ANALÍTICA ORIENTADA A DECISIONES
Análisis de Datos e Ingeniería de Insights
Conectamos el dato de marketing a mecanismos de decisión, no a dashboards. KPI tree, modelado con dbt, Bayesian MMM, tests de incrementality y analítica self-serve — la infraestructura de la acción, no de la medición.
La analítica no es ‘hacer dashboards’; es un sistema operativo en el que cada gráfico dispara directamente una decisión.
La mayoría de las empresas se ahogan entre más de 40 dashboards pero reciben cinco respuestas distintas de cinco fuentes distintas para la misma pregunta. Los KPI se debaten, las decisiones se posponen, gana el HiPPO. La operación analítica de Roibase se apoya en seis principios que eliminan esta ambigüedad; cada principio no produce dashboards, produce decisiones.
METODOLOGÍA
DIAGNOSE → MODEL → BUILD → AUTOMATE → VALIDATE → EDUCATE
Las seis capas de la operación analítica; cada una produce su propio artefacto y se enlaza con las demás para alimentar el ciclo de decisión.
DIAGNOSE
Inventario de decisiones + mapa de preguntas
Se listan las 30 preguntas que quienes deciden se hacen cada semana; se aclaran fuente de respuesta, frecuencia, SLA e impacto.
MODEL
KPI tree + modelo de datos
Modelos dbt + semantic layer en LookML o Metabase; versionados, testeables y documentados.
BUILD
Dashboard + sistema de alertas
Dashboards por categoría de decisión (CAC, retention, revenue quality); alertas con umbral + plantillas de disparador.
AUTOMATE
Pipeline + refresh + monitoring
Orquestación del refresh con Airflow / Dagster / dbt Cloud; pipeline health + tests de calidad de datos + bot de Slack.
VALIDATE
A/B + incrementality + validación de MMM
Los outputs del modelo se contrastan con experimentos; calibración con tests de incrementality + simulaciones de escenarios MMM.
EDUCATE
Data council + formación self-serve
Data council mensual: qué pregunta quedó sin respuesta, qué dashboard no se usó, qué formación self-serve hace falta.
— COMPARACIÓN
¿Dónde está la diferencia? BI clásico vs analítica orientada a decisiones
Una empresa puede confundir 100 dashboards con ‘analytics’. El valor real aparece cuando cada dashboard se enlaza a una decisión y cada decisión a una acción.
| Dimensión | BI in-house por sí solo | Agencia clásica de reporting | Analítica orientada a decisiones Roibase |
|---|---|---|---|
| Definición de KPI | Se solapa entre áreas | Plantilla de la agencia | KPI tree + ownership por escrito |
| Filosofía de dashboard | Abundancia de gráficos | Enfoque quarterly PPT | Cada gráfico, una decisión |
| Capa de modelado de datos | SQL ad-hoc + Excel | Reporting dentro de la plataforma | dbt + versionado + testeado |
| Ingeniería de cohort + LTV | Limitado a métricas promedio | No existe como reporte | D1-D90 + segmento + curva de LTV |
| MMM + incrementality | Inexistente | Intento basado en Excel | Bayesian MMM + geo-holdout |
| Sistema de anomalías / alertas | Control manual | Inexistente | Drift detector ML + Slack/email |
| Cultura self-serve | Data team cuello de botella | Dirigido por reportes | La unidad de negocio pregunta por sí misma |
| Governance + PII | Sin política | No hay conciencia | PII tagging + retención + audit |
PROOF
Outcomes, measured
Número de preguntas estratégicas que quedan respondibles tras el primer sprint.
Horas que el equipo de marketing recupera en la preparación manual de dashboards.
Ritmo de actualización según cambios de temporada + mix de canales.
Rango mínimo de datos diarios necesarios para MMM + forecast.
SLA dbt + Airflow + monitoring; tests de calidad de datos incluidos.
Tiempo medio desde el brief hasta la publicación de un nuevo panel de decisión.
WHAT WE DO
Engagement scope
Every offering is an outcome-based work package. Roibase blends strategy and execution inside a single team — no hand-offs.
