GuíaIntermedio

Instrumentación de Analítica de Producto

Saber qué métrica mirar no sirve si los datos que la alimentan están mal anotados. Esta guía cubre la otra mitad: cómo queda medido un producto. Escribes el plan de tracking a partir de las decisiones que hay que tomar, nombras y versionas cada evento con un esquema que se valida al entrar, unes al visitante anónimo con el usuario que se registra, calculas funnels y retención en SQL sobre tu propia tabla de eventos, controlas una feature con un SDK abierto de feature flags, registras la exposición de un experimento para que su análisis sea válido, limpias la data (duplicados, eventos perdidos, bots, relojes rotos) y decides si grabar sesiones vale lo que cuesta en privacidad. Lo aprendes instrumentando **Turnito**, una app ficticia de reservas para barberías, estudios de tatuaje y salones de América Latina y Estados Unidos. Te piden "medir el onboarding" y descubres que los `track("click")` que había no contestan nada. Diez semanas simuladas de Turnito pasan por tu collector: más de 130,000 eventos con los problemas que tiene la data real. El funnel ingenuo dice que hay más reservas que enlaces compartidos, el experimento del checklist de onboarding parece ganar hasta que una revisión de la proporción de muestras revela un bug de registro, y el replay de sesiones guarda el teléfono de un cliente que nadie pidió grabar. Todo corre en tu laptop con Docker: Postgres 18, flagd (el servidor de flags de OpenFeature) y Python con `uv`. No usas ninguna cuenta ni servicio externo. Los datos son sintéticos y deterministas: cada consulta te devuelve exactamente lo que muestra la guía.