Enfermedades sentadas

La 'enfermedad del sentado' está matando a la fuerza laboral estadounidense
LINDSAY OLSON

Si usted es como el 86% de los trabajadores estadounidenses, que sientas todo el día para su trabajo.
Añadir a que el tiempo que pasa sentado en el sofá después de ver la televisión, leer, jugar o navegar por Internet, y que gasta aproximadamente 13 horas al día sentado, de acuerdo con una encuesta realizada por Ergotron, un fabricante de pantalla digital de montaje y productos de movilidad.

¿Pero podría estar en riesgo de "Enfermedad del Sentado?"

Dado el número de trabajadores que realizan sus tareas en un ordenador o sentado en un escritorio de otro modo, los expertos médicos están empezando a preocuparse por los efectos en la salud de la sesión. La comunidad científica ha acuñado la frase "Enfermedad Sentado" para referirse a la sesión tiene efecto sobre el metabolismo, así como el impacto negativo de un estilo de vida excesivamente sedentaria. Puede que no sea una enfermedad diagnosticable todavía, pero si te sientas a la mayoría de los días y no se balancea con la actividad física, su salud podría estar en peligro.

Los peligros de sentarse

Sitio informativo de Ergotron, JustStand.org, proporciona una amplia investigación médica indica que la sentada prolongada aumenta el riesgo de cáncer, diabetes, obesidad, enfermedades cardiovasculares e incluso la muerte. Aquí hay otras estadísticas alarmantes:

• Las personas que permanecen sentadas durante más de 11 horas al día tienen un 40 por ciento más de riesgo de muerte en los próximos tres años, en comparación con las personas que se sientan durante cuatro horas o menos.
• Los trabajadores que han ocupado puestos sedentarios de más de 10 años tienen el doble de riesgo de cáncer de colon.
• Las personas mayores se sientan, más corta su vida útil, incluso si hacen ejercicio con regularidad.
• Sentarse por largos períodos de tiempo también puede afectar el desarrollo de los trastornos musculoesqueléticos.

¿Quieres saber cuánto te sientas? Pruebe esta calculadora de tiempo sentado para averiguarlo.

Cómo Levántate contra Sentado Enfermedades

Antes de salir de su trabajo de oficina a favor de su salud, ármese con información sobre cómo se puede reducir el riesgo de problemas de salud que pueden causar sesión. La clave es ser más activo. Pero tenga en cuenta: incluso si usted se considera activo ahora (lo que significa que usted pasa 30 minutos o más al día la práctica de ejercicio físico), que está siendo considerado de alto riesgo, si usted pasa de ocho a 10 horas al día sentado.

Si es posible, el objetivo de hacer más ejercicio, especialmente en los días que estás sentado a trabajar. Caminar, caminar, andar en bicicleta y nadar son excelentes formas de ejercicio que contrarrestar los efectos de estar.

También, busque en pie y caminar más en el trabajo y en casa. En lugar de llamar o IM un compañero de trabajo, caminar hacia su oficina. Estacione más lejos en el estacionamiento para que tenga otra oportunidad de caminar. Invertir en un dispositivo podómetro FitBit u otro y el objetivo de 10.000 pasos al día. Ponte de pie mientras ve la televisión, o por lo menos durante las pausas comerciales. Actividad Construya en su día, aunque sea en ráfagas de cinco minutos.

También hay productos disponibles que le permiten pararse, sentarse y pararse o incluso caminar en una caminadora mientras trabaja en su computadora. Sentado sobre una pelota de estabilidad también puede contratar a sus músculos y hacer que se sienta un evento más activo.

No deje que la idea de la Enfermedad Sentado te asuste. Que sea una excusa para ser más proactivos acerca de su salud, tanto en la oficina como en el hogar. Encuentre oportunidades para levantarse de su escritorio, o para trabajar de pie (no hagas ir a la sala de descanso para un pedazo de pastel de cumpleaños que su excusa). Ser consciente de su salud y cómo afecta sesión puede ayudar a reducir el riesgo de las enfermedades que un estilo de vida sedentario puede traer, y ser más activo puede tener el beneficio añadido de una mejor salud y bienestar, así como la pérdida de peso.

Business Insider

Read more »

Microsoft cambia su plan de negocios

Microsoft se prepara para emprender otra ruta
El sucesor de Steve Ballmer tiene el reto de recuperar el espíritu innovador de la empresa

Por Shira Ovide
Connect

WSJ


Con el sorpresivo anuncio de que pronto se jubilará y renunciará a Microsoft Corp. después de tres décadas, el presidente ejecutivo Steve Ballmer le dejará a su sucesor la enorme tarea de resucitar una de las empresas tecnológicas más grandes del mundo, asediada ahora por competidores en todos los frentes.

