Biblioteca de evidencia

Quince artículos leídos completos y convertidos en decisiones de producto acotadas.

American Economic Review · 2011-10

Bayesian Persuasion

Abrir ficha de evidencia

Pregunta de investigación

Diseño ético de información

Método

Investigación teórica · n/a · DOI 10.1257/aer.101.6.2590

Supuestos

  • Persuasión bayesiana: Modelo teórico donde un emisor se compromete con una estructura de información antes de que actúe un receptor racional.
  • Emisor y receptor: Las partes que diseñan una señal y actúan después de observarla.
  • Diseño de información: Estructuración deliberada y veraz de qué información se revela y cuándo.
  • Compromiso: Supuesto de que la política informativa se fija antes de conocer su resultado.

Qué respalda la evidencia

Ordena evidencia veraz, incertidumbre y descalificadores alrededor de la decisión; no convierte la persuasión bayesiana en puntuación manipulativa.

Límites y transferibilidad

Relaciona afirmaciones con evidencia, incertidumbre, alternativas y ajuste honesto sin puntuación de persuasión. Ayuda a planificar y revelar, no demuestra que un texto cambie el comportamiento.

Lo que no establece

No se calcula una puntuación universal · Ayuda a planificar y revelar, no demuestra que un texto cambie el comportamiento.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Copyright editorial; solo resumen y enlace oficial

Cómo lo aplicó NAVINES: Laboratorio de evidencia y posicionamiento

Review of Economic Studies · 2017-01

Competition in Persuasion

Abrir ficha de evidencia

Pregunta de investigación

Posicionamiento competitivo

Método

Investigación teórica · n/a · DOI 10.1093/restud/rdw052

Supuestos

  • Emisor y receptor: Las partes que diseñan una señal y actúan después de observarla.
  • Diseño de información: Estructuración deliberada y veraz de qué información se revela y cuándo.
  • Compromiso: Supuesto de que la política informativa se fija antes de conocer su resultado.

Qué respalda la evidencia

Compara alternativas reales con una base común. La competencia puede aumentar o reducir la divulgación y no produce verdad automáticamente.

Límites y transferibilidad

Relaciona afirmaciones con evidencia, incertidumbre, alternativas y ajuste honesto sin puntuación de persuasión. Ayuda a planificar y revelar, no demuestra que un texto cambie el comportamiento.

Lo que no establece

No se calcula una puntuación universal · Ayuda a planificar y revelar, no demuestra que un texto cambie el comportamiento.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Copyright editorial; solo resumen y enlace oficial

Cómo lo aplicó NAVINES: Laboratorio de evidencia y posicionamiento

Experimental Economics · 2024-09-13

Rational inattention in games: experimental evidence

Abrir ficha de evidencia

Pregunta de investigación

Atención racional y fricción

Método

Experimento controlado · 12 · n=238 · DOI 10.1007/s10683-024-09843-z

Supuestos

  • Inatención racional: Modelos que comparan el valor de la información con el coste de atención o procesamiento.

Qué respalda la evidencia

Revisa riesgo, familiaridad, incertidumbre, reversibilidad y coste informativo. Un experimento comprador-vendedor no crea un índice universal.

Límites y transferibilidad

Revisa el entorno de decisión sin asumir que menos opciones siempre es mejor. Son observaciones e hipótesis para probar, no una puntuación de conversión.

Lo que no establece

No se calcula una puntuación universal · Son observaciones e hipótesis para probar, no una puntuación de conversión.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Acceso abierto CC BY 4.0

Cómo lo aplicó NAVINES: Laboratorio de fricción y arquitectura de elección

ACM KDD · 2003

Maximizing the Spread of Influence through a Social Network

Abrir ficha de evidencia

Pregunta de investigación

Influencia y distribución

Método

Investigación algorítmica · Independent Cascade; Linear Threshold; (1−1/e−ε); DOI 10.1145/956750.956769

Supuestos

  • Maximización de influencia: Selección de nodos semilla para maximizar difusión esperada en un grafo y modelo dados.
  • Submodularidad: Propiedad de rendimientos decrecientes al añadir una semilla a conjuntos cada vez mayores.

