<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Rafael Buitrago on Medium]]></title>
        <description><![CDATA[Stories by Rafael Buitrago on Medium]]></description>
        <link>https://medium.com/@acidmorph?source=rss-d168bb9938b1------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*wzPBfMc_lPKZ3kJiVAGq-w.png</url>
            <title>Stories by Rafael Buitrago on Medium</title>
            <link>https://medium.com/@acidmorph?source=rss-d168bb9938b1------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Tue, 17 Nov 2026 23:35:38 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@acidmorph/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[UX y negocio en sinergia: el papel de la experimentación en el aumento de las ventas]]></title>
            <link>https://medium.com/@acidmorph/ux-y-negocio-en-sinergia-el-papel-de-la-experimentaci%C3%B3n-en-el-aumento-de-las-ventas-4ac54871b2ff?source=rss-d168bb9938b1------2</link>
            <guid isPermaLink="false">https://medium.com/p/4ac54871b2ff</guid>
            <dc:creator><![CDATA[Rafael Buitrago]]></dc:creator>
            <pubDate>Mon, 03 Mar 2025 17:53:44 GMT</pubDate>
            <atom:updated>2025-03-03T18:45:51.979Z</atom:updated>
            <content:encoded><![CDATA[<p>La <strong>experiencia de usuario </strong>no es sólo el diseño de una interfaz usable que resuelve las necesidades de nuestros clientes, también es un motor clave para generar valor en la organización y tiene un impacto directo en los indicadores de negocio. Esto convierte a UX en un protagonista para lograr los objetivos comerciales y estratégicos, no en una herramienta más para perseguirlos.</p><p>En la siguiente serie de artículos, exploraré tres casos de éxito donde UX no sólo hizo parte, sino donde propuso, lideró e implementó iniciativas que demostraron impactos positivos en métricas clave. Desde aumentos en la venta de ancillaries de viajes, hasta mejoras en la conversión, estos ejemplos evidencian cómo un enfoque basado en <strong>investigación</strong> puede impulsar tanto la experiencia como las metas financieras.</p><h3>El caso de la nueva card de Asistencia en el Flujo de venta de pasajes</h3><p>Esta historia comienza gracias a los resultados de investigación cualitativa que lideraron las diseñadoras Nataly Cantoral y Alejandra Veas en el squad del producto “Travel Ancillaries” dentro de LATAM. En ella descubrieron que el 75% de los usuarios afirma no tener la información suficiente para tomar la decisión de agregar el producto de asistencia (Assist Card) que se ofrece durante el proceso de compra del pasaje y está diseñado para brindarle a los pasajeros seguridad y asesoramiento durante su viaje.</p><p>Sobre este hallazgo formularon la siguiente hipótesis:<em> Al modificar el storytelling de la card de seguros, incluyendo las características y montos del producto, aumentaremos la venta.</em></p><p>Sobre esta hipótesis se construyó una propuesta visual que fue presentada al squad, pero que no logró ser priorizada por el alto esfuerzo técnico de desarrollo. Desde mi rol de Subject Matter Expert o SME de Experimentación, identifiqué la oportunidad de empoderar a la dupla diseñadora o People Who Experiment (PeWE) y trabajar en conjunto. La Gente que Experimenta, puede ser cualquier persona de la compañía. Los experimentos, así como las buenas hipótesis, pueden y deben ser propuestos, liderados o ejecutados por cualquier persona, no solo roles de producto.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/320/1*QHsaXVdpakyzOHSEoofKwQ.png" /><figcaption>Nueva card de Asistencia</figcaption></figure><p>Después de analizar el esfuerzo técnico internamente, asumí el esfuerzo de implementación y, una vez solucionado, la coordinación de la ejecución con el líder de Producto dentro del squad.</p><p>Una vez que llevamos ese conocimiento técnico al equipo de desarrollo, ellos fueron los encargados de hacer el <em>code review</em> y al mismo tiempo, reforzamos que hay otras formas de aproximarse a la implementación de experimentos que implican esfuerzos mucho menores.</p><p>El experimento finalizó luego de estar activo durante 2 semanas y 5 días en SSC+Brasil y <strong>encontramos evidencia contundente</strong> de que <em>modificar el storytelling de la card de seguros, agregando las características y montos del producto,</em> <strong>incrementó la venta del producto (+4.97%</strong>¹<strong>), lo que para la mayor aerolínea de latinoamérica, se traduce en un aumento significativo de ingresos.</strong></p><h3>¿Qué aprendimos?</h3><ul><li>Desde un lado operativo, este ejercicio sirvió para demostrar que el esfuerzo necesario para construir la intervención (solución propuesta) era menos de 12 veces la estimación original (3 meses versus 1 semana), lo que subraya una lección crucial y mucho más <strong>estratégica</strong>: invertir en UX no es un gasto, no es un deseable, no es algo que se deba poner al final de la cola a la hora de priorizar. <strong>UX genera valor concreto e impacto directo a las métricas, e incluso lo puede hacer por sí solo.</strong></li><li><strong>Para el equipo, </strong>reforzó que es prioritario que todas las personas que trabajan en UX cultiven y desarrollen las habilidades necesarias para poder observar, capturar y analizar los datos correctos de forma crítica y propositiva, que nos lleven al siguiente nivel de trabajo mancomunado, eficiente e impactante que perseguimos día a día.</li><li>Y desde el punto de vista de <strong>diseño</strong>, reforzamos nuestros lineamientos de contenido: la importancia de ser transparentes con los precios y la información necesaria de los productos para que el usuario tome decisiones sin fricciones y de forma sencilla. Más que interrumpir el flujo de venta, esta <em>card</em> de seguros es un complemento que permite a los usuarios <strong>elevar su experiencia de viaje y tener un proceso de compra más satisfactorio</strong>, en el que disminuimos sus preocupaciones sobre su viaje desde el primer momento.</li></ul><p>Este primer caso de éxito demostró el potencial transformador del diseño cuando se integra como un pilar central en la toma de decisiones, ya sea alineando soluciones digitales con las expectativas del cliente o eliminando puntos de fricción en los flujos. Y logramos dar un paso más al difundir el mindset que perseguimos: probar rápido, con esfuerzos bajos, y más preocupados por aprender que por equivocarnos.</p><p>¿Cómo ha sido tu experiencia intentando mejorar y/o escalar la experimentación en sus empresas? Por acá quedo, feliz de conversar.</p><p>¹<em>Lower bound: 2.76%, upper bound: 9.86%, Confidence level &gt; 95%</em></p><p><em>Muchas gracias por el apoyo y la edición de este artículo a </em><a href="https://medium.com/u/3e0254ed191b"><em>Mariana Valenzuela Silva</em></a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4ac54871b2ff" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[¡Experimentar no es hacer experimentos!]]></title>
