COMPARE/Markin y su stack tecnológico
+Markin + Optimizely: de experimentos exitosos a decidir qué vale la pena testear
+17-35% ARPU frente a holdoutRango observado en las implementaciones de Markin, medido en cohortes tratadas.
Optimizely es una plataforma de experimentación y feature-flagging: ejecuta A/B tests y bandits en variaciones que tú defines e informa cuál gana en una métrica que tú elegiste. Markin se sitúa por encima y decide qué oportunidad comercial merece una prueba en primer lugar, dimensiona los ingresos detrás de ella y actúa continuamente sobre los clientes que nunca entran en un experimento. El aprendizaje ocurre en Optimizely; la decisión de qué aprender y sobre quién actuar ocurre en Markin.
En resumen
- Optimizely: Which variation performs better on this metric, and how confidently? Output: A statistical read per variation: lift, confidence interval, significance.
- Markin, the decision + execution layer: Which opportunity deserves an experiment, and which action should this customer receive now? Output: A ranked, sized decision per customer, including hold, that can feed an Optimizely flag or act directly in other channels.
- Un experimento solo cubre a los clientes que alcanzan la superficie señalada; el resto de la base no recibe ninguna decisión.
- It decides which revenue opportunity is worth a test, and acts on the customers a flag never reaches.
Última actualización: . Las afirmaciones sobre otros proveedores se enlazan a la fuente de la que provienen.
Lo que está en juego
Una capa de decision no es una línea de partida de herramientas. Mueve el ARPU en toda la base, cada mes.
Base instalada
3.0M
customers at $22 ARPU / month
Ingresos direccionables
$396.0M
al año, base alcanzable
Mejora verificada de ARPU
+17% a +35% ARPU
en cohortes tratadas, contra el holdout
Lo que eso vale
$67.3M – $138.6M
ingresos incrementales por año
Medido en cohortes tratadas frente a un holdout aleatorio, leído durante una ventana de medición completa en lugar de las primeras semanas. Rango anonimizado en implementaciones de Markin en grandes bases B2C; su propio holdout es el número que decide. Las cifras anteriores aplican ese rango a la cuota alcanzable de la base según las suposiciones de esta página; son aritméticas, no una previsión para tu negocio.
Ejecútalo con tus propios númerosWhat your stack does today.
01
Optimizely
Una plataforma de Experimentación y feature-flagging que despliega código detrás de flags, ejecuta pruebas A/B/n y multi-armed bandits, e informa qué variación funciona en una métrica de éxito definida con estadísticas válidas.
02
Markin, la capa de decisión + ejecución
Una capa que descubre y dimensiona oportunidades de ingresos por cliente, selecciona el tratamiento con el mayor valor incremental esperado y asigna un grupo de control, decidiendo qué vale la pena probar y sobre quién actuar.
Paralelamente
Las diferencias que cambian los resultados.
| Dimensión | Optimizely | Markin, la capa de decisión + ejecución |
|---|---|---|
| Pregunta que responde | Qué variación funciona mejor en esta métrica, ¿y con qué confianza? | ¿Qué oportunidad merece un experimento y qué acción debería recibir este cliente ahora? |
| Entrada principal | Variaciones, una métrica de éxito, asignación de tráfico, segmentación de audiencia. | Contexto del cliente, resultados, márgenes, costes, historial de contactos, resultados de experimentos anteriores. |
| Salida principal | Una lectura estadística por variación: lift, intervalo de confianza, significancia. | Una decisión clasificada y dimensionada por cliente, incluyendo hold, que puede alimentar un flag de Optimizely o actuar directamente en otros canales. |
| Propietario habitual | Producto, ingeniería y experimentación. | Crecimiento, ciencia de datos y liderazgo de ingresos. |
| Cómo se mide | Incremento (Lift) en la métrica elegida con significancia e intervalo de confianza. | Ingresos incrementales y ARPU frente a un holdout. |
Job to be done
El mismo trabajo, con un throughput diferente.
