GuíaIntermedio
Guía de Lanzamiento e Iteración de Productos
Enseña que "ganó el A/B" no es "préndelo para todos": lanzar un cambio de producto es su propia decisión de riesgo, con reversa. Cierra el ecosistema Product Engineering cubriendo feature flags (desacoplar deploy de release, kill switches para apagar al instante sin re-deploy), rollout gradual (canary 1% → 10% → 50% → 100%, con radio de impacto controlado en cada etapa), monitoreo del lanzamiento (vigilar los guardrails de producto durante la subida, y frenar si se rompen), rollback e incident response (revertir vs. arreglar hacia adelante, el runbook, incidentes sin buscar culpables), postmortems blameless y el loop ship → measure → learn, y la capa moderna de enviar IA de forma segura (migrar modelos con shadow mode y canary, privacidad de datos práctica al lanzar). Retoma exactamente donde cerró la guía de Métricas: la apuesta `recommendations` de Mercado ganó el experimento con significancia estadística real, pero rompió el guardrail de latencia. Toda la lógica de decisión del lanzamiento (avanzar, frenar, revertir) se ejecuta en Node.js. Cierra con un proyecto capstone que lanza esa apuesta completa y cierra todo el arco del ecosistema.
- 64
- lecciones
- 8
- módulos
- Inglés · Español
- disponible en
- Sí
- certificado
- Gratis
- acceso
Resultados
Lo que vas a poder hacer
- Entender por qué lanzar es su propia decisión de riesgo, no un interruptor — "ganó el A/B" no es "préndelo para el 100%"
- Desacoplar deploy de release con feature flags, incluyendo kill switches para revertir al instante sin un nuevo deploy (`isEnabled`)
- Diseñar un rollout gradual con criterios explícitos de avance por etapa: canary 1% → 10% → 50% → 100% (`rolloutPlan`)
- Monitorear los guardrails en vivo durante un rollout y saber cuándo frenar antes de escalar más
- Decidir entre rollback y fix-forward con un runbook y un proceso de incident response, ejecutado como `rollbackDecision`
- Escribir postmortems blameless (timeline → factores contribuyentes → action items) y cerrar el loop ship → measure → learn
- Migrar modelos de IA de forma segura con shadow mode y canary, comparando la tasa de acuerdo antes de cambiar (`shadowCompare`)
- Aplicar flags, rollout, monitoreo, rollback y postmortem de punta a punta al lanzamiento de recomendaciones de Mercado en el proyecto capstone
Antes de empezar
Qué necesitas traer
Es para ti si...
- Ingenieros que ya midieron un resultado de experimento estadísticamente significativo y necesitan llevarlo al 100% de los usuarios sin romper nada
- Devs que han visto "ganó el test" convertirse en un lanzamiento completo que rompió algo que nadie estaba vigilando
- Ingenieros backend o fullstack responsables de guardia, incident response, o del rollout de una feature
- Equipos que adoptan o evalúan feature flags y progressive delivery como práctica
- Ingenieros que necesitan una introducción práctica —no académica— a migrar un modelo de IA en producción sin sorpresas
Requisitos y materiales
- Guía de Pensamiento de Producto para Ingenieros, Guía de Descubrimiento y Prototipado, y Guía de Métricas de Producto y Experimentación completadas (o equivalente: una apuesta priorizada, validada y medida con un resultado estadísticamente significativo)
- Comodidad corriendo scripts sencillos de Node.js (sin dependencias)
- Familiaridad básica con el despliegue de una aplicación web (esta guía cubre el rollout a nivel de producto, no la infraestructura de CI/CD)
Contenido
El temario, módulo por módulo
Abre cualquiera para ver sus lecciones.