            <link>https://medium.com/@acidmorph/experimentar-no-es-hacer-experimentos-4fb50c8507b3?source=rss-d168bb9938b1------2</link>
            <guid isPermaLink="false">https://medium.com/p/4fb50c8507b3</guid>
            <category><![CDATA[data-driven]]></category>
            <category><![CDATA[experimentation]]></category>
            <category><![CDATA[optimización]]></category>
            <category><![CDATA[product-design]]></category>
            <dc:creator><![CDATA[Rafael Buitrago]]></dc:creator>
            <pubDate>Wed, 26 Aug 2020 16:42:07 GMT</pubDate>
            <atom:updated>2020-08-26T18:18:04.489Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/910/1*7QfIxZ7OyEGGTfv4BFibqw.png" /></figure><p><em>De la misma forma que hacer pantallas no es diseñar, la cultura de experimentación va mucho mas allá de su hito más evidente.</em></p><p>Antes de comenzar, tengo que informarle que lo más probable es que hoy usted haya sido parte de un experimento controlado y si no es así, seguramente lo será durante el día.</p><p>La experimentación en entornos digitales es algo que los grandes como Amazon, Microsoft o Google están haciendo hace más de 10 años y lo hacen en proporciones que tranquilamente superan los 1000 experimentos diarios.</p><p>¿Y por qué si no es tan nuevo, se habla tanto de esto? Lo que pasa es que durante los últimos años dejó de ser algo exclusivo de las grandes empresas. El surgimiento y popularización de plataformas de optimización sumado a la cada vez mayor importancia de capturar y analizar los datos de los usuarios, creó un ecosistema en donde la facilidad para experimentar aumenta progresivamente y sus beneficios se hacen más notorios.</p><p>El afán por experimentar ha sido una bandera que Marketing Digital ha llevado por varios años en pro de mejorar las tasas de conversión y hacer más eficientes las campañas en la parte más alta del embudo de compra, es por ello, que cuando alguien menciona un test AB, muy probablemente en su cabeza usted lo imagine como dos <em>banners</em> distintos uno al lado del otro.</p><p>Ahora bien, la experimentación no es eso, o al menos no solo eso. Para muchos la experimentación todavía es algo que hace marketing digital y lo ven como parte de sus estrategias. La realidad es que la experimentación es algo completamente transversal a la organización, es un componente crucial en la cultura de una compañía que toma sus decisiones basadas en datos. Sí, es verdad, así como el agilismo, como el user centrismo y como tantos otros ‘ismos’ muchas veces <strong>se vuelven humo al intentar llevarlos a tierra firme</strong>, a acciones concretas.</p><blockquote>La experimentación tiene un gran objetivo que es la disminución de incertidumbre con la mayor precisión y el menor costo posible.</blockquote><p>Esto en la práctica se refleja en dos cosas muy concretas, por una parte en ahorro y por la otra en aumento de transacciones, o dicho de otra forma, en la eficiencia y eficacia del negocio mismo.</p><h3><strong>La experimentación en función del ahorro (eficiencia)</strong></h3><p>El ahorro asociado a la experimentación tiene dos frentes que vale la pena analizar: el primero de ellos tiene que ver con la eficiencia en la utilización de recursos y esfuerzos con los que se construyen los productos digitales. El segundo con la prevención de impactos o afectaciones negativas al negocio y/o “matar hipopótamos”.</p><p>Al profundizar sobre el primero de estos frentes nos encontramos con que el foco de la mayoría de los equipos de producto es o debería ser aumentar el valor de su producto en cada iteración incrementando su alcance (scope), bien sea en términos de reglas de negocio o en nuevas funcionalidades. El tema es que el 64%¹ de las nuevas funcionalidades no son usadas o son muy poco usadas, así pues, tenemos equipos que no son nada baratos trabajando en cosas que no van a ser usadas o en el mejor de los casos <strong>no van a impactar significativa y positivamente al negocio</strong>.</p><p>Experimentar, en este contexto implica poder enfocar a los equipos de producto en aquellas funcionalidades que tengan un impacto comprobado o por lo menos demostrado en el negocio.</p><p>Para entenderlo mejor un ejemplo. Imagine las siguientes condiciones:</p><ul><li>Usted trabaja en una red de concesionarios de automóviles y su producto específico es la publicación de nuevos autos.</li><li>Hay en el backlog del producto una funcionalidad (que por ahora no vamos a discutir cómo llegó allí), que consiste en sugerir un precio a quién quiere vender su auto cuando está completando los datos de la publicación.</li><li>Para hacerlo, en una primera instancia debería consultar las tablas de valuación de automóviles y con base en ella sugerir el precio.</li><li>El equipo estimó un <em>spike</em> para evaluar cómo extraer esa información y si es necesario crear nuevos servicios, después de ello un par de sprints serán necesarios para poder hacer esa integración, desarrollar el front end y finalmente, en algo así como dos meses estará en producción y solo allí sabremos si hace parte de ese 64% de funcionalidades que nadie usa o que se usan muy poco. Claro, tampoco sabremos si mejora o no el negocio porque justo en dos meses, los bancos subirán sus tasas de interés y las ventas de automotores caerán.</li><li>Un equipo de producto puede costar en promedio unos 40.000 dólares mensuales.