Nada de lo siguiente necesita una herramienta que no exista. Necesita que el trabajo se realice de forma continua en lugar de una vez al trimestre, y que se demuestre con un holdout en lugar de discutirse.
| Job to be done | With Optimizely alone | Con Markin |
|---|---|---|
| Observa que los ingresos por cliente están cambiando en un segmento. | Alguien lo detecta en una revisión de panel, semanas después de que comenzara. | Detectado como señal el día que la desviación elimina el ruido, con el segmento ya dimensionado. |
| Explicar por qué está ocurriendo | Un analista es retirado de la hoja de ruta para una investigación de dos semanas. | Una investigación se ejecuta automáticamente y devuelve los impulsores con su evidencia. |
| Genera hipótesis dignas de testing | Un taller produce el puñado de ideas que se le ocurrieron a la sala. | Las hipótesis se redactan continuamente en marketing, producto, precios y salud técnica. |
| Decide qué hipótesis merecen presupuesto | Priorizado por antigüedad e intuición, sin un tamaño asociado. | Cada una se dimensiona en ingresos y se clasifica antes de que se construya nada. |
| Elige la Next Best Action para un cliente | Las reglas de Segment y los calendarios de campañas deciden, actualizándose cuando alguien tiene tiempo. | Elegido por cliente, por momento, frente a todo lo demás que compite por ese cliente. |
| Lánzalo de verdad | Un ticket para el equipo de ciclo de vida, luego un espacio en el calendario del próximo mes. | Ejecutado dentro de los sistemas que ya utiliza, sin necesidad de adoptar un nuevo canal. |
| Demuestra que causó los ingresos | Reportado contra no-cualificadores o un holdout global, si acaso. | Cada decisión lleva un control group aleatorio; el uplift se lee en comparación con este. |
| Eliminar lo que no funciona | Los programas sobreviven porque nadie se encarga de retirarlos. | No superar el control retira el programa automáticamente. |
| Haz todo de nuevo la próxima semana | Limitado por capacidad: de cuatro a ocho tests por trimestre. | Cientos de hipótesis en curso en paralelo, continuamente. |
La parte sin resolver
Lo que permanece sin resolver cuando la experimentación funciona bien
Una configuración madura de Optimizely prueba lo que el equipo escribe en ella, al ritmo que el equipo puede lanzar. El rendimiento de la experimentación está limitado por las hipótesis que un humano decide formalizar y los clientes a los que se conecta una flag, en lugar de por lo que los datos están signalizando en toda la base.
- Un experimento solo cubre a los clientes que alcanzan la superficie señalada; el resto de la base no recibe ninguna decisión.
- Stats Accelerator encuentra la mejor variación dentro de una prueba; no decide si la prueba en sí misma es el uso de mayor valor de ese contacto.
- Cada experimento informa sobre una métrica. Nada suma el efecto de cada experimento que un cliente vio en un solo número de ingresos.
- El backlog de hipótesis llega a la velocidad a la que el equipo puede escribir especificaciones, no a la velocidad a la que cambian los datos.
La diferencia real
Markin no es otro motor de decisión.
Markin no es un motor de decisioning. Un motor de decisioning clasifica las acciones que un humano ya definió. Markin funciona como un equipo de data science y growth: forma sus propias hipótesis sobre por qué el ARPU está estancado, ya sea por marketing, producto, precios o técnico, las dimensiona, las ejecuta dentro de los sistemas que ya gestionas, y lee cada una frente a un holdout.