Junto con Bill Gates, su amigo de la universidad y fundador de Microsoft, Ballmer posicionó a la compañía como una máquina generadora de ganancias cuyo sistema operativo Windows seguirá operando en casi todas los 305 millones de computadoras personales que se venderán a nivel global este año, según estimaciones de Gartner Inc., una firma de investigación de mercado. Pero si se combinan las PC, los teléfonos inteligentes y otros dispositivos que se conectan a Internet, Windows figurará en apenas 15% de todos los aparatos computacionales, debido al ascenso de rivales como Apple Inc. y Google Inc.




Los inversionistas celebraron la noticia de la salida de Ballmer, de 57 años, propiciando un alza de 7% en las acciones de Microsoft, que el viernes cerraron en US$34,75 en el Nasdaq.

Desde el punto de vista financiero, Microsoft sigue siendo un gigante: generó casi US$78.000 millones en ingresos en el año fiscal concluido el 30 de junio, lo que significa un ritmo promedio de US$150.000 en ventas por minuto. La jugosa ganancia de la empresa, que ascendió a US$21.860 millones el año pasado, sigue siendo la envidia de la mayoría de las compañías.

Bajo el liderazgo de Ballmer, la compañía logró mantener a raya muchas amenazas, incluyendo la del software de código abierto que Ballmer calificó en una ocasión como un "cáncer". También ayudó a Microsoft a recuperarse del golpe que recibió de los esfuerzos del gobierno de Estados Unidos de dividir la empresa.

No obstante, Microsoft obtiene casi todas sus utilidades de tres productos —Windows, Microsoft Office y software relacionado para operar en computadoras de empresas— que dependen mucho de las ventas de PCs con Windows. Otros productos, como la consola de videojuegos Xbox y el motor de búsqueda Bing, no son rentables o generan ganancias marginales.

Ejecutivos dentro y fuera de Microsoft indicaron que desde hace tiempo era necesario un cambio de liderazgo. Fuentes al tanto de las deliberaciones de la junta señalaron que los directores han estado buscando un posible sucesor por años.

Pero estas fuentes destacaron que es difícil encontrar un reemplazo adecuado que pueda liderar una empresa tan extensa que solo ha tenido dos presidentes ejecutivos en su historia. Gates ha vendido buena parte de su participación en Microsoft, pero sigue teniendo más influencia sobre la composición de la empresa que cualquier otra persona. Microsoft informó que buscará al futuro líder dentro y fuera de sus filas, mientras Ballmer completa otros 12 meses como presidente ejecutivo.

Se prevé que Microsoft considere seriamente a Paul Maritz, ex ejecutivo de Microsoft que ahora dirige la firma de tecnología empresarial GoPivotal Inc., y Stephen Elop, el jefe de Nokia Corp. que antes lideraba la división Microsoft Office. Los potenciales candidatos dentro de Microsoft incluyen a Tony Bates, ex presidente ejecutivo del servicio de llamadas por video Skype, y Satya Nadella, quien ha recibido aplausos por hacer que el software de Microsoft para operaciones administrativas sea más compatible con la web. Ninguno respondió a pedidos de comentarios.



El sucesor de Ballmer enfrentará la tarea de recuperar la innovación que transformó a Microsoft de una idea descabellada concebida en un hotel en Nuevo México en una empresa de las mayores empresas del mundo.

Observadores dicen que el próximo líder de Microsoft debería descartar la estrategia de Ballmer de aislar las franquicias de la empresa. Por ejemplo, para proteger su imperio Windows, Microsoft se ha negado a ofrecer Office en dispositivos que no funcionan con su sistema operativo, como el iPad. La decisión ha creado enfrentamientos dentro de la compañía, y le ha costado a la empresa una nueva generación de usuarios.

La renuncia de Ballmer traza una línea divisoria entre la primera generación computacional y la que aún se está configurando. Los pioneros tecnológicos como Apple, el fabricante de chips de computadora Intel Corp. e International Business Machines Corp. ya han nombrado nuevos líderes en años recientes.

Read more »

Los diez emprendedores que nunca terminaron los estudios

Quiénes son los diez emprendedores "tech" que nunca terminaron sus estudios

26-08-2013 Paradójicamente, los creadores de las startups más exitosas del mundo abandonaron sus estudios universitarios y hasta secundarios. Aquí los más conocidos. iProfesional

Son los ejemplos que todos los futuros emprendedores tecnológicos presentan ante sus padres cuando les comunican que han dejado la universidad para montar una empresa. Steve Jobs, Bill Gates, Mark Zuckerberg... sus historias son conocidas y además no son para nada una excepción: el mundo de las startups tecnológicas que han logrado dar el salto y convertirse en empresas de éxito está plagado de desertores universitarios (e incluso de gente que nunca acabó la secundaria).

Los casos más conocidos son quizá los de las grandes empresas tecnológicas que llegaron a lo más alto. Empezando, por ejemplo, por Apple, fundada por Steve Jobs y Steve Wozniak, que no llegaron a terminar sus carreras. ¿Se convirtieron por ello en detractores de los estudios universitarios como una pérdida de tiempo? Nada más lejos: en el famoso discurso que Steve Jobs dio en la Universidad de Stanford en 2005 su mensaje era bien distinto.