Qué respalda la evidencia

Modela un grafo real con parámetros e incertidumbre. La aproximación codiciosa bajo submodularidad no predice viralidad.

Límites y transferibilidad

Compara selección codiciosa Monte Carlo con grado bajo supuestos explícitos de difusión. El alcance depende del grafo, parámetros y modelo; no es una previsión de viralidad.

Lo que no establece

No se calcula una puntuación universal · El alcance depende del grafo, parámetros y modelo; no es una previsión de viralidad.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Copyright editorial; solo resumen y enlace oficial

Cómo lo aplicó NAVINES: Planificador de semillas de influencia

ACM CHI · 2001

What Makes Web Sites Credible? A Report on a Large Quantitative Study

Abrir ficha de evidencia

Pregunta de investigación

Evidencia de credibilidad

Método

Evidencia conductual histórica · 1999 · n=1,410 · US/FI · 51 · DOI 10.1145/365024.365037

Supuestos

Revisa identidad, autoría, fuentes, políticas, usabilidad y seguridad observables sin predecir conversión.

Qué respalda la evidencia

Muestra identidad, autoría, fuentes, políticas, fechas, seguridad y usabilidad accesible. La evidencia histórica no es un estudio de conversión o ranking.

Límites y transferibilidad

Revisa identidad, autoría, fuentes, políticas, usabilidad y seguridad observables sin predecir conversión. La automatización no verifica experiencia, veracidad, accesibilidad total ni percepción humana.

Lo que no establece

No se calcula una puntuación universal · La automatización no verifica experiencia, veracidad, accesibilidad total ni percepción humana.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Copyright editorial; solo resumen y enlace oficial

Cómo lo aplicó NAVINES: Auditoría de evidencia de credibilidad

Journal of Consumer Research · 2010-10

Can There Ever Be Too Many Options? A Meta-Analytic Review of Choice Overload

Abrir ficha de evidencia

Pregunta de investigación

Arquitectura de elección

Método

Metaanálisis · 63 · 50 · N=5,036 · d=.02 · 95% CI −.09… .12 · I²=68% · DOI 10.1086/651235

Supuestos

  • Sobrecarga de elección: Posibilidad contextual de que un conjunto mayor perjudique la decisión; no es regla universal.

Qué respalda la evidencia

Categoriza y revela progresivamente cuando ayude, pero prueba el contexto. El efecto medio del metaanálisis fue casi cero y heterogéneo.

Límites y transferibilidad

Revisa el entorno de decisión sin asumir que menos opciones siempre es mejor. Son observaciones e hipótesis para probar, no una puntuación de conversión.

Lo que no establece

No se calcula una puntuación universal · Son observaciones e hipótesis para probar, no una puntuación de conversión.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Copyright editorial; solo resumen y enlace oficial

Cómo lo aplicó NAVINES: Laboratorio de fricción y arquitectura de elección

Data Mining and Knowledge Discovery · 2009

Controlled experiments on the web: survey and practical guide

Abrir ficha de evidencia

Pregunta de investigación

Experimentación controlada

Método

Guía operativa de experimentación · DOI 10.1007/s10618-008-0114-1

Supuestos

  • Criterio General de Evaluación: Métrica principal predefinida para juzgar un experimento en conjunto.
  • Métrica de protección: Métrica que puede bloquear o limitar un lanzamiento si empeora un resultado protegido.

Qué respalda la evidencia

Define OEC, guardas, potencia, asignación, rampa y parada antes de mirar resultados. Un p-value límite no decide un ganador.

Límites y transferibilidad

Define hipótesis, unidades, métricas, controles y una comparación transparente entre periodos. Sin asignación y datos suficientes, el resultado es evidencia orientativa y no causalidad demostrada.