- Presentación de la guía: de "el A/B ganó" a lanzarlo seguro, con reversa, e iterar
- Ganar el experimento no es lo mismo que lanzar el producto
- El lanzamiento como decisión de riesgo, no como interruptor
- El radio de impacto: cuánta gente real toca un error conocido
- Deployar no es lo mismo que lanzar
- La forma de un lanzamiento cuidadoso: chico, observable, reversible
- Cuando un ganador rompe un guardrail: el veredicto sobre `recommendations`
- Proyecto: decide el enfoque de lanzamiento de `recommendations`
- Presentación del módulo: el feature flag, el interruptor que separa deploy de release
- Deploy vs. release, resuelto en código: el feature flag
- Qué es (de verdad) un feature flag: anatomía y dónde vive
- Exposición gradual: el mismo flag, un porcentaje de usuarios
- El kill switch: apagar al instante, sin redeploy
- Tipos de flag: temporal, de experimento, operacional, permanente
- La deuda de flags: cuándo (y cómo) quitarlos
- Proyecto: pon las recomendaciones de Mercado detrás de un feature flag
- Presentación del módulo: de tener el flag a subir por una rampa
- La rampa: canary 1% → 10% → 50% → 100%
- El canary: qué tan chico es demasiado chico
- Criterios de avance: qué hace que una etapa "avance", en concreto
- El radio de impacto crece con cada etapa
- Deployment rings: quién ve la feature primero
- Dwell time: cuánto esperar antes de confiar en una etapa
- Proyecto: diseña y simula la rampa de rollout de `recommendations`
- Presentación del módulo: vigilar la rampa, no solo subirla
- Qué mirar mientras subes: señales, y qué tan rápido avisan
- Guardrails en vuelo: vigilando cada etapa de la rampa
- Cuándo frenar: el mismo mecanismo, dos resultados distintos
- El dashboard de lanzamiento: qué mostrar, y qué no
- Alertas y señal: el síntoma no es lo mismo que el impacto
- Error budget: cuánto te queda antes de tener que parar
- Proyecto: vigila el rollout de recommendations y decide frenar
- Presentación del módulo: frenaste la rampa. ¿Ahora qué?
- El rollback es tu red de seguridad
- Rollback vs. fix-forward: la decisión completa
- El runbook: los pasos que no se improvisan
- Mitigar primero, diagnosticar después
- Severidad y escalación: quién se despierta
- MTTR: medir y cerrar el incidente
- Proyecto: responde de punta a punta al incidente de `recommendations`
- Presentación del módulo: resolviste el incidente. Ahora aprende de él.
- El postmortem blameless: investiga el sistema, no a la persona
- Timeline, contributing factors y action items: la estructura de un postmortem
- La cultura blameless: el lenguaje decide si el chequeo importa
- El loop ship → measure → learn: lanzar no es el final, es el comienzo
- Iterar sobre el ganador: arreglar, relanzar, medir de nuevo
- Cuándo un "ganador" no aguanta en producción: el efecto novedad
- Proyecto: escribe el postmortem de `recommendations` y planea su iteración
- Presentación del módulo: enviar un modelo, no solo una feature
- Un modelo no es código estático: el mismo endpoint, un comportamiento que se mueve
- Shadow mode: correr el modelo nuevo sin que nadie lo note
- La tasa de acuerdo: `shadowCompare()` y cuándo un modelo está listo para un canary
- Postmortems de incidentes de IA: cuando "no lo pude reproducir" no cierra el caso
- Privacidad y datos al lanzar: qué se registra, y qué no hacía falta
- Migrar un modelo de principio a fin: de shadow a producción, sin atajos
- Proyecto: decide si migrar recommendations de recs-v1 a recs-v2
- Presentación del capstone: el primer vuelo real, con pasajeros
- El flag encendido y la rampa diseñada
- Vigilar la rampa en vivo: el HALT en 10%
- Decidir: revertir en minutos, no en horas
- El postmortem, sin culpar a nadie
- Iterar: migrar el modelo con shadow mode
- Re-lanzar, y verificar que el lift aguanta
- Proyecto final: lanza (y aterriza a salvo) las recomendaciones de Mercado
Dudas frecuentes
Lo que suele preguntarse
Sin límite. Es una guía gratuita: entras cuando quieras, las veces que quieras.
No. Los módulos están ordenados de menos a más, pero puedes saltar al que necesites. Tu progreso se guarda por lección.
Lo que haga falta está en «Qué necesitas traer», arriba. Si no aparece nada ahí, puedes empezar desde cero.
En el grupo de WhatsApp del Club, y cada quince días hay un live con un instructor donde se resuelven dudas en vivo.
Sí. Al terminar todas las lecciones se emite automáticamente, con un código verificable que puedes compartir en LinkedIn.
Empieza cuando quieras
Lo que dicen los estudiantes
Estas reseñas son de estudiantes inscritos que completaron al menos el 50% del curso. Moderamos las reseñas solo por motivos de contenido (spam, lenguaje ofensivo, datos personales), nunca por ser críticas o negativas.
Aún no hay reseñas aprobadas.
¡Sé el primero en compartir tu experiencia!