Jobs dejó de ir a las clases a las que se suponía que tenía que ir para asistir a otras que le parecían más interesantes, como la de caligrafía. "Si nunca hubiese abandonado (las otras clases), nunca me habría colado en esa clase de caligrafía y los ordenadores personales no tendrían las bonitas tipografías que tienen ahora", aseguró el cofundador de Apple en su discurso.

Según publicó el sitio emprendedoresnews.com, su mensaje no era tanto el de abandonar los estudios (al fin y al cabo, estaba hablando delante de cientos de recién licenciados), como el de hacer "lo que amas" y "tener el coraje para seguir tu corazón e intuición".

En el mundo de los emprendedores tecnológicos que no llegaron a terminar sus estudios hay casos extremos, como por ejemplo el de David Karp, fundador de Tumblr: lo que abandonó no fueron sus estudios universitarios, sino que directamente no llegó a acabar el instituto.

Con 14 años, Karp se aburrió de ir a clase y abandonó para centrarse en los ordenadores. Y, lejos de provocar la ira de sus padres, esta deserción fue sugerida directamente por ellos, que continuaron con su educación en casa.

Por supuesto, el mundo de la tecnología está también llena de casos de emprendedores que sí decidieron terminar sus estudios y cuentan con algún tipo de título universitario. Pero para emprendedoresnews, no son ellos los que llaman la atención, sino todos esos multimillonarios tecnológicos que decidieron poner de lado sus carreras académicas para centrarse en sus incipientes empresas.

Estos son diez ejemplos de emprendedores tech que nunca finalizaron sus estudios.

David Karp de TumblrDavid Karp no es un desertor universitario, sino que directamente nunca acabó el instituto. Creó Tumblr en 2007 y este año fue comprado por Yahoo! por 1.100 millones de dólares. Tiene 27 años.

Jack Dorsey de Twitter y SquareEl cofundador y CEO de Twitter y Square abandonó sus estudios en la New York University y fue cambiando de trabajos hasta que, a partir de Odeo, creó Twitter. En 2008 fue nombrado por MIT Technology Review uno de los 35 mejores innovadores de menos de 35 años.

Daniel Ek de SpotifyEl fundador de Spotify empezó a estudiar en el KTH Royal Institute of Technology, pero nunca llegó a acabar. Spotify, creada en 2008, tiene una valoración de unos4.000 millones de dólares.

Arash Ferdowsky de Dropbox
Ferdowsi, uno de los cofundadores de Dropbox, estuvo a punto de graduarse en el MIT, pero abandonó el último año para centrarse en su empresa. Tiene 26 años y un patrimonio estimado de 400 millones de dólares.

Kevin Rose de Digg
Estudiaba en la Universidad de Nevada Las Vegas, pero dejó los estudios para crear software. En 2004, con 27 años, lanzó Digg.

Jerry Yang de YahooEl cofundador de Yahoo! abandonó su doctorado en la Universidad de Stanford para crear la empresa. En principio simplemente pospuso los estudios, peronunca volvió.

Mat Mullenweg de WordPress
Mullenweg dejó sus estudios en la Universidad de Houston para trabajar en CNET, firma que abandonó para fundar Automattic, la compañía responsable de WordPress. El 16% de las webs mundiales utilizan su servicio.

Rob Kalin de Etsy
Rob Kalin dejó el instituto para convertirse en diseñador de muebles. Al no encontrar dónde vender sus diseños online, se le ocurrió crear ese mercado en la red para que creadores pudieran vender sus productos.

Mark Zuckerberg de FacebookEl creador de Facebook nunca acabó sus estudios en Harvard. Se centró en la red social que en la actualidad cuenta con más de 1000 millones de usuarios.

Steve Jobs & Steve Wozniak 
Sin duda los desertores más famosos de la tecnología. Ni Jobs, ni Wozniak terminaron sus estudios, pero en esa época no estaban solos. Otros grandes nombres de la tecnología como Michael Dell, Bill Gates o Larry Ellison tampoco llegaron a graduarse en la universidad.

Read more »

La matriz de Ansoff

La matriz de producto/mercado de Ansoff

La matriz de crecimiento de Ansoff es una herramienta que ayuda a las empresas a decidir su producto y la estrategia de crecimiento del mercado.
La matriz de crecimiento de producto / mercado de Ansoff sugiere que los intentos de una empresa para crecer dependen de si el mercado es nuevo o existente de productos en mercados nuevos o ya existentes.

Geeky Fry!

Read more »

Nuevo efecto Hawthorne en los restaurantes

Cómo cambia la vigilancia el comportamiento: Estudio de caso de trabajadores de un restaurant
Por Steve Lohr - BITS New York Times

El hurto y el fraude son enormes problemas en el sector de restaurantes que tiene bajos salarios y alta rotación de trabajadores.