</li></ul><p>Eso suena como algo relativamente cotidiano, algo que podría suceder. Pero ¿qué pasaría si ese equipo u otro (para no sacarlo del foco) mucho más pequeño (y más barato) hace un par de experimentos?</p><h4><strong>Validar la demanda</strong></h4><p>Puertas falsas (Fake Doors). Los experimentos que buscan validar la demanda sobre algo que no se ha construido son de extrema utilidad al contrastar los casos de negocio (datos observacionales) y la realidad de nuestros clientes (datos experimentales). Su objetivo es cuantificar qué tanto interés existe en nuestros usuarios por algo que creemos que puede ser interesante pero que no queremos invertir mucho tiempo ni dinero para saberlo.</p><p>Un simple link o un botón invitando a usar la funcionalidad y un mensaje asociado que suavice cualquier fricción al no ser funcional, es suficiente para poder evaluar el interés de los usuarios en ello.</p><p>Así pues, con un esfuerzo de un par de horas es posible, por lo menos, lanzar un experimento que nos ayude a descartar si esos tres o cuatro sprints van a ser en vano o no. Es decir, invirtiendo sólo una pequeñísima fracción del eventual costo de la funcionalidad, disminuirían los niveles de incertidumbre y en efecto, la probabilidad de desaprovechar esos recursos.</p><p>Ahora bien, experimentar no es hacer experimentos. Poner un link o un botón y ver si hay click, no es hacer una puerta falsa, hacer este experimento implica definir explícitamente qué consideramos como interés y que no, o definir con claridad qué vamos a considerar éxito y qué no, o en palabras más serias: formular la hipótesis nula correctamente. Porque solo por el hecho de ser un botón o un link va a tener clicks, pero no por eso va a significar que vale la pena hacerlo. Y por otra parte, en el diseño del experimento y su posterior análisis, evitar el posible sesgo por curiosidad, una de las variables intervinientes más relevantes en este tipo de experimentos.</p><h4><strong>Validar el impacto</strong></h4><p>Supongamos que la incertidumbre por la demanda de esta funcionalidad no es muy alta, la competencia lo tiene y hay varios estudios cualitativos que los equipos de experiencia en donde se evidencia un cierto nivel de deseo o expectativa de los usuarios por tenerla.</p><p>¿Cómo puede aportar un equipo de experimentación o la experimentación misma en este escenario? Bueno, sigamos con la historia. En esa situación hipotética, podríamos crear un experimento en donde sin necesidad de conectar ningún servicio, solamente con el front end y consultando los precios en las tablas de valuación descargadas y en duro, logramos tener una experiencia muy cercana a la deseada.</p><p>De esta forma evaluamos qué pasa al tener esta funcionalidad en producción. ¿Aumentan las publicaciones? ¿Disminuye el tiempo en completar la información? o simplemente no pasa nada y es una funcionalidad que también tiene la competencia pero no aporta en absoluto al negocio? De ser cierto esto último, probablemente dejamos de hacer otra funcionalidad que sí era un diferencial y una mejora sustancial para el negocio.</p><p>Así pues, con un esfuerzo de un par de días, sin back end, sin el pipeline a producción, podemos evaluar el impacto real que tendrá la funcionalidad propuesta y de esta forma priorizar o despriorizar su ejecución, haciendo que el equipo de producto mantenga su foco sólo en aquellas funcionalidades que ‘muevan la aguja’.</p><p>Ahora bien, pensemos por un momento cómo llegó esa funcionalidad al backlog. Muchas veces llegan allí porque la competencia lo tiene, porque a alguien le parece que puede funcionar o simplemente porque algún directivo la quiere tener. Cualquiera de esas razones son totalmente “<em>guata-driven”</em>, todas obedecen a un yo creo que y es muy peligroso cuando ese yo creo que o yo quiero que sea un “hipopótamo” (en inglés HIPPO por sus siglas <em>HIghest Paid Person’s Opinion</em>).</p><p>El peligro no solo está por hacer trabajar al equipo de producto en funcionalidades que no se van a usar, puede ser mucho más grave que eso. Para dimensionar este peligro uno de los mejores casos que pude vivir de primera mano fue en Latam Airlines, donde gracias a este tipo de experimentación logramos evitar la puesta en producción de una funcionalidad que de haberlo hecho hubiera representado una disminución en la venta anual por mas de 170 Millones de dólares. <strong>Los HIPPO’s casi nunca tienen razón y muchas veces son perjudiciales para la salud del negocio.</strong></p><h3><strong>La experimentación en función de las transacciones</strong></h3><p>Normalmente los equipos de producto al estar enfocados en esos aumentos de alcance que ya se mencionaron, no tienen mucho espacio para volver sobre lo hecho y probar diferentes alternativas de hacer lo mismo, incluso cuando alguna de esas alternativas funcione mucho mejor y sea más eficiente.</p><p>Es en este punto, donde la experimentación deja su carácter reactivo y se torna propositiva. Basada en el análisis del comportamiento de los usuarios, entendiendo este como la suma de información cualitativa y cuantitativa, se descubren problemas u oportunidades de mejora que a su vez se convierten en hipótesis apoyadas en datos.</p><p>Hablar de hipótesis apoyadas en datos es en últimas redundante, porque toda hipótesis debiera basarse en datos. Pero la verdad es que en muchos casos no sucede de esta manera y aquí es donde encontramos otro ejemplo de porqué experimentar no es hacer experimentos, esta vez, experimentos basados en suposiciones. En este caso los experimentos se convierten en la forma de comprobar o en su mayoría refutar el ‘creo que’ y aunque se pueda ahorrar mucho dinero de esta forma, la aguja que queremos mover no lo va a hacer.</p><p>A este respecto, la experimentación en función de las transacciones o en función de mejorar la efectividad de la experiencia es el mejor aliado de la mejora continua y es en donde un pequeño equipo puede hacer la diferencia entre dejar los incrementos de valor solo al éxito de nuevas funcionalidades y apostar al mismo tiempo a lograr mejores resultados con lo ya construido.