| Un motor de decisiones | Markin | |
|---|---|---|
| De dónde proviene la hipótesis | Un humano lo redacta. El motor elige entre opciones que alguien ya aprobó. | Markin lo redacta. Lee la base, encuentra dónde se están perdiendo ingresos o no se están reclamando, y escribe la hipótesis. |
| Lo que tiene permitido cuestionar | Mensaje, oferta, canal, momento, dentro de la superficie de campaña que se le asignó. | Cualquier cosa que mueva el ARPU: fricción en la incorporación, precios y paquetes, una característica que nadie adopta, un pico de fallos de pago, un enlace profundo roto. |
| Quién realiza el análisis | Sus analistas, antes y después. El motor optimiza; no investiga. | Markin realiza el análisis. La estimación de tamaño, la definición de segmentos, el diseño de experimentos y la lectura se automatizan de principio a fin. |
| Donde se detiene | En la recomendación. Alguien todavía tiene que construirla y lanzarla. | Se lanza. Markin se ejecuta dentro de sus plataformas existentes y superficies de producto, luego cierra el ciclo del resultado. |
| Throughput | Tantas hipótesis como tu hoja de ruta tenga espacio, típicamente un puñado por trimestre. | Cientos en paralelo, cada uno con un grupo de control. |
| Qué pasa cuando se equivoca | El programa sigue ejecutándose hasta que alguien lo revisa. | Se retira automáticamente. No lograr superar al control es un resultado normal y económico. |
Un motor de decisioning elige la mejor acción de una lista que tú escribiste. Markin escribe la lista y la ejecuta en tu pila.
Espacio de hipótesis
Todo lo que un científico de crecimiento humano analizaría.
La mayoría de los problemas de crecimiento no son problemas de mensajes. Markin no se limita a la superficie de la campaña: si algo está frenando el ARPU, entra dentro de su alcance y se prueba de la misma manera.
Marketing
La superficie clásica, pero elegida por cliente en lugar de por segmento, y siempre contra un holdout.
- Qué oferta vale la pena hacer a este cliente específico
- Canal y momento elegidos por persona, no por campaña
- Presión de contacto y fatiga arbitradas en todos los programas
- Economía de recuperación: quién merece un descuento y quién no
Producto
Donde el cliente experimenta realmente el valor, y donde ocurre la mayor parte de la pérdida de ingresos silenciosa.
- Pasos de incorporación que hacen perder clientes antes del primer valor
- Una funcionalidad con alta correlación de retención que la mitad de la base nunca descubre.
- Ubicación del Paywall y del mensaje de mejora
- Superficies dentro del producto utilizadas como grupo de tratamiento, no solo email y push
Comercial
Precios, empaquetado y la forma de la oferta misma, probados en lugar de discutidos.
- Estructura de plan y paquetes por cohorte
- Profundidad del descuento frente al margen, no solo frente a la conversión
- Modalidad anual vs. mensual por cliente
- Secuencias de cobro y recuperación de baja involuntaria
Salud técnica
Anomalías que nadie le pidió que buscara. Esta es la categoría que ningún motor de decisión cubre.
- Una tasa de error en la compra que aumentó en un dispositivo y una región.
- Fallos de pago concentrados en un único emisor o método
- Un deeplink roto que mata silenciosamente un recorrido de alto valor
- Latencia o degradación de la entrega que reduce la conversión antes de que lo haga cualquier mensaje
Piensa en Markin como un equipo de data science y growth que nunca duerme: investiga, formula hipótesis, las implementa en tu propio stack y demuestra cada una frente a un grupo de control, a un volumen que ningún equipo humano puede alcanzar.
Su capa de decisioning
Qué Optimizely decide, y dónde se detiene.
Optimizely es una plataforma de experimentación y feature-flagging. Despliega código detrás de flags, ejecuta A/B tests y bandits en variaciones que tú defines, y prueba qué variación gana en una métrica de éxito que tú elegiste. No decide qué oportunidad comercial vale la pena probar, dimensiona los ingresos detrás de ella, ni actúa sobre los clientes que nunca entran en un experimento.
Productos referenciados: Optimizely Feature Experimentation, Optimizely Web Experimentation, Optimizely Personalization, Stats Engine, Stats Accelerator
Lo que optimiza
Optimizely Feature Experimentation está documentado como una plataforma de feature-flagging y experimentación para desplegar código detrás de flags, ejecutar pruebas A/B y lanzamientos segmentados en web, móvil y dispositivos conectados.