La vigilancia está sin duda mucho en las noticias últimamente. Lo más notable es, por supuesto, está la protesta continua sobre el programa de seguimiento de llamadas de la Agencia de Seguridad Nacional, se describe en los documentos filtrados por Edward Snowden.

Pero la vigilancia incluso apareció como un tema en el debate televisado de la semana pasada entre los candidatos demócratas a la alcaldía de Nueva York. Se preguntó a los candidatos a alcalde si la ciudad de Nueva York debería tener más cámaras de vigilancia. Seis de los siete, los liberales de carnet completo, respondieron sin dudarlo, sí. (Sólo Anthony Weiner dijo que no.)

La mayor parte de la discusión pública de la tecnología de vigilancia y su uso gira en torno a la pregunta: ¿Es espeluznante o tranquilizadora?

Sin embargo, otro problema es el efecto de la vigilancia sobre la conducta. Y un nuevo trabajo de investigación, publicado el sábado, muestra en detalle la forma significativa el efecto de la vigilancia puede ser.

El documento, "Cleaning House: The Impact of Information Technology Monitoring on Employee Theft and Productivity," es la obra de tres académicos: Lamar Pierce, profesor asociado en la Escuela de Negocios Olin en la Universidad de Washington en St. Louis, Daniel Snow, un profesor asociado en la Escuela Marriott de la Universidad Brigham Young; y Andrew McAfee, científico investigador en la Escuela de Administración Sloan del Instituto de Tecnología de Massachusetts.

Los investigadores midieron el impacto del software que controla el robo de empleados de nivel superior y las operaciones de venta, antes y después de instalar la tecnología, al 392 restaurantes en 39 estados. Los restaurantes eran de cinco cadenas de "comida casual". El documento no nombra a los cinco, pero cita ejemplos de la categoría de comida casual como Applebee, Chili y Olive Garden.

El hurto y el fraude es un gran problema, que se estima en hasta $ 200 mil millones al año en toda la economía. En el sector de la restauración, los analistas estiman que las pérdidas por robo de los empleados en el 1 por ciento de los ingresos. Eso no parece mucho, pero el restaurante los márgenes de beneficio son delgadas, por lo general 2 a 5 por ciento. Así que la reducción en el robo puede ser un factor importante en la salud financiera de un restaurante.

La mayor parte de la industria de restaurantes paga sus servidores de bajos salarios y que dependen de las propinas. La rotación de empleados es alta. En ese entorno, una cierta cantidad de robo ha sido considerado como una parte normal de la empresa.

El comportamiento no ético recorre toda la gama. Hay incluso un libro de cómo hacerlo en el tema, publicado en 2004, "How To Burn Down the House:. El camarero Infamous and Bible estafa del camarero por dos camareros Bourbon Street" Un ejemplo sencillo es un camarero no está cobrando por una ronda de bebidas, e instando a los clientes a "cuidar de mí" - con una buena propina. Otras tácticas son más elaborados.

Pero el software de monitoreo está disponible ahora para rastrear todas las transacciones y detectar patrones sospechosos. En el nuevo estudio, el software de seguimiento fue producto de la Guardia restaurante de NCR y NCR proporciona los datos. El software está configurado intencionalmente para que un gerente de restaurante sólo recibe una alerta robo electrónico en los casos que parecen ser claramente mala conducta. De lo contrario, un gerente puede ser envuelto en el trabajo de detective de tiempo en lugar de correr el restaurante.

El ahorro derivado de las alertas de robo en sí eran modestas, 108 dólares a la semana por restaurante. Sin embargo, después de instalar el software de monitoreo, los ingresos por restaurante se incrementó en un promedio de $ 2,982 a la semana, o alrededor del 7 por ciento.

El impacto, según los investigadores, no vino de despedir a los trabajadores que participan en el robo, pero sobre todo de su comportamiento cambió. Sabiendo que estaban siendo vigilados, los servidores no sólo tiró de las prácticas contrarias a la ética, sino también canalizar sus esfuerzos en, por ejemplo, lo que llevó a los clientes tener ese postre o una segunda cerveza, el aumento de los ingresos para el restaurante y consejos para ellos mismos.

"Las mismas personas que están robando de usted se puede configurar para tener éxito", dijo Pierce de la Universidad de Washington.

En la investigación, los conjuntos de datos eran de tamaño considerable. Por ejemplo, había más de 630.000 transacciones por los servidores rastreados y recogidos cada semana durante el transcurso del proyecto.

Pero lo más importante, dicen los investigadores, es lo que el análisis de los datos podría contribuir a campos de estudio como la psicología social y la economía del comportamiento - y la disciplina de negocio de gestión de recursos humanos.

En recursos humanos, se pone mucho énfasis en la selección de personal: si tienes que elegir a las personas adecuadas, que van a hacer lo correcto. En su lugar, esta investigación sugiere que el efecto de la vigilancia de comportamiento de los empleados es sorprendente.

