Hypothesis Engine, Experiment Tracker, Funnel Intelligence, Personalization Layer y CRO Knowledge Base. El conocimiento acumulado sobre los usuarios del cliente como activo que nadie puede llevarse.
El reto exclusivo de CRO: Con solo dos líneas de servicio (CRO-001 auditoría y CRO-002 continuidad mensual), el departamento tiene los márgenes más altos del CSV (65-70%) pero depende de convencer al cliente de que el trabajo de iteración mensual genera valor acumulable. La tecnología propia aquí hace dos cosas: acelera el ciclo de experimentación y documenta el aprendizaje acumulado de forma que el cliente vea que cambiar de agencia de CRO implicaría perder años de conocimiento sobre sus usuarios.
1. Hypothesis Engine
Hipótesis de test generadas con datos, no con intuición
Sistema que analiza datos de comportamiento del usuario y genera hipótesis priorizadas de test. La IA identifica los patrones de abandono más frecuentes y propone la intervención de mayor impacto potencial.
2. Experiment Tracker
El backlog de tests gestionado como activo estratégico
Sistema de gestión del ciclo completo de experimentación: backlog priorizado, diseño del test, lanzamiento, seguimiento estadístico y archivo de resultados. El cliente tiene visibilidad total del pipeline de mejora en tiempo real.
3. Funnel Intelligence
Los cuellos de botella del funnel encontrados antes de la auditoría
Análisis automático y continuo del funnel de conversión: dónde abandonan los usuarios, en qué dispositivo, desde qué canal, en qué hora del día. La IA detecta patrones de abandono que el analista no ve en los datos agregados.
4. Personalization Layer
Tests de personalización que van más allá del A/B clásico
Capa de personalización dinámica que muestra variantes según el perfil del usuario en tiempo real. Supera el A/B clásico hacia la experimentación multivariante segmentada con multi-armed bandit.
5. CRO Knowledge Base
El activo de aprendizaje acumulado que hace imposible cambiar de agencia
Repositorio estructurado de todos los tests realizados: hipótesis, diseño, resultados estadísticos, aprendizaje cualitativo y patrón detectado. El conocimiento acumulado sobre el comportamiento de los usuarios del cliente se convierte en el activo más valioso.
Q1 — Operativo
Experiment Tracker + Knowledge Base
Estructura el servicio CRO-002 y empieza a construir el moat de conocimiento desde el día 1.
Q2 — Análisis
Funnel Intelligence
Automatiza la parte más intensiva de CRO-001. Más auditorías en menos tiempo, con mayor profundidad.
Q3 — Estratégico
Hypothesis Engine
Tests generados desde datos eliminan el sesgo de confirmación. Mejora la tasa de éxito de cada experimento.
Q4 — Avanzado
Personalization Layer
Eleva la propuesta de CRO a personalización dinámica. Servicio premium diferencial en España.
Hypothesis Engine
El CRO que testa lo que los datos dicen que hay que testar
El problema real: La mayoría de equipos de CRO trabajan con un backlog de hipótesis construido sobre intuición del consultor, opiniones del cliente y "best practices" del sector. Hypothesis Engine construye hipótesis desde los propios datos del cliente: qué hacen sus usuarios realmente, dónde fallan, y qué intervención tiene mayor probabilidad de funcionar.
Sistema que ingiere datos de comportamiento desde múltiples fuentes y aplica análisis de IA para identificar patrones de fricción no visibles en los dashboards estándar. Para cada patrón detectado, genera una hipótesis de test estructurada con la intervención propuesta, la métrica de éxito, el tamaño de muestra necesario y el impacto esperado.
Datos cuantitativos
GA4 (funnels, páginas de abandono, segmentos), Hotjar (heatmaps, grabaciones), datos de ecommerce (abandono de carrito por producto, hora, dispositivo).
Señales de comportamiento
Grabaciones de sesión clasificadas por IA (frustración, confusión, indecisión), formularios con campos problemáticos, páginas con alta tasa de scroll sin acción.
Datos de soporte y ventas
Consultas frecuentes al soporte que indican confusión en el funnel, objeciones de ventas recurrentes, reviews de producto con fricciones mencionadas.
Benchmarks del sector
Base de datos interna de .imagine con tasas de conversión por tipo de página, sector y dispositivo. Detecta cuándo un cliente está por debajo del benchmark.
Stack técnico
Fases de desarrollo
Fase 1 · 3 sem
Ingesta GA4 + Hotjar. Detección de páginas de abandono con anomalías estadísticas. Generación de hipótesis básicas con Claude.
Fase 2 · 2 sem
Clasificación de grabaciones de sesión por tipo de fricción. Score de impacto potencial por hipótesis. Integración con Experiment Tracker.
Fase 3 · ongoing
Benchmarks internos por sector. Aprendizaje de qué hipótesis generadas han resultado ganadoras históricamente.
Experiment Tracker
Del Excel de tests a un sistema de gestión que convierte el CRO en un activo de la empresa
El problema real: El trabajo de CRO-002 se gestiona en la mayoría de agencias con un Excel de backlog, capturas de los tests en VWO o Optimizely, y un resumen en PowerPoint. Ese sistema hace invisible el valor acumulado. El Experiment Tracker hace ese valor visible y tangible.
