Discovery y validación con clientes

Los diplomas del tema «Descubrimiento de producto y validación con clientes» acreditan que su titular mantiene un nivel de competencia actualizado y verificable en el descubrimiento de producto: reducir la incertidumbre sobre qué merece construirse con evidencia útil de clientes y mercado, desde la conversación con el cliente hasta la decisión, y sostenerlo como práctica continua del equipo, también con inteligencia artificial.

Este diploma no evalúa "conocimientos teóricos" de técnicas de investigación, sino la capacidad de obtener señal fiable de los clientes, poner a prueba los supuestos más arriesgados con el experimento mínimo y decidir con la evidencia que se tiene y declarando la que falta.

Competencias acreditadas

La posesión de estos diplomas actualizados acredita que el titular es capaz de:

1) Separar el espacio del problema del de la solución

Distinguir qué afirmaciones pertenecen a cada espacio, reformular una petición que trae la solución dentro en términos de quién, en qué situación, qué intenta conseguir y qué se lo impide, y volver al enmarcado del problema cuando una solución falla.

2) Entrevistar para aprender y no para confirmar

Formular el objetivo de aprendizaje antes del guion, pedir y seguir historias concretas del pasado, convertir las preguntas de opinión o de intención futura en preguntas de comportamiento, detectar el sesgo de confirmación y separar el descubrimiento de la presentación de una solución.

3) Decidir a quién escuchar

Traducir un segmento en criterios de inclusión, exclusión y variedad, redactar un cuestionario de selección que no delate el objetivo, corregir el sesgo de la red propia y el de supervivencia, y dimensionar la muestra según se quiera descubrir patrones o medir su frecuencia.

4) Capturar señal de calidad

Separar en las notas la cita, el hecho con su contexto, la interpretación marcada y lo pendiente, convertir las notas basadas en adjetivos en hechos concretos, cerrar cada entrevista con su resumen y tratar el resumen de una herramienta como una interpretación que se contrasta con la transcripción.

5) Tratar con cuidado los datos de los clientes

Identificar los datos personales que se tratan al grabar, transcribir y analizar una entrevista, aplicar la información previa, el indicador visible y el consentimiento por grabación, comprobar qué hace una herramienta con los datos, anonimizar antes de usar un asistente de IA y reconocer cuándo la IA como entrevistador o la detección de emociones activan obligaciones de transparencia o riesgos de prohibición.

6) Sintetizar hasta el insight accionable

Clasificar una afirmación como observación, patrón, insight o implicación, agrupar y contar la recurrencia en fuentes distintas, tratar las excepciones como posible señal de otro segmento y formular insights con patrón cuantificado, causa marcada como inferencia e implicación concreta.

7) Enmarcar el problema como el trabajo que el cliente quiere hacer

Reescribir sin la solución dentro un problema enunciado como falta de una funcionalidad, distinguir la escuela del trabajo como progreso de la del trabajo como resultado medible, redactar una job story completada con la alternativa actual y comprobar que el enmarcado deja abiertas varias soluciones.

8) Mapear y priorizar los supuestos

Clasificar los supuestos por deseabilidad, viabilidad, factibilidad, usabilidad, ética o adaptabilidad, colocarlos en la matriz de importancia y evidencia, reconocer cuándo el supuesto crítico no es el habitual y reformular los supuestos vagos en otros que se pueden probar.

9) Diseñar experimentos mínimos para aprender

Plantear tests de prototipo con tareas como objetivos, moderación neutral y criterios observables, elegir la fidelidad mínima que responde a la pregunta, y elegir entre servicio manual, Mago de Oz, página de captación, una sola funcionalidad o prototipo funcional según la hipótesis, con las cautelas éticas y legales de lo que se oculta o se genera con IA.

10) Fijar el criterio de éxito antes de lanzar

Definir métrica primaria, umbral, muestra y fecha antes del experimento, distinguir métricas primaria, secundarias, de protección y de diagnóstico, estimar si la muestra permite detectar el efecto buscado, reconocer el p-hacking y el HARKing, y declarar como direccional la evidencia que no es causal.

11) Pesar la evidencia y decidir con ella

Situar un dato en el gradiente de la fuerza de la evidencia, distinguir las señales de bajo coste de las que tienen coste para quien las produce, mitigar los cuatro sesgos frecuentes, y decidir entre perseverar, iterar, pivotar o parar sin ceder a la falacia del coste hundido, documentando lo aprendido.

12) Sostener el descubrimiento como hábito del equipo

Organizar la cadencia semanal del trío de producto con reclutamiento continuo, integrar lo aprendido en el trabajo del sprint sin crear un traspaso, mantener un repositorio de evidencia rastreable y construir el árbol de oportunidades desde entrevistas reales, eligiendo una oportunidad antes de idear y comparando varias soluciones.

13) Descubrir con inteligencia artificial sin delegar el juicio

Distinguir los usos de la IA que la evidencia respalda de los que siguen siendo humanos, aplicar la síntesis comparada, decidir cuándo puede moderar una entrevista una IA, situar a los usuarios sintéticos en el peldaño más bajo de la evidencia y, en un producto cuyo núcleo es un modelo, validar el valor con una fiabilidad aceptable mediante el análisis de errores.