"Lo que es sorprendente es la efectividad raro de la intervención, una vez que la tecnología de monitoreo está en su lugar", dijo McAfee del MIT

No es de extrañar, NCR está encantado con los resultados. "Esto valida los datos de los clientes que hemos visto", dijo Jeff Hindman, vicepresidente de NCR. "Pero esto se hace por expertos externos con el nivel académico y el rigor estadístico que aportan al análisis."

Read more »

Los tiempos de un Community Manager

La apretada agenda del Community Manager

por Andrés Felipe Cajiao Villarraga

Sin duda alguna, por más que no seamos Gerentes Generales ni presidentes de ninguna corporación, los Community Managers tenemos una agenda bien apretada. ¡Hay tanto por hacer en tan poco tiempo!

Entre diversas reuniones de actualización y presentación de reportes, redacción de contenido, publicación de Tweets, Posts, imágenes, videos y links  e incluso para muchos también se añade a esta lista el diseño de piezas gráficas, el envío de Campañas de Email Marketing y el seguimiento de análisis de absolutamente todo, el Community Manager apenas tiene tiempo para jugar en su iPhone o actualizar su propia cuenta de Twitter.

Aquí les dejo una infografía para lo que es la apretada agenda de muchos de nosotros. 

Pueden compartila, usarla como base, dividirla, romperla, razgarla, usarla, olerla, comerla y hasta mirarla (si es su real deseo) lo que si los animo a hacer es a responder ¿Que más tienes que agregar a tu agenda personal?

Community Managers Latam

Read more »

Pruebas A/B sin desvío estándar y como solucionarlas

A/B Testing Duration Data

By Evan Miller

Let's say you make a change to your website and want to test whether people tend to stay on the site longer after the change.

You might think: that's easy! I'll just compare the average visit lengths before and after the change and then I'll have my answer.

Readers of this blog are, of course, savvier than that; they know they should perform a proper statistical test to determine if a reported difference could be due to chance.

But there's a problem. When comparing two continuous quantities (such as visit durations), the usual statistical test is the two sample t-test. A t-test requires three key pieces of information from each test group: the number of subjects, the sample mean, and the standard deviation.

Unfortunately, many reporting tools only report the mean and count; the standard deviation is apparently an ugly duckling that no one wants to talk about. For example, here's a screenshot from a Google Analytics dashboard:

It's a shame that the standard deviation has been left out here, because it renders a proper t-test impossible.

But that shouldn't stop you from applying some math to the problem. With a simple and fairly reasonable assumption, you can arrive at an answer to report to the Big Boss.

Here's the assumption: the probability of a visitor leaving the site at any given moment is constant.

It's not a perfect assumption, as perhaps you have advertising copy with a few extremely engaging passages that no one would ever leave while reading. But it's not a bad place to start.

That one assumption — sometimes called memorylessness — implies that the lengths of visits will follow an exponential distribution.

The nifty part about the exponential distribution is that its variance is always equal to the square of its mean. That means to perform a two-sample t-test, you just take the standard deviation to be the same as the mean. So if one group stays on the site an average of 62 seconds, you can take 62 seconds to be the standard deviation as well.

As an example, I've plugged in the numbers from that Google Analytics page here. (It quickly becomes clear that Americans spend more time on the example site than their British counterparts.)

Because the Big Boss might not understand the finer points exponential distributions, I've also created a dedicated Survival Times Tool. Type in the number of visitors in each group, and the average length of visit, and it will tell whether either group is sticking around longer in a statistically significant way. The tool also constructs confidence intervals around the mean for your viewing pleasure.

Of course, this tool shouldn't stop you from telling your in-house programmers to please report thestandard deviation whenever they report an average. An assumption can go a long way, but it's never a good substitute for data.

---

You're reading evanmiller.org, a random collection of math, tech, and musings. You might also enjoy these articles:

• How Not To Run an A/B Test
• Lazy Assignment and A/B Testing

...and don't miss my collection of Awesome A/B Tools:

EvanMiller.org

Read more »

Segmentación de mercado

Segmentación - Niveles y Variables

Un segmento de mercado es una clasificación de los potenciales clientes privados o empresariales por una o más características, con el fin de identificar a los grupos de clientes, que tienen las mismas necesidades y la demanda de productos similares y / o servicios relativos a las cualidades reconocidas de estos productos.

Niveles de segmentación de mercado:




En el caso del mercado de masas, el vendedor hace la producción en masa, la distribución masiva y promoción masiva para el producto. El producto solo se atiende a todos los compradores de la población. El marketing masivo, aunque crea el mayor mercado potencial que lleva a costos más bajos y disminuyendo con ello los precios y los márgenes más altos, sino que también crea dificultades de alcance y hace que sea muy difícil y costoso llegar a todo público.