Arquitectura de KPI tree
Cada métrica de marketing se conecta directamente al resultado de negocio; cada métrica tiene un propietario, una fuente, un umbral y una decisión disparadora.
Dashboards decision-tree
No gráficos, decisiones: paneles diseñados con la lógica ‘a este umbral, esta acción’; cada panel es para un rol y una frecuencia.
Capa dbt + warehouse + BI
Modelos de datos versionados y testeables con dbt; sobre BigQuery / Snowflake / Redshift; con interfaz LookML / Metabase / Lightdash.
Ingeniería de cohort y retention
Tablas de cohort D1/D7/D30/D90, curvas de LTV, análisis de churn y resurrection por segmento — el comportamiento real que queda bajo el promedio.
Bayesian MMM
Modelamos juntos media, promo, estacionalidad y variables macro; Robyn + PyMC; refresh trimestral + confidence band.
Modelado de atribución
GA4 DDA + multi-touch attribution + enfoques shapley value; un modelo de decisión que va más allá del reporting sesgado por la plataforma.
Incrementality testing
Tests geo-holdout + matched-market; Meta Lift, GeoLift, framework propio; precisión de referencia para decisiones de presupuesto.
Detección de anomalías
Para métricas que se deterioran en silencio, drift detector basado en ML + forecast band + alerta en Slack/email; al momento, no por la mañana.
Self-serve analytics
Un entorno donde la unidad de negocio responde sus propias preguntas (Metabase, Lightdash, Hex) + formación + mentoría.
Data governance
PII tagging, schema registry, política de retención, audit de acceso a datos, paquete documental; operación cumplidora con KVKK + RGPD.
— ENTREGABLES
El impacto de la operación de datos en la toma de decisiones
Cuanto más rápidas, basadas en datos y repetibles son las decisiones de una organización, mejor posicionada está frente a condiciones de mercado imprevisibles.
Velocidad de decisión
Las 30 preguntas estratégicas tienen respuesta en el panel; en la reunión no se discuten los datos, se discuten las acciones.
Menos HiPPO
No manda la opinión del mejor pagado, manda la decisión del dato; el debate se referencia sobre métricas.
Ahorro de tiempo en reporting
Se acaban las rutinas manuales en Excel del equipo de marketing; las horas recuperadas se reinvierten en análisis estratégico.
Alerta temprana + acción
Con drift detector ML + alertas con umbral, las métricas que se deterioran se detectan en horas.
Cultura self-serve
La unidad de negocio responde sus propias preguntas sin esperar al data team; el data team se enfoca en trabajo estratégico.
Precisión de MMM + forecast
Con Bayesian MMM + calibración de incrementality, la desviación del forecast queda en una banda del ±8 %; la decisión de presupuesto es segura.
ENTREGABLES
Outputs mensuales + trimestrales
Los artefactos concretos de la operación analítica; cada uno se entrega a tu equipo y en el mes 12 funciona de forma totalmente autónoma gracias al runbook.
Inventario de decisiones + mapa de 30 preguntas
Lista de las preguntas semanales de los decisores, fuente de respuesta, SLA y necesidades de datos que faltan.
KPI tree
Fuente, propietario, umbral y decisión que dispara cada métrica — un único panel Miro / FigJam, versionado.
Repo dbt + modelos
Proyecto dbt versionado y testeable; capas staging / intermediate / marts y documentación incluida.
Semantic layer (LookML / Metabase models)
Capa de metric definitions comunes detrás de las preguntas que hará la unidad de negocio.
Pack de dashboards
Entre 15 y 25 paneles iniciales por categoría de decisión (CAC, retention, revenue quality); cada uno por rol + frecuencia.
Sistema de alertas con umbral
Drift detector ML + forecast band + integración Slack/email; las métricas que se deterioran alertan en horas.
Reporte de cohort + retention
Tablas D1/D7/D30/D90 + curvas de LTV + análisis de churn por segmento + tasa de resurrection.