Documentación del proveedorOptimizely docs, Introduction to Feature ExperimentationOptimizely ofrece métodos estadísticos Frequentist (horizonte fijo), Bayesian y Sequential (Stats Engine), con pruebas secuenciales que mantienen los resultados válidos cada vez que se visualizan y finalizan los experimentos antes de tiempo en promedio con menos observaciones.
Documentación del proveedorSoporte de Optimizely, Descripción general de los métodos de análisis estadísticoStats Accelerator está documentado como un algoritmo de multi-armed bandit que manipula la asignación de tráfico para acortar el tiempo hasta la significación estadística y optimizar las recompensas durante una prueba.
Documentación del proveedorSoporte de Optimizely, Descripción general de Stats accelerator
Límites documentados
La unidad documentada de optimización es la variación en una métrica de éxito definida, con el tráfico distribuido entre variaciones. Elegir qué testar y qué métrica define el éxito sigue siendo una decisión humana fuera de la plataforma.
Documentación del proveedorSoporte de Optimizely, Métodos de distribución de experimentaciónStats Accelerator y los 'multi-armed bandits' asignan el tráfico dentro de las variaciones de un solo experimento; no arbitran cuál de las muchas oportunidades comerciales posibles en toda la base merece atención.
Documentación del proveedorSoporte de Optimizely, Métodos de distribución de experimentación
Lo que la evidencia realmente dice
Las afirmaciones de rendimiento documentadas de Optimizely se refieren a la validez estadística y la velocidad de significancia (Stats Engine, Stats Accelerator), no a ingresos incrementales verificados. No se publica ningún punto de referencia independiente del impacto de Optimizely en ARPU o los ingresos.
Documentación del proveedorSoporte de Optimizely, Descripción general de los métodos de análisis estadístico
Dónde Markin es diferente.
Decide qué probar, no qué variación gana
Optimizely responde 'qué variación rinde mejor en esta métrica'. Markin responde 'en qué oportunidad vale la pena ejecutar un experimento' y muestra las que nadie pensó en probar.
Optimiza los ingresos en toda la base, no una métrica en una sola prueba
Stats Accelerator reasigna el tráfico dentro de un experimento. Markin reasigna el contacto y el tratamiento en todo el patrimonio de clientes, sobre los ingresos incrementales esperados netos de margen y coste.
Holdouts en todo el ecosistema, por defecto
Un holdout de Optimizely es una división de tráfico dentro de un experimento. Markin adjunta un grupo de control a cada decisión, por lo que el número reportado es el ARPU incremental contra el holdout en lugar de una lectura de significancia en una flag.
Arquitectura
Cómo funcionan los dos juntos
Contexto en
Markin lee el contexto del cliente donde ya reside: el data warehouse, el CDP, los sistemas de producto y facturación, además del historial de resultados. Los resultados de los experimentos de Optimizely y la exposición a los flags pueden formar parte de ese contexto, de modo que el aprendizaje retroalimenta la siguiente decisión.
Decisión
Markin genera y dimensiona oportunidades de ingresos, las clasifica por cliente, elige un tratamiento y asigna un grupo de control. Algunas decisiones se convierten en experimentos de Optimizely; la mayoría se convierten en acciones directas en otros canales.
Activación de nuevo en Optimizely
Donde una hipótesis necesita una prueba controlada, la decisión se vuelve a escribir como segmentación de banderas o criterios de audiencia para que Optimizely la ejecute con su propio motor de estadísticas. La lógica de las banderas, el código de variación y la generación de informes de significancia permanecen en Optimizely.
El último paso es la ejecución, no un traspaso. Markin no envía por correo electrónico una recomendación a alguien que luego tiene que construirla: lanza el tratamiento dentro de Optimizely y tus superficies de producto directamente, con el holdout adjunto, y lee el resultado por sí mismo.
El loop
La ejecución es un paso en el ciclo, no un traspaso.
- 01
Observar
Markin lee continuamente las señales de comportamiento, transaccionales y de producto que ya recopilas.
- 02
Formular hipótesis
Escribe la hipótesis por sí misma, de marketing, producto, comercial o técnica, y establece la dirección esperada.