Por esta razón, los vendedores están recurriendo a la micro-comercialización que ocurre en uno de los cuatro niveles siguientes:

• Comercialización del segmento - dirigidas a un grupo de clientes que tienen un conjunto similar de necesidades y deseos.
• Comercialización del lugar - dirigidas a un grupo de clientes en sentido estricto que buscan un conjunto distintivo de beneficios.
• Comercialización local - dirigido a un grupo local de clientes
• Comercialización Individual - Este es el nivel máximo de la segmentación que se reduce la segmentación a segmentos de uno.

Variables de segmentación:

• Variables geográficas de segmentación - basado en la región - ciudad, rural, semiurbana
• Variables demográficos de segmentación - edad, tamaño familiar, género, ingresos, ocupación, educación
• Variables de segmentación psicográficos - clasificación socio-económica (SEC), el estilo de vida, la personalidad
• Segmentación del Comportamiento - ocasiones, los beneficios, el estado del usuario, tasa de uso, estado de la lealtad, la etapa de preparación, actitud hacia el producto.

Geek Fry!

Read more »

Cómo nunca correr una prueba A/B...

How Not To Run An A/B Test

By Evan Miller

If you run A/B tests on your website and regularly check ongoing experiments for significant results, you might be falling prey to what statisticians call repeated significance testing errors. As a result, even though your dashboard says a result is statistically significant, there’s a good chance that it’s actually insignificant. This note explains why.

Background

When an A/B testing dashboard says there is a “95% chance of beating original” or “90% probability of statistical significance,” it’s asking the following question: Assuming there is no underlying difference between A and B, how often will we see a difference like we do in the data just by chance? The answer to that question is called the significance level, and “statistically significant results” mean that the significance level is low, e.g. 5% or 1%. Dashboards usually take the complement of this (e.g. 95% or 99%) and report it as a “chance of beating the original” or something like that.

However, the significance calculation makes a critical assumption that you have probably violated without even realizing it: that the sample size was fixed in advance. If instead of deciding ahead of time, “this experiment will collect exactly 1,000 observations,” you say, “we’ll run it until we see a significant difference,” all the reported significance levels become meaningless. This result is completely counterintuitive and all the A/B testing packages out there ignore it, but I’ll try to explain the source of the problem with a simple example.

Example

Suppose you analyze an experiment after 200 and 500 observations. There are four things that could happen:

	Scenario 1	Scenario 2	Scenario 3	Scenario 4
After 200 observations	Insignificant	Insignificant	Significant!	Significant!
After 500 observations	Insignificant	Significant!	Insignificant	Significant!
End of experiment	Insignificant	Significant!	Insignificant	Significant!

Assuming treatments A and B are the same and the significance level is 5%, then at the end of the experiment, we’ll have a significant result 5% of the time.

But suppose we stop the experiment as soon as there is a significant result. Now look at the four things that could happen:

	Scenario 1	Scenario 2	Scenario 3	Scenario 4
After 200 observations	Insignificant	Insignificant	Significant!	Significant!
After 500 observations	Insignificant	Significant!	trial stopped	trial stopped
End of experiment	Insignificant	Significant!	Significant!	Significant!

The first row is the same as before, and the reported significance levels after 200 observations are perfectly fine. But now look at the third row. At the end of the experiment, assuming A and B are actually the same, we’ve increased the ratio of significant relative to insignificant results. Therefore, the reported significance level – the “percent of the time the observed difference is due to chance” – will be wrong.

How big of a problem is this?

Suppose your conversion rate is 50% and you want to test to see if a new logo gives you a conversion rate of more than 50% (or less). You stop the experiment as soon as there is 5% significance, or you call off the experiment after 150 observations. Now suppose your new logo actually does nothing. What percent of the time will your experiment wrongly find a significant result? No more than five percent, right? Maybe six percent, in light of the preceding analysis?

Try 26.1% – more than five times what you probably thought the significance level was. This is sort of a worst-case scenario, since we’re running a significance test after every observation, but it’s not unheard-of. At least one A/B testing framework out there actually provides code for automatically stopping experiments after there is a significant result. That sounds like a neat trick until you realize it’s a statistical abomination.

Repeated significance testing always increases the rate of false positives, that is, you’ll think many insignificant results are significant (but not the other way around). The problem will be present if you ever find yourself “peeking” at the data and stopping an experiment that seems to be giving a significant result. The more you peek, the more your significance levels will be off. For example, if you peek at an ongoing experiment ten times, then what you think is 1% significance is actually just 5% significance. Here are other reported significance values you need to see just to get an actual significance of 5%:

You peeked...	To get 5% actual significance you need...
1 time	2.9% reported significance
2 times	2.2% reported significance
3 times	1.8% reported significance
5 times	1.4% reported significance
10 times	1.0% reported significance

Decide for yourself how big a problem you have, but if you run your business by constantly checking the results of ongoing A/B tests and making quick decisions, then this table should give you goosebumps.