</p><p>Una vez se entienden los beneficios directos de la experimentación y la cultura de experimentación, es natural querer partir y hacer todos los experimentos posibles. Pero es importante señalar que ejecutar un experimento <strong>es solo una parte</strong> del proceso de experimentación, una parte <strong>necesaria pero no suficiente</strong>.</p><p>Diseñar el experimento y todo lo que ello conlleva es fundamental. El valor de un experimento es directamente proporcional a la fuerza y solidez de la hipótesis sobre la cual está construido y al mismo tiempo depende de la criticidad del problema analizado.</p><p>Un experimento construido sobre una hipótesis que nació de una suposición (guata-driven) tendrá muchísimas menos probabilidades de comprobarse, es decir, de mover los indicadores de negocio y al mismo tiempo hará casi imposible aprender de ello.</p><p>Es fácil encariñarse con los experimentos pero es difícil hacerlo de forma rigurosa, consciente y metódica. En muchos casos, sobre todo al comienzo de estos ejercicios, por errores metodológicos en la ejecución se toman decisiones sobre datos sesgados.</p><p>Por lo anterior, desde <a href="https://www.2brains.cl/"><strong>2Brains</strong></a> nació el laboratorio de <strong>experimentación (Growth Lab)</strong> cuyo objetivo es apoyar a las grandes y medianas empresas a diseñar y ejecutar experimentos que aumenten su <em>revenue</em> digital mejorando sus experiencias digitales.</p><p>Si quieres saber un poco más de nuestros servicios y cómo podemos ayudarte a formalizar, estandarizar y escalar el modelo de experimentación en los distintos escenarios de madurez que tengan, no dudes en escribirnos. <strong>Algo bueno saldrá de esa conversación!</strong></p><h4><strong>Para mayor información:</strong></h4><blockquote>Growth Lab | Laboratorio de experimentación | <a href="/service/mailto:growthlab@2brains.cl">growthlab@2brains.cl</a> | 2Brains | Consultora de tecnología centrada en el usuario |<a href="/service/mailto:info@2brains.cl"> info@2brains.cl</a> |</blockquote><h4><strong>Notas y referencias</strong></h4><p>¹ Fuente: <em>Bernard de Luna, curso sobre product discovery.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=4fb50c8507b3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Métricas e indicadores en la gestión de equipos UX]]></title>
            <link>https://medium.com/@acidmorph/m%C3%A9tricas-e-indicadores-en-la-gesti%C3%B3n-de-equipos-ux-18844025125a?source=rss-d168bb9938b1------2</link>
            <guid isPermaLink="false">https://medium.com/p/18844025125a</guid>
            <dc:creator><![CDATA[Rafael Buitrago]]></dc:creator>
            <pubDate>Mon, 13 Jul 2020 13:59:40 GMT</pubDate>
            <atom:updated>2020-07-24T12:38:57.766Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*rSAmlyCDGI60ogNf_mcxBg.png" /></figure><p>El objetivo de este artículo no es proponer una receta o un paquete de métricas para gestionar un equipo de UX. Tal aproximación sería, ademas de soberbia, conceptualmente errada.</p><p>Cada organización elige a sus líderes por su visión y experiencia para que formulen las mejores estrategias con sus equipos en función de los objetivos del negocio. Así pues, cada estrategia es diferente y, por ende, la forma de medirlas también.</p><p>Pese a que cada estrategia sea distinta, lo importante, es que en ellas se articulen tres ejes fundamentales: las personas, los procesos y los productos. O en otras palabras, garantizar la salud, crecimiento y desarrollo del equipo con el que trabaja (Personas), asegurar que lo que esas personas hacen lo hagan bien (Productos) y por último, optimizar la forma en que las personas hacen su trabajo (Procesos).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/880/1*_-vxfJmXAFK8dIpGPfLMIw.png" /></figure><p>Una vez articuladas estas tres aristas, se hace evidente la necesidad de construir un plan de medición que permita conocer su estado, espacio de mejora y que nos permita identificar objetivamente si logramos el objetivo principal. En este texto nos preocuparemos únicamente de la expresión cuantitativa del comportamiento de los procesos, o mas comúnmente llamada: métricas de gestión.</p><h3><strong>Objetivos, estrategia y flujo de trabajo</strong></h3><p>¿Cuál es el objetivo del equipo de UX en esta organización?, ¿Cómo lo vamos a lograr? y ¿Cuánto falta para lograrlo? son tres de las preguntas más importantes que deberían guiar el trabajo diario de quien lidera un equipo. En ellas se entrecruzan el norte, la estrategia y la forma de medir el éxito (o fracaso).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/874/1*rP2gql-ah_8kNsBL5MxD7w.png" /></figure><p>Comencemos por los objetivos. En una acotación completamente personal, considero que todo equipo de UX debe perseguir un gran objetivo que dependerá del grado de madurez de la organización: <strong>promover, impulsar o consolidar al usuario en el centro de la compañía (<em>user centricity</em>)</strong>. Y aunque dicho objetivo se presente como el más importante, en ningún caso quiere decir que deba ser el único¹, existen otros tales como asegurar la calidad estética de las experiencias propuestas, que también son relevantes y necesitan especial consideración.</p><p>¿Por qué elegir <em>user centricity</em> y no usabilidad, consistencia u otro concepto mas concreto como eje de la estrategia? Es simple, una organización y un equipo de UX donde el usuario sea el centro es un lugar en donde se construyen productos de alta calidad y donde el equipo apoya activa y objetivamente la toma de decisiones ejecutivas.</p><blockquote>“Una organización y un equipo de UX donde el usuario sea el centro, es un lugar donde se construyen productos de alta calidad y donde el equipo apoya activa y objetivamente la toma de decisiones ejecutivas”.</blockquote><p>UX es la amalgama que construye y transita los puentes entre la magia de lo que se puede hacer (tecnología), la consciencia de lo que hay que hacer para ser rentable (negocio) y el humano que vive la experiencia (usuario). El objetivo del equipo de experiencia de usuario no solo debe circunscribirse a los productos digitales de la organización. Su responsabilidad debe exceder ese campo de acción, llevando y poniendo el conocimiento adquirido de los usuarios sobre las mesas correspondientes, para garantizar una toma de decisiones mejor informada.