- 03
Tamaño
Cada oportunidad se clasifica por valor esperado, por lo que la cola se ordena por dinero en lugar de por opinión.
- 04
Diseño
Segment, tratamiento, guardrails y un holdout aleatorizado se establecen antes de cualquier lanzamiento.
- 05
Ejecutar
Se lanza dentro de los sistemas que ya utilizas, tu plataforma de 'engagement', tus superficies de producto, tus API. Nada espera en una cola de compilación.
- 06
Leer
Los resultados se miden contra el holdout durante una ventana completa, para que la novedad no se confunda con el efecto.
- 07
Escalar o retirar
Lo que supera al control se escala en toda la base. Lo que no, se desactiva automáticamente.
Dónde encaja Markin
No es un reemplazo. Un equipo de ciencia del crecimiento además.
Markin no ejecuta experimentos ni reemplaza las flags. Decide qué oportunidad de ingresos merece una prueba y actúa sobre los clientes a los que una flag nunca llega. La experimentación mantiene su motor de estadísticas, sus bandits y su seguridad de lanzamiento; lo que cambia es el input que decide qué se testea y sobre quién se actúa.
La cola de experimentos se convierte en una decisión, no en un backlog.
En lugar de una hoja de ruta de producto de pruebas, las hipótesis de mayor valor se identifican y dimensionan a partir de los datos, de modo que la capacidad de experimentación se invierte donde están los ingresos.
La cobertura se extiende más allá de la superficie marcada
Los clientes que nunca participan en un experimento siguen recibiendo una decisión, una retención, una vinculación, una espera, medidos contra el control en los canales que sí utilizan.
El aprendizaje y la acción comparten un único registro
Los resultados de Optimizely alimentan a Markin, y el holdout de Markin retroalimenta, para que la próxima ronda de hipótesis mejore basándose en números probados en lugar de desviarse.
Por qué Markin gana
Más potente que cualquier cosa en esta página.
Cada herramienta con la que se compara Markin fue construida para un trabajo que se detiene antes de que se muevan los ingresos: entregar el mensaje, unificar los datos, puntuar el lead. Markin fue construida para un solo resultado, el growth del ARPU, y posee todo el ciclo que lleva a ello: investigar, generar hipótesis, lanzar, medir y escalar, a través de marketing, producto, precios y salud técnica.
Aprendizaje ultra-rápido, por diseño
Markin Growth Science ejecuta el ciclo completo de observar, generar hipótesis, experimentar y leer en días, con cientos de experimentos respaldados por holdout en paralelo. El sistema acumula aprendizaje a un ritmo que ningún equipo humano, y ninguna herramienta de campaña, puede igualar.
Growth operations, hechas eficientes
El dimensionamiento, el diseño de segmentos, la construcción, el lanzamiento y la medición solían ser cuatro equipos y un sprint. En Markin son un solo sistema, por lo que la misma growth operation ejecuta más acciones de ingresos con una fracción del coste de coordinación.
Un resultado: ARPU
Cada hipótesis se dimensiona en ingresos esperados por cliente, cada acción se juzga contra un holdout aleatorio, y todo lo que supera al control se escala automáticamente en toda la base. Nada más en esta página se mide de esa manera.
Si el objetivo es hacer crecer el ARPU a través del aprendizaje ultrarrápido y ejecutar las growth operations de manera más eficiente, la elección es Markin.
Modelo operativo
La limitación no son las ideas. Es cuántas puedes testar.