What can be done?

If you run experiments: the best way to avoid repeated significance testing errors is to not test significance repeatedly. Decide on a sample size in advance and wait until the experiment is over before you start believing the “chance of beating original” figures that the A/B testing software gives you. “Peeking” at the data is OK as long as you can restrain yourself from stopping an experiment before it has run its course. I know this goes against something in human nature, so perhaps the best advice is: no peeking!

Since you are going to fix the sample size in advance, what sample size should you use? This formula is a good rule of thumb:

n=16σ2δ2

Where δ is the minimum effect you wish to detect and σ2 is the sample variance you expect. Of course you might not know the variance, but if it’s just a binomial proportion you’re calculating (e.g. a percent conversion rate) the variance is given by:

σ2=p×(1−p)

Committing to a sample size completely mitigates the problem described here.

UPDATE, May 2013: You can see this formula in action with my new interactive Sample Size Calculator. Enter the effect size you wish to detect, set the power and significance levels, and you'll get an easy-to-read number telling you the sample size you need. END OF UPDATE

If you write A/B testing software: Don’t report significance levels until an experiment is over, and stop using significance levels to decide whether an experiment should stop or continue. Instead of reporting significance of ongoing experiments, report how large of an effect can be detected given the current sample size. That can be calculated with:

Where the two t’s are the t-statistics for a given significance level α/2 and power (1−β).

Painful as it sounds, you may even consider excluding the “current estimate” of the treatment effect until the experiment is over. If that information is used to stop experiments, then your reported significance levels are garbage.

If you really want to do this stuff right: Fixing a sample size in advance can be frustrating. What if your change is a runaway hit, shouldn’t you deploy it immediately? This problem has haunted the medical world for a long time, since medical researchers often want to stop clinical trials as soon as a new treatment looks effective, but they also need to make valid statistical inferences on their data. Here are a couple of approaches used in medical experiment design that someone really ought to adapt to the web:

• Sequential experiment design: Sequential experiment design lets you set up checkpoints in advance where you will decide whether or not to continue the experiment, and it gives you the correct significance levels.
• Bayesian experiment design: With Bayesian experiment design you can stop your experiment at any time and make perfectly valid inferences. Given the real-time nature of web experiments, Bayesian design seems like the way forward.

Conclusion

Although they seem powerful and convenient, dashboard views of ongoing A/B experiments invite misuse. Any time they are used in conjunction with a manual or automatic “stopping rule,” the resulting significance tests are simply invalid. Until sequential or Bayesian experiment designs are implemented in software, anyone running web experiments should only run experiments where the sample size has been fixed in advance, and stick to that sample size with near-religious discipline.

---

Further reading

Repeated Significance Tests

P. Armitage, C. K. McPherson, and B. C. Rowe. “Significance Tests on Accumulating Data,” Journal of the Royal Statistical Society. Series A (General), Vol. 132, No. 2 (1969), pp. 235-244

Optimal Sample Sizes

John A. List, Sally Sadoff, and Mathis Wagner. “So you want to run an experiment, now what? Some Simple Rules of Thumb for Optimal Experimental Design.” NBER Working Paper No. 15701

Wheeler, Robert E. “Portable Power,” Technometrics, Vol. 16, No. 2 (May, 1974), pp. 193-201

Sequential Experiment Design

Pocock, Stuart J. “Group Sequential Methods in the Design and Analysis of Clinical Trials,” Biometrika, Vol. 64, No. 2 (Aug., 1977), pp. 191-199

Pocock, Stuart J. “Interim Analyses for Randomized Clinical Trials: The Group Sequential Approach,”Biometrics, Vol. 38, No. 1 (Mar., 1982), pp. 153-162

Bayesian Experiment Design

Berry, Donald A. “Bayesian Statistics and the Efficiency and Ethics of Clinical Trials,” Statistical Science, Vol. 19, No. 1 (Feb., 2004), pp. 175-187

EvanMiller.org

Read more »

¿Qué es un community manager?

Qué es un Community Manager y cuáles son sus principales funciones en la empresa
13-08-2013 Compañías de todos los tamaños comienzan a darse cuenta de la necesidad de contar con un profesional encargado de esta función. Conozca las habilidades que debe tener la persona encargada de gestionar, construir y moderar comunidades en torno a una marca en Internet




Definitivamente son las preguntas del momento: ¿Qué es un Community Manager? ¿Cuáles son sus funciones? Empresas de todos los tamaños comienzan a darse cuenta de la necesidad de contar con un profesional encargado de gestionar su marca en Internet.

El Community Manager es el profesional responsable de construir, gestionar y administrar la comunidad online alrededor de una marca en la web creando y manteniendo relaciones estables y duraderas con sus clientes, sus fans y, en general, cualquier usuario interesado en la marca.

¿Cualquier usuario de Internet está preparado para realizar las funciones de un Community Manager? En verdad no: la gestión de una estretegia online exige poseer un conjunto de habilidades, técnicas y destrezas.