</p><p>Esto en el papel suena muy bien pero la verdad es que muchas veces allí se queda. Haciendo más concreta la relación del <em>user </em>centrismo con el flujo de trabajo de los equipos de UX, propongo tres dimensiones para tener en cuenta al formular la estrategia que finalmente dictará la definición de dichos procesos.</p><p>La primera de ellas, quizás la mas obvia, tiene que ver con el aseguramiento de los procesos que velan por la calidad de las experiencias propuestas. Es decir, que lo que proponemos sea, efectivamente, usable. En otras palabras, poder tener visibilidad de que lo que estamos haciendo, lo estemos validando con usuarios reales y así garantizar que estamos construyendo soluciones en constante contacto con los humanos que las van a utilizar.</p><p>La segunda hace referencia a la construcción de experiencias sobre necesidades, deseos o problemas reales, no solamente sobre casos de negocio creados a partir de datos observacionales proyectados en contextos diferentes. De esta manera, aseguramos que estamos investigando a nuestros usuarios para formular nuevos productos o soluciones, disminuyendo la incertidumbre asociada a ello.</p><p>Por último, y tal vez la más importante, la capacidad de incrementar el valor de las experiencias en función del entendimiento consciente del comportamiento de los usuarios. Un equipo que escucha activa y proactivamente a quien usa sus productos, los adaptará y optimizará constantemente.</p><p>Ahora bien, ¿cómo medimos esto? ¿Cantidad de pruebas de usabilidad? ¿Número de investigaciones realizadas? ¿Cantidad de funcionalidades nuevas o <em>releases </em>a producción<em>?</em></p><h3><strong>Métricas e indicadores</strong></h3><p>Formalmente y de una manera muy purista (si le hiciéramos caso a la RAE no deberíamos usar la palabra métrica² y yo ni siquiera haberla usado en el título del artículo), pero la verdad es que la seguiremos utilizando como sinónimo de indicador. Es decir, como el <strong><em>valor medible de una variable que sirve como referencia para entender un fenómeno u objeto</em></strong>.</p><p>Ahora bien, el problema según esa definición es que casi cualquier número puede considerarse un indicador, por lo que el criterio para determinar qué tanto sirve ese número para entender si nuestra estrategia está alcanzando sus objetivos o no, se vuelve crucial al formular el plan de medición.</p><blockquote>Definir indicadores útiles y accionables es el corazón de la medición de cualquier estrategia.</blockquote><p>Para entender mejor qué hay que tener en cuenta para formularlos y qué hace mejor uno que otro, observaremos dos versiones de un mismo indicador cuyo objetivo es entender los procesos de diseño asociados a la usabilidad de las soluciones propuestas por el equipo de UX.</p><p>La primera, es el número de pruebas de usabilidad realizadas cada sprint. ¿Cómo sabemos si es un indicador bueno, malo o aceptable? Al ver este número, solo podríamos saber si se están haciendo pruebas de usabilidad y cuántas. Por lo tanto, aunque sea un indicador válido ya que nos esta dando información sobre el fenómeno que queremos entender (los procesos de diseño asociados a la usabilidad), no es completamente accionable. No podemos hacer mucho con el número de test realizados. No sirve como referencia para saber si 2, 4, 8 o los que sean, son suficientes, o qué tanto debo optimizar los procesos para mejorar el desempeño del equipo.</p><p>La segunda versión del indicador es la proporción entre la cantidad de historias de usuario terminadas que necesitaban validación y la cantidad de historias terminadas que efectivamente se probaron con usuarios. Al ver este número vamos a saber (ademas de si se están haciendo o no pruebas de usabilidad) que tan cerca estamos de probar con usuarios reales todas aquellas soluciones que necesiten validación y por lo tanto asegurar que no tengan problemas graves de usabilidad (o si los tienen, ser conscientes de ellos). Este indicador, automáticamente nos da una referencia para entender mejor qué tan bien o mal lo estamos haciendo y qué tanto espacio hay para optimizar los procesos involucrados.</p><p>Este ejemplo nos ayuda a entender la importancia que tiene, no sólo formular correctamente un indicador, sino saberlos elegir. La principal diferencia entre ese par de indicadores pasa por el tipo de variable que intentan medir. En el segundo, es la relación entre dos características del fenómeno observado, mientras que en el primero se trata de una variable simple, una métrica de vanidad³, un valor que no nos dice mucho más allá del número mismo, que nos hace sentir bien (porque estamos haciendo pruebas de usabilidad), pero no nos ayuda directamente a tomar decisiones significativas.</p><p>En definitiva,<strong><em> </em></strong>si evitamos el uso de ego-métricas y ponemos todos los esfuerzos en la formulación de indicadores accionables, que den visibilidad del estado (progreso o retroceso) del logro del objetivo de la estrategia, estaremos definiendo un plan de medición sólido que nos ayudará a entender y mejorar los procesos que lleva cabo el equipo de UX al diseñar y co-construir las experiencias digitales.</p><h3><strong>Precisión e instrumentos de medición</strong></h3><p>Otro elemento a tener en cuenta en el proceso de formulación de indicadores tiene que ver con la precisión que necesitamos en la medición, ya que ésta será determinante al momento de elegir el instrumento para medir el indicador.</p><p>Imaginemos por un momento que lo que queremos medir es el desempeño de una persona al correr media maratón. Es algo que podemos medir, por ejemplo, en tiempo (horas, minutos, segundos, milisegundos o todos juntos), pero va a depender de la razón por la cual necesitamos medirlo. ¿Es un profesional? ¿es su primera media maratón? Si el objetivo es simplemente llegar y saber cuánto se demoró, muy probablemente no necesitaremos mayor precisión que horas y fracción. Si por el contrario tiene opción al podio, nos interesarán hasta los milisegundos. Ese nivel de precisión condicionará la forma en la que tenemos que medirlo. En el primer caso lo podríamos hacer incluso con un reloj de pulso análogo, mientras que en el segundo muy seguramente necesitaremos algo mas sofisticado como sensores en los puntos de partida y llegada.