Lo que no establece

No se calcula una puntuación universal · Sin asignación y datos suficientes, el resultado es evidencia orientativa y no causalidad demostrada.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

La editorial indica acceso abierto; la reutilización requiere confirmar licencia

Cómo lo aplicó NAVINES: Planificador y comparador de experimentos SEO

ACM KDD · 2017

A Dirty Dozen: Twelve Common Metric Interpretation Pitfalls in Online Controlled Experiments

Abrir ficha de evidencia

Pregunta de investigación

Fallos de interpretación

Método

Guía operativa de experimentación · 12 · Microsoft · DOI 10.1145/3097983.3098024

Supuestos

  • Desajuste de proporción muestral: Diferencia improbable entre asignación observada y prevista que puede revelar fallos de ejecución.
  • Efectos de novedad y primacía: Respuestas temporales a una novedad o al aprendizaje y adaptación con el tiempo.
  • Paradoja de Simpson: Inversión entre el patrón agregado y los subgrupos por pesos distintos o confusión.
  • Ley de Twyman: Advertencia de revisar especialmente cualquier resultado extraordinariamente sorprendente.

Qué respalda la evidencia

Comprueba SRM, ratios, telemetría, potencia, multiplicidad, segmentos, atípicos, novedad, embudo, Simpson y la ley de Twyman.

Límites y transferibilidad

Define hipótesis, unidades, métricas, controles y una comparación transparente entre periodos. Sin asignación y datos suficientes, el resultado es evidencia orientativa y no causalidad demostrada.

Lo que no establece

No se calcula una puntuación universal · Sin asignación y datos suficientes, el resultado es evidencia orientativa y no causalidad demostrada.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Copyright editorial; solo resumen y enlace oficial

Cómo lo aplicó NAVINES: Planificador y comparador de experimentos SEO

ACM CIKM · 2013

Beyond Clicks: Query Reformulation as a Predictor of Search Satisfaction

Abrir ficha de evidencia

Pregunta de investigación

Satisfacción más allá de clics

Método

Evidencia conductual histórica · ≈6,000 · 7,628 · n=218 · DOI 10.1145/2505515.2505682

Supuestos

  • Reformulación de consulta: Consulta posterior que cambia palabras, alcance o términos durante una tarea de búsqueda.

Qué respalda la evidencia

Reformulaciones rápidas similares pueden ser hipótesis en registros de sesión. Clic no es éxito, silencio no es satisfacción y GSC agregado no son sesiones.

Límites y transferibilidad

Revisa reformulaciones anónimas por sesión como hipótesis y mantiene las consultas locales. Un clic no prueba éxito y la ausencia de otra consulta no prueba satisfacción.

Lo que no establece

No se calcula una puntuación universal · Un clic no prueba éxito y la ausencia de otra consulta no prueba satisfacción.

Lo que NAVINES decidió no construir

No se calcula una puntuación universal

Fuentes principales

Copyright editorial; solo resumen y enlace oficial

Cómo lo aplicó NAVINES: Analizador de fricción del recorrido de búsqueda

Evidencia revisada el 15 de agosto de 2026 · No establece factores actuales de Google ni resultados garantizados.

Investigación

Estudios originales con métodos, fuentes y limitaciones visibles.

No perseguimos algoritmos. Construimos claridad, confianza y visibilidad acumulativa.

Hacer que la inteligencia avanzada de búsqueda sea comprensible, útil y accesible, y ayudar a las empresas a convertirla en acciones medibles.

Método

  • Define alcance, entornos, plantillas críticas, analítica disponible y riesgos de cambio.
  • Recopila respuestas HTTP, directivas, canonicales, enlaces, renderizado, sitemaps y datos de Search Console.
  • Escribe objetivos, eventos, dimensiones, responsables y decisiones que cada métrica informará.
  • Verifica etiquetas, consentimiento, zonas horarias, filtros y pérdida esperada de datos.

Limitaciones

  • Los sistemas de privacidad, consentimiento, bloqueo y modelado producen datos incompletos.
  • Search Console agrega y retiene datos con límites; no es un registro exhaustivo de cada búsqueda.
WhatsApp