1
Outcome Objetivo
Una métrica accionable, no un feature
Baseline actual
12
cuentas Enterprise activas (10%)
Target en 6 meses
30
cuentas Enterprise (25% de base)
Crecimiento requerido
+150%
18 cuentas nuevas ≥500€/mes
2
Opportunity Solution Tree
Oportunidades → Soluciones → Experimentos (Teresa Torres framework)
Outcome
+150% cuentas Enterprise en 6 meses
🔴 Oportunidad A — Alta prioridad
Compartir dashboards con clientes es manual y lento
Evidencia: 8/10 dir. de cuenta mencionan PDF exports en cada call
Solución 1
Portal cliente self-serve con dashboards embebidos
Solución 2
Enlace compartido read-only por URL
Experimento
Fake-door: botón "Compartir con cliente" → lista de espera
Experimento
Entrevista: ¿cómo envías informes ahora?
🟠 Oportunidad B — Media prioridad
Alert fatigue: notificaciones ignoradas sistemáticamente
Evidencia: tasa de apertura de alerts <12% (analytics interno)
Solución 1
Smart alerts con ML (reducción de ruido >60%)
Experimento
Spike técnico: ¿tenemos datos suficientes para ML?
Experimento
Prototipo: filtrado manual con reglas simples
⚪ Oportunidad C — Evaluar
Vista multi-cuenta consolidada para agencias grandes
Evidencia: 3 peticiones en roadmap voting (no confirmado)
Solución 1
Dashboard holding multi-cuenta con agregación de KPIs
Experimento
Entrevistas con agencias >5 clientes
3
Mapa de Supuestos Priorizado
Generado por assumption_mapper.py — Alto riesgo × baja certeza = testar primero
Los 3 supuestos de mayor prioridad bloquean el go/no-go
Supuestos #1, #2 y #3 tienen puntuación ≥0.63. Si alguno resulta falso, la apuesta cambia de dirección radicalmente. Testar antes de comprometer recursos de desarrollo.
| # | Supuesto | Categoría | Riesgo | Certeza | Prioridad | Test sugerido |
|---|---|---|---|---|---|---|
| 1 | Las agencias con >5 clientes pagarían 200€/mes más por un portal cliente | viabilidad | 0.72 | pricing / willingness-to-pay test | ||
| 2 | Un modelo ML puede reducir el ruido de alertas >60% con los datos disponibles | factibilidad | 0.68 | technical spike or architecture prototype | ||
| 3 | Los clientes finales quieren acceso directo a dashboards sin intermediarios | deseabilidad | 0.64 | problem interviews or fake-door test | ||
| 4 | Los directores de cuenta pasan >30 min/semana exportando PDFs para clientes | deseabilidad | 0.63 | problem interviews or fake-door test | ||
| 5 | Los clientes Pro subirían a Enterprise si hubiera vista consolidada de cuentas | viabilidad | 0.60 | pricing / willingness-to-pay test | ||
| 6 | Las notificaciones actuales provocan alert fatigue y se ignoran sistemáticamente | deseabilidad | 0.56 | problem interviews or fake-door test | ||
| 7 | Ing. puede construir dashboards embebidos en <8 semanas | factibilidad | 0.52 | technical spike or architecture prototype | ||
| 8 | Las agencias con múltiples cuentas tienen un rol "director de operaciones" | deseabilidad | 0.49 | problem interviews or fake-door test | ||
| 9 | Usuarios finales del cliente pueden navegar dashboards sin formación | usabilidad | 0.42 | moderated usability test | ||
| 10 | El onboarding largo es la causa principal de baja adopción en equipos nuevos | deseabilidad | 0.39 | problem interviews or fake-door test |
4
Plan de Discovery Sprint (10 días)
Ciclo 1-2 semanas con hipótesis explícitas y revisión diaria de evidencia
Día 1
Outcome framing
Día 2
OST completo
Día 3
Assumption mapping
Día 4
Test design
Día 5
Entrevistas problema (4-6)
Día 6
Fake-door + WTP test
Día 7
Prototype test solución A
Día 8
Síntesis de evidencia
Día 9
Opciones de decisión
Día 10
Stakeholder review
⚠ Hipótesis prioritarias a testear
- Las agencias pagarían 200€/mes extra por portal cliente (WTP test <3 días)
- Los directores dedican >30 min/sem a PDFs (entrevistas de comportamiento)
- El spike de ML con los datos actuales muestra viabilidad técnica
- Los clientes finales quieren acceso directo (fake-door test)
✓ Criterios de éxito para avanzar
- ≥6/10 entrevistados confirman el pain del PDF export con comportamiento observable
- ≥40% de respuestas positivas al fake-door en 72h
- Spike técnico indica ≥60% reducible con datos existentes
- WTP medio ≥150€/mes en test de pricing
5
Framework de Decisión: Día 10
Continuar, pivotar o detener la apuesta
CONTINUAR
Los supuestos #1-4 se confirman. Las agencias pagan, el pain es real y frecuente, y el spike técnico es positivo. Entra en sprint de construcción del Portal Cliente.
PIVOTAR
El pain del PDF existe pero el WTP no llega. Pivota a oportunidad C (multi-cuenta) o redefine el pricing model del Enterprise. Nuevo ciclo de discovery en 1 semana.
DETENER
El pain no se confirma en entrevistas, el WTP es nulo y el spike ML falla. La hipótesis del CEO era incorrecta. Retomar outcome con evidencia nueva.