de información y la clasificación del escenario ilustrativo. No validan ni las probabilidades ni el rendimiento de un método en un mercado real.
- Especificación técnica de la cartera de aprendizaje con pocos datos, especificación en francés (se abre en una pestaña nueva)
v1, 31 de agosto de 2026 · CC BY 4.0 · especificación en francés · Documento de método redactado por marketing-mix.net. Las cifras son ilustrativas: no son mediciones de mercado.
Qué hay que distinguir
Tres condiciones antes de cualquier cálculo.
Decisión antes que dato
La recogida empieza por la acción a elegir, la exposición y la fecha. Un dato útil para explicar el pasado puede no cambiar nada en la elección inminente.
Triangulación ligera
Con pocas observaciones, combinar economía unitaria, prueba dirigida, investigación de cliente y referencia externa produce a menudo una decisión más robusta que un modelo único.
Valor de la información
Una medición es valiosa si tiene una posibilidad real de modificar la acción y de evitar una pérdida material. La precisión sin consecuencia decisional tiene poco valor.
Método
Construir una secuencia de aprendizaje rentable
- 01Formular los puntos de báscula
Escribir las hipótesis que cambiarían el go/no-go, el presupuesto o el objetivo, y asociar a cada una un rango y una pérdida si es falsa.
- 02Crear las opciones de prueba
Enumerar piloto, holdout, prueba geográfica, encuesta, observación operativa y modelo; cifrar coste, plazo, población y resultado esperado.
- 03Calcular el valor neto
Estimar la probabilidad de que la prueba cambie la decisión multiplicada por la pérdida evitable, restar coste y valor del plazo, y clasificar las opciones.
- 04Aprender secuencialmente
Comprar la primera prueba, actualizar las hipótesis y recalcular el valor de las siguientes; detenerse cuando la información ya no pueda cambiar la acción.
La cartera coste × valor de la información
Se comparan cuatro opciones de evidencia según coste, plazo, probabilidad de cambiar la decisión y pérdida económica evitable.
La prueba geográfica vale 45 k€ netos; el MMM es prematuro
Un lanzamiento expone 300 k€. Una prueba geográfica cuesta 45 k€ y tiene un 30 % de posibilidades de evitar la pérdida completa. Un holdout de clientes cuesta 25 k€ y tiene un 25 % de posibilidades de evitar 150 k€. Un MMM cuesta 90 k€, pero los doce meses disponibles no separan los canales.
Valor neto de la prueba geográfica: 30 % × 300.000 − 45.000 = 45.000 €. Holdout: 25 % × 150.000 − 25.000 = 12.500 €. El MMM recibe una probabilidad de báscula próxima a cero mientras falte la variación, es decir un valor neto próximo a −90.000 €.
La prueba geográfica se lanza primero y después el holdout se reevalúa con su resultado. El MMM se aplaza hasta obtener un histórico y variaciones identificables.
Condiciones de aceptación
Lo que debe cumplirse para actuar.
- 01
Cada recogida se vincula a un punto de báscula de decisión explícito.
- 02
Coste, plazo, probabilidad de báscula y pérdida evitable están cifrados.
- 03
Las pruebas se compran secuencialmente, no todas a la vez.
- 04
Un método no identificable se aplaza en lugar de forzarse.
Límites
Lo que este análisis no demuestra.
- La probabilidad de cambiar la decisión es ella misma incierta.
- El valor de la información baja si la ventana comercial es corta.
- Varias pruebas pequeñas correlacionadas no valen lo que varias pruebas independientes.
Referencias
Trabajos citados.
- Vaver, J. & Koehler, J. (2012), « Periodic Measurement of Advertising Effectiveness Using Multiple-Test-Period Geo Experiments », Google Research.
- Chen, A., Longfils, M. & Remy, N. (2021), « Trimmed Match Design for Randomized Paired Geo Experiments », Google Research.
- Owen, A. & Launay, T. (2016), « Multibrand Geographic Experiments », Google Research.