| Today, with Optimizely | Con Markin por encima | |
|---|---|---|
| Hipótesis de ingresos probadas por trimestre | 4 a 8, lo que sea que la hoja de ruta tuviera espacio para | Cientos, generadas y ejecutadas en paralelo |
| Sobre qué se puede elaborar una hipótesis | Mensajes, ofertas y audiencias, la superficie de la campaña | Marketing, producto, precios y salud técnica por igual |
| De la decisión a la puesta en marcha en el canal | Un ticket, una cola de construcción, una ventana de lanzamiento. | Markin lo lanza en tus plataformas existentes por sí mismo |
| Tiempo desde la idea hasta un resultado en el que confíes | De 6 a 10 semanas de análisis, construcción y presentación de resultados | Días, porque el dimensionamiento y el diseño están automatizados |
| Proporción de decisiones con un grupo de control | Los programas insignia, cuando hay tiempo | Cada decisión, por defecto |
| Cobertura de la base | Segmentos principales y los clientes captados por una regla | Una decisión por cliente, en toda la base |
| Coste de probar la hipótesis número 500 | Otro analista, otro trimestre | Efectivamente cero |
| A qué dedica su tiempo el equipo | Extracción de datos, creación de listas, conciliación de informes | Criterio: limitaciones, economía, qué escalar |
Markin no reemplaza a tu equipo de data science. Elimina el techo de cuánto de la base puede actuar ese equipo y con qué rapidez descubre si funcionó.
Lo que Markin no reemplaza.
Para ser explícitos sobre el alcance, porque compras preguntará:
- Markin no ejecuta pruebas A/B, feature flags o bandits. La Experimentation se mantiene en Optimizely.
- Markin no reemplaza Stats Engine, Stats Accelerator o los informes estadísticos de Optimizely.
- Markin no es una herramienta de análisis o gestión de lanzamientos; decide qué vale la pena probar y sobre quién actuar.
- Markin no gestiona código de variación, despliegues o entornos de flag.
- Markin no se sitúa junto a Optimizely haciendo sugerencias. Lo impulsa, la acción se lanza allí, en el sistema que tu equipo ya conoce, y el resultado vuelve al bucle.
Estándar de evidencia
La mayoría de esta categoría informa su propio crecimiento.
Ninguno de los principales proveedores de Engagement, CDP o personalización publica una cifra de incremento verificada independientemente para su producto de decisión. Donde existen cifras, provienen de estudios encargados por proveedores o de estudios de caso de un solo cliente sin metodología de holdout divulgada. La investigación pública más rigurosa en la categoría no es halagadora para nadie, incluidos nosotros, y es exactamente por eso que construimos basándonos en ella.
BCG informa de que cuando las organizaciones adoptan pruebas rigurosas de incrementalidad, suelen encontrar que entre el 20% y el 40% de sus programas Next Best Action activos ofrecen un impacto marginal o negativo.
Investigación independienteBCG, Cómo está evolucionando la medición en Next Best Action (2026)La misma investigación advierte de los efectos de novedad, los programas nuevos muestran resultados iniciales inflados y recomienda esperar de 8 a 12 semanas antes de extraer conclusiones.
Investigación independienteBCG, Cómo está evolucionando la medición en Next Best Action (2026)Las mediciones de ROI a nivel de programa con holdout global a menudo sobreestiman el impacto a través de efectos de halo, efectos de anticipación y contaminación de experimentos.
Investigación independienteBCG, Cómo está evolucionando la medición en Next Best Action (2026)
Cómo Markin se lo exige a sí misma
- Cada decisión que toma Markin lleva un control group. El uplift se reporta contra ese holdout, no contra los clientes que no calificaron.
- Los resultados se leen durante una ventana de medición completa en lugar de en las primeras semanas, para que la novedad no se confunda con el efecto.
- Los programas que no superan el control se retiran automáticamente. Eliminar las decisiones que no compensan forma parte del ciclo, no de una revisión anual.
- La única cifra que citamos sobre nosotros es un rango, no un promedio: del +17 % al +35 % de ARPU en cohorts tratados frente a un holdout aleatorizado, en implementaciones de Markin en grandes bases B2C. No publicamos ningún benchmark de la industria, porque no pudimos obtener uno que estuviéramos dispuestos a defender. Su holdout es el número que importa.
