Ya estoy inscrito ¿Todavía no tienes acceso? Nuestros Planes
Ya estoy inscrito ¿Todavía no tienes acceso? Nuestros Planes
1
respuesta

Sesgos y análisis críticos | Clase 5

Buenos días, realizando la práctica de la clase 5, me apoyé en Copilot y generé un documento el cual consta de 4 prompts para abordar una problemática, la cual trata de la deserción de los usuarios que entrenan en un gimnasio que se le dio el nombre de WOD GYM, utilicé etiquetas como:
[Administrador de empresas]
[Trainer]
[No ven resultados rápidos]
[Falta de motivación]
[Entrenamientos poco personalizados]
[Falta de seguimiento]
[No existe sentido de comunidad]
[Procesos]
[Marketing]
Con el fin de generar las posibles causas que están generando la deserción y proponer estrategias para la fidelización del usuario, en cada prompt se trató de darle un rol específico a la IA y con este la tarea y lo que se requiere que realice, cada prompt fue dándole forma al documento y se abordó el tema de manera estructural, al final se diseña una prueba A/B con la cual se pretende darle seguimieto al abordage del problema que está presentando el gimnasio y validar los resultados al final del tiempo propuesto para la medición.

Comparto el documento generado
https://1drv.ms/w/c/73e6c3ae11e5094b/IQAtwBJ53VTFTKBUPbfDZy0iAaQOPU4DPARtBreDrBtJaxA?e=1ySg01

Saludos calurosos desde Medellín - Colombia

1 respuesta

¡Hola, Estiwar! ¿Cómo estás?

Qué bueno ver cómo llevaste la práctica de la clase 5 sobre sesgos y análisis críticos a un caso real, como la deserción de usuarios en WOD GYM, apoyándote en Copilot y en cuatro prompts encadenados.

Tu trabajo muestra un punto importante de la alfabetización en IA: asignar un rol específico a la herramienta, definir la tarea y construir el documento por etapas. Usar etiquetas como [Falta de seguimiento] o [No existe sentido de comunidad] ayuda a acotar el contexto, y cerrar con una prueba A/B le da al análisis un criterio medible.

Para reforzar el pensamiento crítico, un consejo sencillo es revisar las causas que propuso la IA como hipótesis y no como hechos. Para hacerlo, contrasta cada una con datos reales del gimnasio, como la asistencia por usuario, las bajas por mes y encuestas breves de salida. Así puedes detectar si el modelo asumió algún sesgo, por ejemplo, suponer que todos los usuarios buscan resultados rápidos, y ajustar la prueba A/B para validar solo las causas que los datos respalden.

¿Qué criterios usarías para decidir cuáles de las causas generadas por la IA merecen probarse primero en tu prueba A/B?

Cuenta con el apoyo de la comunidad Alura Latam en tu trayectoria. ¡Un abrazo y buenos estudios!