</p><p>Ciertamente, lo que queremos medir no es lo mismo a cómo lo medimos. En este ejemplo, no estamos midiendo el tiempo, estamos midiendo desempeño en función del tiempo. También lo podríamos hacer en función de niveles de hidratación, velocidad, etc. Este punto es muy importante porque <strong>frecuentemente se comienza de forma equivocada al proponer cómo medir algo sin definir qué es lo que queremos medir y terminamos con números que no responden las preguntas importantes.</strong></p><p>Retomando el tema de la precisión ¿cómo es que puede llegar a cambiar un indicador de gestión? Continuemos analizando el mismo indicador que observamos antes sobre los procesos asociados a la usabilidad, no la métrica de vanidad, el otro, que bien pudiera llamarse indicador de cobertura de investigación evaluativa. Si recordamos, ese indicador nos decía si estábamos validando con usuarios todo aquello que debería ser validado y qué tan lejos nos encontrábamos de hacerlo en su totalidad. Ahora bien, ¿qué pasaría si quisiéramos un mayor nivel de precisión?</p><p>Un nivel mas alto de precisión en este indicador supondría que ya no solo necesitamos saber si estamos validando lo que tenemos que validar, sino si lo estamos haciendo como debe ser, bajo ciertos estándares de calidad. En este caso, esos estándares serían, por ejemplo: cantidad de usuarios por test y si los resultados están sobre los mínimos aceptables de las tres dimensiones de usabilidad (eficiencia, eficacia y satisfacción).</p><p>Así pues, esto implica cambios en el registro de los procesos y en la forma de capturarlos, lo que a su vez dependerá completamente de la(s) herramienta(s) que el equipo esté usando. Ese cambio implica esfuerzo y el esfuerzo tiempo. Podría entonces reformularse el indicador a algo así: proporción entre la cantidad de historías de usuario terminadas que necesitaban validación y la cantidad de historias terminadas que efectivamente se probaron con mas de X usuarios y que hayan superado los mínimos de usabilidad⁴.</p><p>Entre más precisos los indicadores, mayor nivel de detalle y mejor visibilidad de la gestión de los procesos. Pero como nuestra mentalidad debiera ser siempre incremental, es fundamental entender que quizás lo mejor sea partir con niveles bajos de precisión, pocos cambios en los procesos de registro, pero la información suficiente para determinar si hay que hacer ajustes a los procesos de diseño.</p><p>En conclusión, podremos afirmar que la estrategia de UX está cumpliendo su objetivo de poner al usuario en el centro de la compañía cuando podamos sustentar con <strong>indicadores fuertes</strong> lo siguiente:</p><ul><li>En su amplia mayoría las experiencias propuestas fueron validadas con usuarios y dichas pruebas superaron los estándares mínimos de calidad.</li><li>Las iniciativas disminuyeron su incertidumbre al ser objeto de investigación exploratoria y fueron alimentadas con evidencia experimental</li><li>Se instauró una cadencia estable de optimización comprobada basada en la observación cualitativa y cuantitativa del comportamiento de los usuarios y/o su feedback constante</li><li>Por último, que ese conocimiento adquirido al hacer todo eso, esté disponible, sea usado y sea valorado en las decisiones ejecutivas.</li></ul><p>Pese a que en este texto abordamos como ejemplo solo uno de los posibles indicadores de gestión, es crítico entender que, al igual que las experiencias no solo se miden por su usabilidad, los procesos para construirlas tampoco se miden solo por si hacemos o cómo hacemos las pruebas de usabilidad.</p><p>Si no logramos definir los indicadores correctos, de por lo menos los temas mencionados en el párrafo anterior, nuestro trabajo como líderes quedará a medio camino y no logrará ganar el estatus que merece al no poder mostrar el impacto real de lo que hacemos, pero sobre todo, del trabajo que hacen las personas que conforman nuestros equipos.</p><h3>Notas y referencias</h3><p>¹ <em>Considero que la preocupación por las personas, su salud, desarrollo y crecimiento debe ser transversal a la compañía y dado el alcance del presente texto, acotado solamente a los procesos, dejaré de lado cualquier reflexión y/o referencia a este eje tan importante en la labor de un líder.</em></p><p>² <em>Perteneciente o relativo al metro (‖ unidad de longitud). Sistema métrico. Real Academia Española.</em></p><p>³ <a href="http://www.startuplessonslearned.com/2009/12/why-vanity-metrics-are-dangerous.html"><em>Why vanity metrics are dangerous</em></a><em>. (startuplessonslearned.com) Eric Ries.</em></p><p>⁴ <em>A este respecto, después de extensas y acuciosas investigaciones con los equipos que he liderado, hemos definido como referencia y línea base los siguientes valores: Efectividad: Completion Rate (&gt;78%), Error per task (&lt;0.7), Eficiencia: Overall relative efficiency (&gt;25%), Satisfacción: SUS (&gt;68) o SEQ (&gt;5).</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=18844025125a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Experimentación, el camino para darle vida a nuestras ideas]]></title>
            <link>https://medium.com/latam-airlines/experimentaci%C3%B3n-el-camino-para-darle-vida-a-nuestras-ideas-172db268bde9?source=rss-d168bb9938b1------2</link>
            <guid isPermaLink="false">https://medium.com/p/172db268bde9</guid>
            <category><![CDATA[data-driven]]></category>
            <category><![CDATA[wizard-of-oz]]></category>
            <category><![CDATA[product-design]]></category>
            <category><![CDATA[experimentación]]></category>
            <category><![CDATA[ab-testing]]></category>
            <dc:creator><![CDATA[Rafael Buitrago]]></dc:creator>
            <pubDate>Mon, 24 Feb 2020 20:49:02 GMT</pubDate>
            <atom:updated>2020-02-25T12:32:34.520Z</atom:updated>