Calcula el tamaño tú mismo
Dimensiona la capa de decisioning sobre tu programa de Optimizely
Precargado para un negocio de suscripción de consumo que utiliza Optimizely a escala: feature-flagging y A/B testing maduros, un equipo de producto que lanza muchos experimentos. Optimizely demuestra qué variación gana en la métrica que elegiste. La cifra siguiente es el margen incremental disponible al decidir qué vale la pena probar en primer lugar, y al actuar sobre cada cliente de forma continua en lugar de solo donde un flag está cableado, medido contra un holdout en lugar de una lectura de significancia por experimento.
Tu base
Cuentas que generaron ingresos en los últimos 30 días. No usuarios registrados.
Ingresos recurrentes más no recurrentes divididos por el número de clientes activos.
Margen de la siguiente unidad vendida, no margen combinado de la empresa.
Su programa hoy
Con consentimiento, sin fatiga, localizable en al menos un canal.
Ingresos perdidos por cancelaciones cada mes, como parte de la base.
La apuesta
Licencias, datos, incentivos y las personas que lo gestionan.
Antes de cualquier recorte de incrementalidad. 2-4% es una suposición de planificación defendible.
Impacto anual verificado
$4.0M
Margen bruto incremental neto en el caso central, después del coste del programa y después de la parte de programas de decisión que la investigación independiente encuentra que no ofrecen un aumento real.
Uplift informado
$11.9M
What a before/after dashboard would claim, with no control group.
Mejora verificada
$8.3M
What survives a holdout in the central case.
Rentabilidad del coste del programa
5.0×
Amortización
3 mo
Si el 20-40% no hace nada
Lo que se necesita para probarlo
Para detectar un 3% de mejora en el ARPU, necesita aproximadamente 40K clientes en el grupo de control, aproximadamente 2.7% de tu base direccionable, leído durante al menos 8 weeks, para que la novedad no se confunda con el efecto.
Base direccionable
1.5M
Ingresos en riesgo por la baja
$214.7M
Annualised, at the current monthly rate.
Tiempo de valor
90 días para un número que sobrevivió a un holdout.
Sin replataformado, sin migración de datos, sin reconstrucción de los canales que ya gestionas. Si las primeras cohortes no superan el control, nada escala y habrás perdido un trimestre, no una hoja de ruta.
Semanas 0-2
Leer el contexto que ya tiene
Markin se conecta a los datos y los canales que usas hoy, incluyendo Optimizely. Sin migración, sin replatform, sin nueva fuente de verdad.
Semanas 3-6
Primeras oportunidades dimensionadas en test
Las Oportunidades se clasifican por valor esperado, los tratamientos se eligen por cliente y las primeras cohortes entran en funcionamiento con un holdout aleatorizado adjunto.
Semanas 7-12
Primeros ingresos incrementales verificados
Los resultados se leen durante una ventana de medición completa. Lo que supera el control escala; lo que no, se retira. Nada escala con un número que no haya sobrevivido a un holdout.
Cuando no necesitas Markin.
- Realizas un puñado de experimentos al trimestre y el equipo aún puede razonar sobre cuáles priorizar en una reunión.
- Cada decisión del cliente ya fluye a través de una superficie marcada, por lo que no hay una base no abordada sobre la que actuar.
- Su métrica de éxito no puede vincularse a los ingresos, por lo que ni los experimentos ni las decisiones pueden ser valorados.
Verlo en el producto
Véalo decidir, experimentar y ejecutar, antes de hablar con nadie.
Un recorrido guiado por el workspace de Markin sobre un cliente demo, sin llamada de ventas, sin configuración.
Preguntas que hacen los compradores.
¿No decide ya Optimizely las cosas con 'bandits'?
Stats Accelerator y los 'multi-armed bandits' reasignan el tráfico entre variaciones dentro de un experimento para alcanzar la significancia más rápido o maximizar la recompensa durante la prueba. Optimizan la prueba que ya escribiste; no deciden qué oportunidad vale la pena probar, no dimensionan los ingresos detrás de ella, ni actúan sobre los clientes que nunca entran en el experimento.
¿Tenemos que reemplazar Optimizely?