Si bien existe un conjunto de cualidades intrínsecas como la empatía y una buena dosis de creatividad e ingenio que ayudan en el desarrollo de las funciones del Community Manager, la formación proporciona conocimiento teórico en el diseño de estrategias, gestión de procesos y en el manejo de las herramientas 2.0 necesarias para el desempeño de la actividad.

Por otro lado la formación por sí sola no es suficiente, la experiencia también es esencial para desarrollar adecuadamente estas tareas.

Principales funciones del Community Manager
La principal tarea que lleva a cabo este profesional es la creación de contenido atractivo y de calidad. Por lo general el Community Manager no se limita a crear y redactar contenido sólo para las redes sociales, sino que además suele encargarse de gestionar el blog corporativo de la empresa.

El experto en redes sociales debe decidir cuál es la mejor hora para publicar el contenido. Para ello dispone de herramientas que le indican cuál es el momento del día (y cuál es el día de la semana) en el que la información va a tener mayor aceptación.

También cuenta con herramientas para programar la publicación del contenido. No sólo se programará contenido para las horas de mayor audiencia, también se realizarán publicaciones en el resto de franjas horarias.

Su trabajo incluye además el monitoreo de todas las publicaciones y novedades de su sector. El Community Manager acaba convirtiéndose en los ojos de la empresa en Internet.

Esta práctica no sirve únicamente para identificar oportunidades y amenazas a tiempo, también permite detectar el contenido más relevante de la competencia y del sector.

Otra de las funciones del Community Manager consiste en seguir y monitorear sus propias publicaciones, analizando su aceptación por parte de los usuarios. En definitiva tiene que medir el número de votos (me gusta, favoritos, +1 etc.), la cantidad de comentarios y las veces que se comparte el contenido.

Es vital que el encargado del manejo de las redes sociales conozca a su público objetivo (no sólo a sus fans, también a los potenciales fans). De esta manera podrá plantear la estrategia y determinar cuáles son las acciones con las que tendrá mayor éxito entre dicho público.

Otra función crítica consiste en crear relaciones estables y duraderas con los fans para conseguir involucrarlos. Para ello, hay que ser capaz de ponerse en el rol de los usuarios y darse cuenta de que no están en las redes sociales para comprar nuestros productos sino para disfrutar.

Al final la clave del éxito consiste en convertirse en amigo del usuario para acabar convirtiéndolo poco a poco en cliente.

En tanto, el Community Manager no debe olvidarse de los prescriptores, quienes no sólo interactúan con sus publicaciones sino que además están dispuestos a defender su marca frente a críticas ajenas. Es necesario conocer sus gustos y motivaciones para realizar acciones específicas orientadas a aumentar su grado de afiliación.

Dar la cara por la empresa
Una de las funciones más engorrosas del Comunity Manager es salir a dar la cara por la compañía cuando se produce una crisis de reputación online.

Si bien la falla no tiene por qué ser del propio gestor de redes sociales (puede ser por ejemplo un comentario desafortunado de un directivo o un producto defectuoso) y la respuesta no tiene por qué prepararla él sino que puede venir de las altas esferas de la organización, lo cierto es que el ejecutor de la respuesta va a ser el Community Manager.

Por tal motivo, es necesario saber definir, preparar y ejecutar estrategias. Hay que planificar minuciosamente cada detalle y anticipar los efectos que tendrá cada acción.

Todas estas funciones deben tener como fin último alcanzar el mayor número de conversiones, que no necesariamente tienen qué materializarse siempre en la venta.

Por ejemplo, un tipo de conversión puede ser conseguir aumentar el número de afiliados a la marca.

El Community Manager perfecto
MÁS NOTAS

¿Qué beneficios le trae a una marca contar con un community manager?
Una buena capacidad comunicativa es crítica en el experto de las redes sociales ya que que su principal función consiste en gestionar una comunidad online implicando a los usuarios.



La segunda característica clave de este profesional es la empatía. Debe saberponerse ponerse en la piel de los demás, y siempre enfocarse en encontrar la mejor solución a las necesidades y los problemas de sus seguidores.

La moderación es otra de las características en la que las empresas se fijarán cuando quieran contratar a un Community Manager.

Un perfil irascible e impulsivo puede hacer mucho daño a la marca ante las críticas de los usuarios. Jamás se debe intensificar el conflicto: el Community Manager es un trabajador más de la empresa que debe perseguir la solución de los problemas de los clientes.

También se valora la dedicación total al proyecto. Se debe estar preparado para gestionar cualquier tipo de amenaza independientemente del momento del día.

Y, para terminar, el experto en las redes sociales tiene que sentir auténtica pasión por la marca y sus productos. Es imposible que sea capaz de involucrar a los demás y convencerlos de lo estupenda que es su marca si usted mismo no cree lo que está diciendo, informó Emprendedores News.

iProfesional

Read more »