            <content:encoded><![CDATA[<p>Cuando desarrollamos productos, debemos ser conscientes de que las necesidades, deseos y preferencias de consumo cambian constantemente, por lo que la capacidad de reacción al proponer el producto o la funcionalidad acertada en el menor tiempo posible, juega un papel trascendental en nuestra búsqueda continua de generación de valor.</p><blockquote><strong>En otras palabras, el principal desafío de cualquier equipo de producto es la creación de soluciones deseables, factibles y rentables; una tarea nada simple si tenemos en cuenta que usualmente lo que pensamos que nuestros usuarios quieren, difiere bastante de lo que realmente necesitan.</strong></blockquote><p>Por otra parte, si agregamos el peso que pueden llegar a tener los <strong>HIPPO’s</strong> (de las siglas en inglés de <em>opinión de la persona que más dinero gana</em>), en las definiciones sobre qué hacer o cómo hacerlo, podemos fácilmente caer en uno de los peores escenarios posibles: <em>una situación donde construimos algo tecnológicamente eficiente, con un caso de negocio muy lindo, pero que nadie efectivamente usa</em>.</p><p>En cualquier caso al construir productos, tenemos que lidiar con altos niveles de incertidumbre (es verdad que si no fuera así, no sería tan interesante) y es precisamente en este punto en donde la experimentación entra en la ecuación. Los experimentos son pruebas que consisten en provocar un fenómeno en unas condiciones determinadas con el fin de analizar sus efectos y de verificar una hipótesis construida sobre los datos del comportamiento de nuestros clientes.</p><p>Por lo tanto, gracias a los experimentos, podemos sistemática e iterativamente reducir la incertidumbre inherente a las soluciones que desarrollamos día a día, sin enfocarnos en si podemos o no construir la solución. La pregunta que éste busca responder es; <strong><em>“¿deberíamos construir esto?</em></strong>. Y si la respuesta es sí, entonces nos cuestionamos; “<strong><em>¿ podemos construir un modelo de negocio sostenible alrededor de esa idea?</em></strong>”<strong><em>.</em></strong>¹</p><p>Ahora bien, el nivel de incertidumbre es inversamente proporcional a la etapa de desarrollo del producto, dicho de otra manera, a medida que el producto se incrementa y entra en su ciclo de entrega de valor continua, la incertidumbre decrece. Para hacerlo más claro, imagina que estás perdido en medio de la jungla y tienes que llegar al refugio más cercano que queda al norte, el mayor nivel de incertidumbre lo tendrás al dar el primer paso, por lo tanto, si de alguna forma puedes saber que esa entrada inicial la está dando en el sentido correcto, lo siguiente irá progresivamente siendo menos incierto.</p><p>Entendiendo esta relación existente entre la incertidumbre y las diferentes etapas de producto, podemos proponer distintos tipos de experimentos, que en función del nivel de incertidumbre que queramos reducir, tienen formas y objetivos diferentes. Por ejemplo, experimentos tipo <strong><em>“</em>Puerta falsa (<em>Fake door</em>)”</strong>, buscan validar una demanda sobre algo que no se ha construido, es decir, qué tanto interés existe en nuestros usuarios por algo que creemos que puede ser interesante pero que no queremos invertir mucho tiempo ni dinero para saberlo.</p><p>Este modelo de experimento es de extrema utilidad al contrastar los casos de negocio (datos observacionales) y la realidad de nuestros clientes (datos experimentales).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KEtoenfwl9bDyHYGLh9CvQ.gif" /><figcaption>Ejemplo experimento Fake Door</figcaption></figure><p>Otros tipos de experimentos como <strong>“Mago de Oz (<em>Wizard of Oz</em>)”</strong> o <strong>“Conserje (<em>Concierge</em>)”</strong> tienen por objeto probar ideas o servicios de una forma que permite percibir su valor propuesto pero en una escala mucho menor. Un buen ejemplo de ello es cuándo Airbnb quiso probar si se aumentarían los alquileres al mejorar la calidad de las fotos. Probaron la idea con un experimento tipo <em>Conserje</em> usando el mínimo esfuerzo posible para conseguir una prueba que les permitiera validar la hipótesis. Cuando éste mostró buenos resultados, desarrollaron las funcionalidades necesarias y los desplegaron para que estuviera disponible para todos sus clientes. <em>“A veces, el crecimiento de un negocio proviene de sitios inesperados”.</em>²</p><blockquote><strong><em>“No vendas lo que puedas hacer; haz lo que puedas vender, algo que también implica averiguar lo que la gente está dispuesta a comprar.” </em>Alistair Croll</strong></blockquote><p>Otro tipo de experimento ampliamente usado en Latam durante el 2019 fue la prueba <strong>A/B (<em>A/B Test</em>)</strong>, son experimentos en donde se exponen aleatoriamente a nuestros clientes dos (o más) variantes, A y B, siendo una la de control (sin cambios) y la otra la variante. Con este tipo de experimentos buscamos encontrar causalidad, es decir, qué tan seguros podemos estar de que la mejora del indicador (KPI) que perseguimos sea causada por la variación que incorporamos.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hcj-ydGkeUp0LwBW92zNSA.png" /><figcaption>A/B Testing</figcaption></figure><p>En este punto, y aunque pueda sonar un poco complejo, observar la causalidad y no la correlación, es uno de los ejes sobre los que gira la experimentación.</p><p>Es un error común confundir estos dos conceptos, imagina como un alto ejecutivo y tiene en sus manos dos informes. En el primero hay una caída importante en las ventas y en el segundo hay un aumento importante en el tiempo que los usuarios permanecen en el sitio. Las dos parecen ocurrir al mismo tiempo. Pide un tercer informe que cruza los dos anteriores y, efectivamente, encuentra una relación: entre mayor es el tiempo de los usuarios en el sitio, menores son las ventas.</p><p>¿Quiere decir esto que la baja de las ventas es causada por el tiempo de los usuarios en la página? No necesariamente, así como los divorcios en Maine no son causados por la cantidad de margarina que se consume, aún cuando entre el 2000 y el 2009 existe una correlación de más del 99%.