Propósito de la práctica
Ejercitar la identificación de errores comunes en respuestas de IA generativa —como invención de datos y causalidad falsa— y estructurar prompts objetivos con escenario, tarea, restricciones, datos contextuales, preguntas de datos y análisis de riesgos. Como cierre, diseñar una prueba A/B con métricas claras y criterios de éxito, sin inventar números.
Prompt objetivo base: escenario y tarea definidos:
Actúa como analista de ecommerce y marketing.
Escenario: tienda online del rubro [COMPLETAR], mercado [COMPLETAR], con abandono en el checkout. El equipo sospecha que el costo de envío influye, pero no está confirmado. Datos disponibles: [PEGAR DATOS REALES]. Datos faltantes: [INDICAR].
Tarea: formular hipótesis alternativas sobre las causas del abandono en checkout, indicar qué datos se necesitan para validarlas y proponer un plan de diagnóstico y experimentación.
Restricciones:
- No inventes cifras, benchmarks ni resultados.
- No afirmes causalidad sin evidencia experimental.
- Separa hechos, supuestos e hipótesis.
- Si falta un dato, escribe DATO_FALTANTE.
- Incluye riesgos y trade-offs.
- Entrega una tabla con: hipótesis, evidencia necesaria, pregunta de datos, riesgo de sesgo y prueba sugerida.
Prompt ajustado con premisas, preguntas de datos y riesgos:
Actúa como analista senior de ecommerce y marketing.
Contexto:
- Tienda: [COMPLETAR]
- Mercado/país: [COMPLETAR]
- Categoría: [COMPLETAR]
- Canal: [COMPLETAR]
- Problema: abandono en checkout; se sospecha que el envío caro influye, pero no está validado.
- Datos disponibles: [PEGAR DATOS REALES: tasas por paso, costos de envío, ticket promedio, margen, motivos de abandono, dispositivos, recurrencia, competencia, capacidad logística, etc.]
- Datos faltantes: [INDICAR]
Premisas explícitas:
- No hay evidencia causal confirmada de que el envío caro sea la causa principal.
- No se debe modificar precios, envío ni margen sin análisis de impacto.
- No se deben inventar cifras, benchmarks ni resultados.
- Toda afirmación debe marcarse como [HECHO], [SUPUESTO] o [HIPÓTESIS].
- Si falta un dato, indicar DATO_FALTANTE y cómo obtenerlo.
Tarea:
- Lista hipótesis alternativas del abandono en checkout: costo de envío, falta de transparencia del costo, tiempos de entrega, registro obligatorio, métodos de pago, errores técnicos, confianza, comparación con competencia, etc.
- Para cada hipótesis, indica: dato necesario, pregunta de datos, fuente posible, riesgo de sesgo y cómo validarla.
- Analiza riesgos y trade-offs de tres alternativas: subsidiar total o parcialmente el envío, mostrar el costo y opciones logísticas antes del checkout, y ofrecer retiro/entrega alternativa.
- Propón una prueba A/B con métrica primaria, secundarias, guardrails y criterios de éxito.
- No inventes números: usa [DATO_REAL] o DATO_FALTANTE.
Formato de salida: tablas y listas breves.
Checklist de validación:
□ El prompt define escenario, tarea y restricciones.
□ Se prohíbe explícitamente inventar datos o benchmarks.
□ Se separan hechos, supuestos e hipótesis.
□ Se identifican datos faltantes y cómo obtenerlos.
□ Se analizan riesgos y trade-offs antes de recomendar.
□ La prueba A/B tiene métrica primaria, secundarias y guardrails.
□ Los criterios de éxito no usan números inventados.
□ Se compara un enfoque de soluciones con uno crítico.