Modelo MMM + reporte
Bayesian MMM (Robyn/PyMC); channel contribution + saturation + adstock + confidence band.
Protocolo de test de incrementality
Framework de test geo-holdout y matched-market; plantillas de planificación + ejecución + análisis.
Runbook de data governance
PII tagging, schema registry, política de retención, audit de accesos — cumplidor con KVKK + RGPD.
Resumen mensual de data council
Qué preguntas se respondieron, cuáles quedaron, qué dashboard se usó, lista de prioridades para el mes siguiente.
Material de formación self-serve
Vídeos de formación en Metabase / Lightdash / Hex para la unidad de negocio + glosario SQL / jerga + dataset de práctica.
— ALCANCE
¿Qué está dentro y qué fuera?
Los límites de la operación analítica son claros. Ver el alcance por adelantado evita expectativas erróneas y scope creep.
Lo que cubre este servicio
- Inventario de decisiones + primer sprint de 30 preguntas
- KPI tree + ownership por escrito + documento versionado
- Montaje del repo dbt + capas staging/intermediate/marts
- Integración con warehouse (BigQuery / Snowflake / Redshift / Databricks)
- Semantic layer en LookML o Metabase
- Primeros 15-25 dashboards + ampliación trimestral
- Anomaly detection basada en ML + sistema de alertas con umbral
- Analítica de cohort + LTV + retention — actualización trimestral
- Bayesian MMM (3 refreshes al año)
- Protocolo y ejecución de tests de incrementality
- Runbook de data governance (PII, retención, audit)
- Data council mensual + flujo de formación self-serve
Trabajos no incluidos (alcance opcional adicional)
- BI financiero / contable (el lado ERP va con consultoría aparte)
- Coste de compute / licencia del warehouse (contrato del cliente)
- Entrenamiento de modelos ML custom (más allá del forecasting)
- Infraestructura de streaming real-time (Kafka, Kinesis — alcance separado)
- Consultoría de privacidad / jurídica (con abogado partner)
- Renovaciones de licencias de herramientas BI
- Compra de datos de terceros (panel, survey)
- Las operaciones de marketing en sí (PPC / SEO / CRO como servicio aparte)
HOW WE WORK
Proceso: operación analítica de la semana 1 de diagnóstico al mes 6+ de governance
Semana 1-2 — Inventario de decisiones + audit
Lista de 30 preguntas estratégicas, inventario de dashboards actuales, salud de las fuentes de datos y diagnóstico de SLA.
Semana 3 — KPI tree + schema
KPI tree por escrito, metric definitions, ownership; decisión sobre schema del warehouse + capa staging.
Semana 4-5 — Modelos dbt + primeros dashboards
dbt staging + intermediate + marts; publicación de los primeros 5-8 dashboards; stakeholder review.
Semana 6-8 — Alertas + cohort + refresh
Sistema de alertas con umbral, reportes de cohort + retention, pipeline de refresh con dbt Cloud / Airflow.
Mes 3 — Entrenamiento MMM + primer resultado
Bayesian MMM con 18 meses de histórico; channel contribution + saturation + primera recomendación de revisión de presupuesto.
Mes 4 — Protocolo de test de incrementality
Framework geo-holdout o matched-market; primer test en producción, resultado en 4-6 semanas.
Mes 5 — Data council + formación self-serve
Arranca la rutina de data council mensual; flujo de formación self-serve en Metabase / Lightdash para la unidad de negocio.
Mes 6+ — Refresh trimestral + governance
Refresh trimestral de MMM, ciclo de tests de incrementality, audit de data governance; traspaso completo posible en el mes 12.
— STACK DE HERRAMIENTAS
Stack analítico del warehouse al BI
Trabajamos vendor-agnósticos; en cada capa hay elecciones que generan más valor. Nos adaptamos a tu stack actual.
WAREHOUSE
MODELLING & TRANSFORM
BI & VISUAL
ML & MMM
QUESTIONS
Frequently asked
— GLOSARIO
Terminología analítica
Cuando el mismo término significa lo mismo entre equipos, el debate acelera la decisión; si no, se multiplica la duda.