³</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Gx6uCLuG7NJaaLYvxzgw9A.png" /></figure><blockquote><strong><em>“Correlación no es causalidad” </em>Kenneth L. Woodward</strong></blockquote><p>Considerando todo lo anterior, durante 2019, en la Dirección Digital incluímos este proceso que involucra pruebas experimentales al construir y optimizar productos digitales. Para ello, articulamos un framework que asociado a uno de medición, nos ha permitido garantizar un trabajo riguroso y cada vez más frecuente; ya que para formular las hipótesis se debe contar con datos suficientes y confiables O en palabras de Peter Drucker<strong>, <em>“Si no puedes medirlo, no puedes gestionarlo”</em> y mucho menos mejorarlo.</strong></p><p>El año pasado, en alrededor de seis meses, ocho equipos de producto implementaron más experimentos que American Airlines en todo el 2018 y cada vez más grupos están evaluando nuevos <em>briefs</em> y formulando nuevas hipótesis para continuar con este proceso de forma autónoma, permitiendo descentralizar el proceso de experimentación y autogestionar los distintos requerimientos.</p><h3>El proceso de experimentación o la mejora continua impulsada por datos.</h3><p>Para poder lograr resultados concretos con el proceso de experimentación, debemos considerar el siguiente flujo:</p><p><strong>1.- Observación</strong></p><p>¿Qué sabemos? ¿Cómo están usando el producto los clientes? Si aún no existe el producto, ¿Les interesa?, ¿Cómo es su relación con otros productos análogos? En este punto es crucial entender bien el comportamiento de los usuarios con el producto, cruzar información sobre <em>qué </em>hacen (datos cuantitativos) y <em>por qué</em> lo hacen (datos cualitativos) es fundamental.</p><p><strong>2.- Detección del problema</strong></p><p>A partir de la observación y el análisis de los datos existentes, emergen oportunidades y posibles problemas. En este punto es clave identificar el problema correcto, hacerlo es más importante que proponer una solución eficiente. El impacto al solucionar un problema es directamente proporcional a su gravedad.</p><p><strong>3.- Formulación de hipótesis</strong></p><p>Este tipo de experimentos, deben construirse sobre una hipótesis causal, es decir, qué es lo que vamos a modificar/agregar (variable independiente) versus lo que suponemos que va a causar (variable dependiente), ej: Si reducimos el <strong>número</strong> <strong>de campos </strong>del formulario de pasajeros vamos a aumentar la cantidad de <strong>pasajes comprados</strong>.</p><p><strong>4.- Definición de métricas y criterios de éxito</strong></p><p>¿Cómo saber cuál es la mejor opción, A o B? Fundamental <strong>determinar un <em>KPI</em></strong><em> </em>como objetivo principal del experimento y todavía más importante medir los impactos que pueda llegar a tener en la experiencia completa, no vamos a querer desarrollar, por ejemplo, una solución que mejore la venta de un ancillary pero al mismo tiempo disminuye sensiblemente la venta de pasajes aéreos.</p><p><strong>5.- Muestra y ejecución</strong></p><p>¿Cuántas personas vamos a necesitar para poder tener datos en los que podamos confiar? ¿Qué personas y en qué condiciones (mercado, idioma, dispositivo, horario, etc.)? Una adecuada selección de la muestra del experimento va a permitir tomar decisiones acertadas.</p><p>Un ejemplo del proceso llevado a cabo en este flujo de experimentación lo podemos ilustrar con el siguiente caso para el nuevo <strong>Latam Store</strong> (momento en la compra dedicado a la mejora de la experiencia mediante la adquisición de <em>ancillaries</em>).</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/976/1*xfSDt6c7S131Bw--feUO-A.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*D-rZlABVUBHAgV7i8Nh9sA.png" /><figcaption>Resultados AB Test — Latam Store</figcaption></figure><p><strong>Resultado:</strong> Aumento de 21% y 35% del tráfico hacia la selección de asientos en móvil y escritorio respectivamente, con intervalos de confianza superiores al 98%.</p><p>También hemos tenido casos de experimentación que han resultado negativos. En realidad esto es algo bastante común, Microsoft o Airbnb de cada 10 experimentos solo 1 o 2 confirman la hipótesis sobre la que se construyeron. Lo fundamental es que nos aportan más datos reales, nos ayudan a comprender por qué no se puede construir un producto, podemos ver si es necesario hacer cambios, iterar y acercarnos más a nuestros clientes al conocer mejor sus necesidades, comportamientos y tendencias de consumo.</p><blockquote><strong><em>Después de poco menos de un año, hemos logrado impulsar la toma decisiones basadas en datos, evolucionando hacia un cambio cultural que nos acerca cada día más al </em>Data-Driven<em> y nos aleja del peligroso </em>Guata-Driven<em>.</em></strong>⁴</blockquote><p>De ahora en más, nuestra intención es continuar promoviendo esta cultura y evaluar la mejor forma de incluir experimentación en otros momentos asociados a la experiencia de viaje de nuestros pasajeros. Al mismo tiempo poder capacitar y democratizar este conocimiento en otras áreas de la compañía.</p><p>Estamos convencidos de que para cuidar que los sueños lleguen a su destino, tenemos que tener a los usuarios en el centro. Es clave conocerlos para tomar decisiones bien informados y, sobre todo, poner nuestros esfuerzos y recursos no en lo que podemos hacer, sino en lo que debemos.</p><h4>Notas y referencias</h4><p>¹ — Lean vs Agile vs Design Thinking: Lo que realmente necesitas conocer para construir productos digitales con equipos de alto rendimiento por Jeff Gothelf</p><p>² — Lean Analytics: Cómo utilizar los datos para crear más rápido una startup mejor por Alistair Croll, Benjamin Yoskovitz</p><p>³ <a href="http://tylervigen.com/spurious-correlations">http://tylervigen.com/spurious-correlations</a></p><p>⁴ Expresión coloquial en Chile para referirse al vientre de las personas o de los animales. En este contexto para hacer referencia a suposiciones o al famoso “yo creo que…”.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=172db268bde9" width="1" height="1" alt=""><hr><p><a href="https://medium.com/latam-airlines/experimentaci%C3%B3n-el-camino-para-darle-vida-a-nuestras-ideas-172db268bde9">Experimentación, el camino para darle vida a nuestras ideas</a> was originally published in <a href="https://medium.com/latam-airlines">UX LATAM Airlines</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>