No. Optimizely sigue siendo la capa de experimentación y feature-flagging. Markin decide qué hipótesis merece una prueba y pasa esa decisión a Optimizely como targeting de flag, mientras actúa sobre el resto de la base directamente en otros canales.
¿Cómo llega la decisión a Optimizely?
Como reglas de segmentación de banderas o criterios de audiencia en una bandera, para que un experimento existente lo recoja. La superficie de integración es la misma que tu equipo ya utiliza para cualquier otra señal upstream.
¿Ejecutar experimentos constantemente no es lo mismo que el decisioning?
No. La experimentación prueba unas pocas hipótesis a cadencia humana en las superficies que marcaste. La decisioning continua actúa sobre cada cliente, cada ciclo, con un grupo de control por defecto, incluyendo clientes a los que ningún experimento llega. Los experimentos demuestran lo que funciona; la decisioning decide quién lo recibe y quién se queda fuera.
Quién es el propietario del resultado, producto o crecimiento?
Ambos. Producto e ingeniería son dueños de los experimentos y las flags; growth y data science son dueños de la decisión de ingresos. La capa de decisioning es el contrato compartido entre ellos.
¿Cómo son los primeros noventa días?
Un tema de ingresos, un canal, un holdout real. El objetivo del primer trimestre es un número incremental defendible, no una cobertura completa del backlog de experimentos.
¿En qué se diferencia Markin del decisioning o AI que ya están dentro de Optimizely?
Un decisioning engine clasifica las acciones que un humano ya definió, dentro de la superficie de campaña que se le proporcionó. Markin forma las hipótesis por sí mismo, ya sean de marketing, producto, precios o una anomalía técnica que frene el growth, las dimensiona, las ejecuta dentro de Optimizely y tus superficies de producto, y lee cada una frente a un holdout aleatorio. Se comporta como un equipo de data science y growth, no como un optimizador.
¿Markin solo prueba mensajes y ofertas?
No. Todo lo que un científico de growth humano investigaría está dentro del alcance: fricción en el onboarding, adopción de características, precios y paquetes, gestión de cobros, y problemas de salud técnica como una tasa de error en el proceso de compra o un deeplink roto que mata silenciosamente la conversión. El marketing es uno de los cuatro dominios de hipótesis, no el límite.
¿Qué es the business case for adding Markin on top of Optimizely?
On the assumptions preloaded above, 3.0M customers at 22 a month, un pequeño movimiento en ARPU es un número grande en términos absolutos, porque se aplica a toda la base instalada cada mes en lugar de a una campaña. En los despliegues de Markin, el rango verificado en cohorts tratados es de +17 % a +35 % ARPU frente a un holdout aleatorio. El objetivo no son más mensajes: es encontrar la acción de mayor valor por cliente, lanzarla y probarla frente al control antes de que escale.
¿Cuánto tiempo tarda en rentabilizarse?
Las primeras oportunidades dimensionadas están en test en seis semanas y el primer resultado verificado por holdout aterriza en 90 días. El retorno de la inversión depende de tu base, margen y coste del programa; la calculadora en esta página lo computa a partir de tus propios números, después de aplicar el recorte del 20 % al 40 % que BCG encuentra cuando los programas de Next Best Action se prueban incrementalmente.
Leer a continuación
Lectura de fondo sobre cómo funciona la Next Best Action decisioning, de las guías detrás de esta comparación.
Marketing de Next Best Action: qué es y cómo funciona en 2026
Marketing de Next Best Action explicado: cómo funciona, ejemplos reales B2C, cómo se diferencia de las campañas de segmento y del marketing automation, y cuánto vale en una base de 2M.
CMOs sobre el cambio del volumen creativo al volumen de decisiones
Cuatro conversaciones con CMOs sobre qué cambia cuando la restricción pasa de producir activos creativos a dirigir el activo correcto al cliente correcto.
Feed de oportunidades, ahora con procedencia de hipótesis.
Cada acción candidata en el Feed de Oportunidades de Markin ahora lleva la señal, el segmento y el experimento anterior de los que desciende. Un clic para auditar o enviar.