- KPI Tree
- Estructura jerárquica de métricas que se descomponen desde el resultado clave de negocio; cada nodo es un disparador de decisión.
- dbt
- Data build tool — framework de transformación de datos basado en SQL, versionado y testeable; estándar del analytics engineering.
- Semantic Layer
- Capa de metric definitions + business logic común detrás del BI; con LookML, Metabase models, Cube y similares.
- Cohort
- Grupo de usuarios que comparten una característica (fecha de registro, canal de acquisition); se analiza su comportamiento en el tiempo.
- LTV (Lifetime Value)
- Valor total a lo largo de la vida de un cliente; gross margin × retention × frecuencia de pedido × ticket medio.
- Retention
- Porcentaje de usuarios adquiridos que siguen activos en una ventana temporal (D1, D7, D30, M1, M3). En SaaS y mobile games es la lectura directa del product-market fit; una curva de cohorte que se aplana es la firma de un producto sano.
- Churn
- Porcentaje de usuarios que abandonan la base activa de clientes en una ventana temporal. En suscripción golpea directamente el MRR; en e-commerce es el inverso del repeat rate. Se separa en voluntary (cancelado) e involuntary (fallo de pago); se reduce con onboarding, pricing y mensajería lifecycle.
- MMM (Marketing Mix Modeling)
- Modelo Bayesiano que estima la channel contribution; requiere 18-24 meses de datos históricos.
- Incrementality
- Conversiones adicionales que no existirían sin un canal; se mide con tests geo-holdout, independiente de la atribución.
- Anomaly Detection
- Paraguas de técnicas que marcan automáticamente valores fuera del rango esperado en métricas de series temporales (KPI, conversión, latencia, signal de fraude). Se usan STL decomposition, Prophet, isolation forest, modelos OoD neuronales; el cerebro de alerting y dashboards de observabilidad.
- Self-Serve Analytics
- Entorno donde la unidad de negocio responde sus propias preguntas sin esperar al data team; con Metabase, Lightdash, Hex.
- Data Governance
- Conjunto de políticas de calidad, control de acceso, gestión de PII, retención y audit; cumplimiento KVKK/RGPD.
- ETL / ELT
- Extract → Transform → Load (legacy) vs Extract → Load → Transform (moderno). Maneras de mover datos desde la fuente al warehouse. ELT depende del compute barato de los cloud DW; dbt + BigQuery/Snowflake/Databricks es el estándar actual.
- Data Lake
- Almacén central para todos los datos estructurados y no estructurados (logs, imágenes, vídeo, raw events) sin imponer schema. Sobre S3, GCS o ADLS con formatos Parquet/Iceberg/Delta Lake; complementa al warehouse y cimenta la arquitectura lakehouse.
- Stream Processing
- Procesar datos como flujo de eventos en tiempo real en vez de en batches. Stacks habituales: Kafka + Flink/Spark Streaming/Kinesis + ksqlDB; casos de uso: fraud detection, personalización en tiempo real, telemetría IoT y anomaly alerting.
- Data Contract
- Contrato previo entre productores y consumidores de datos sobre schema, semántica, SLA y ownership. Operado con dbt + Great Expectations + JSON Schema; el muro más fiable contra la sorpresa "se rompió un modelo downstream".
— DIAGNÓSTICO RÁPIDO
¿Estás lista/o para una operación analítica?
Guía interactiva en cuatro preguntas que muestra el nivel de programa que te conviene. Resultado en 30 segundos con respuestas sí / no.
01 / 04
¿Tienes ahora mismo más de 10 dashboards o reportes Excel activos?
La abundancia de dashboards es uno de los síntomas clásicos de falta de decisión.
— LET'S BEGIN
¿Tus dashboards disparan decisiones, o son solo decoración?
Diagnóstico analítico de 60 minutos: inventario de KPI actual, grafo de dependencias de dashboards, salud de las fuentes de datos y recomendación de roadmap a 90 días — todo en un solo panel.