Sistema de gestión del ciclo completo de experimentación CRO. Cada test tiene su ficha: hipótesis de origen, diseño de la variante, fechas de lanzamiento y cierre, tamaño de muestra, resultado estadístico con nivel de confianza, impacto en la métrica principal y aprendizaje cualitativo.
Hipótesis
Backlog priorizado
Diseño
Brief + variante
QA
Pre-lanzamiento
Test activo
Seguimiento estadístico
Resultado
Análisis + aprendizaje
Archivo
Knowledge Base
Stack técnico
Fases de desarrollo
Fase 1 · 2 sem
CRUD de tests con estados. Cálculo de muestra necesaria. Portal de solo lectura para el cliente.
Fase 2 · 1 sem
Sync de resultados desde VWO/Optimizely. Narrativa autogenerada de resultados con Claude. Impacto acumulado.
Fase 3 · ongoing
Integración con Hypothesis Engine. Dashboard de velocidad de experimentación. Informe trimestral.
Funnel Intelligence
Los cuellos de botella del funnel detectados por IA antes de que el consultor empiece a mirar los datos
El problema real: Una auditoría CRO-001 requiere que el consultor analice manualmente decenas de funnels, segmentos y cohortes en GA4 para encontrar los cuellos de botella relevantes. Eso toma días. Funnel Intelligence hace ese análisis automáticamente cada semana para todos los clientes activos.
Sistema de análisis continuo del funnel de conversión que ingiere datos de GA4 y los analiza con IA buscando patrones de abandono no visibles en los informes estándar. Genera semanalmente un mapa de calor del funnel con los puntos de mayor pérdida y las hipótesis de causa más probables.
Stack técnico
Fases de desarrollo
Fase 1 · 3 sem
Análisis de funnel por dispositivo y canal desde GA4. Detección de pasos con caída anómala. Informe semanal con Claude.
Fase 2 · 2 sem
Análisis de cohortes temporales. Detección de microsegmentos de alto/bajo rendimiento. Mapa visual del funnel.
Fase 3 · ongoing
Integración automática con Hypothesis Engine: cada anomalía detectada genera una hipótesis en el backlog.
Personalization Layer
De testar una variante para todos a testar la variante correcta para cada segmento
El problema real: Un test A/B clásico muestra la variante B a todo el tráfico y espera ganar en la media. Pero la media oculta que la variante B puede funcionar un 40% mejor para los usuarios de retorno y un 15% peor para los nuevos. La Personalization Layer va más allá del A/B.
Motor de personalización dinámica que aplica un algoritmo de multi-armed bandit para ir aprendiendo en tiempo real qué variante funciona mejor para cada perfil. El consultor de CRO diseña las variantes — el sistema gestiona la asignación y el aprendizaje automáticamente.
Multi-armed bandit vs A/B clásico
El A/B divide el tráfico de forma fija hasta que concluye el test. El multi-armed bandit va desviando tráfico hacia la variante ganadora en tiempo real, minimizando las pérdidas durante el período de aprendizaje.
Personalización por perfil de CRM
Si el usuario está identificado en el CRM del cliente, recibe la variante optimizada para su segmento (nuevo cliente, cliente de alto valor, cliente en riesgo de churn).
Stack técnico
Fases de desarrollo
Fase 1 · 4 sem
Motor de multi-armed bandit básico. Asignación de variantes por cookie. Dashboard de rendimiento en tiempo real.
Fase 2 · 3 sem
Segmentación por perfil de CRM. Variantes diferenciadas por segmento. Algoritmo Thompson sampling.
Fase 3 · ongoing
Personalización en tiempo real con Edge Functions. Reglas de personalización configurables por el consultor.
CRO Knowledge Base
18 meses de aprendizaje sobre los usuarios del cliente: el activo que nadie puede llevarse
El problema real: Cuando un contrato de CRO termina, la nueva agencia empieza desde cero. No sabe qué tests se corrieron, qué funcionó, qué falló. Eso le cuesta al cliente 6-12 meses de velocidad perdida. La CRO Knowledge Base hace ese coste de cambio completamente visible.
Repositorio estructurado y consultable de todo el conocimiento generado en el programa de CRO de cada cliente: tests realizados con su diseño y resultado estadístico completo, aprendizajes cualitativos, patrones detectados y benchmarks de conversión propios por tipo de página.
Tests
Todos los experimentos con resultado estadístico y aprendizaje cualitativo
Patrones
Tipologías de intervención que funcionan o no en este sector y audiencia
Benchmarks
Tasas de conversión propias por tipo de página, calibradas en clientes reales de .imagine
Stack técnico
Fases de desarrollo
Fase 1 · 2 sem
Repositorio de tests con campos de aprendizaje cualitativo. Sincronización con Experiment Tracker.
Fase 2 · 2 sem
Búsqueda semántica con pgvector. Sugerencia de hipótesis basada en tests similares anteriores. Portal de cliente.
Fase 3 · ongoing
Informe trimestral de valor acumulado autogenerado. Benchmarks internos por sector.
