Caso de estudio — 01
Del dato a la decisión
Rediseño del área de seguimiento de una plataforma educativa para dar a los docentes información interpretada y accionable sobre el progreso de sus alumnos.
- Rol
- Lead Product Designer · UX Research
- Ámbito
- Plataforma EdTech · 2025/2026
- Equipo
- RESEARCHER, DISEÑADOR, PMS, TECH
Contexto
Plataforma EdTech con años de datos de lectura. El reporting mostraba datos brutos y dispersos, difíciles de interpretar para docentes con poco tiempo.
Mi rol
Lideré el diseño de producto y participé en el research, la definición del sistema de métricas, la validación con docentes y el seguimiento tras el lanzamiento.
Resultado
El 65% de los docentes ya usa el seguimiento, con una satisfacción de 3,9 / 5 tras el primer mes en producción. Resultados preliminares.
La plataforma lleva años generando datos sobre cómo leen los alumnos: tiempo de lectura, notas de quiz, participación en el foro… Los docentes tenían acceso a toda esa información, pero tenían dificultades para hacer gran cosa con ella.
La sección de seguimiento mostraba tablas densas con datos brutos. Para entenderlos había que saber qué significaba cada columna, interpretar números sin referencia y cruzar información dispersa en varias páginas. Demasiada fricción para un docente con poco tiempo y muchas clases.
El resultado era predecible: la mayoría se limitaba a comprobar si el alumno había leído o no. El resto de la información quedaba sin usar.
El objetivo del proyecto era claro: transformar ese volcado de datos en información masticada y accionable, que ayude al docente a detectar quién necesita atención, entender cómo está leyendo su clase y tomar decisiones pedagógicas con criterio.
Rediseñar el sistema de seguimiento para ofrecer métricas con significado pedagógico real, que faciliten la toma de decisiones y el seguimiento individualizado.
Antes de definir nada, necesitábamos entender a fondo el problema. Arrancamos con una fase de research en paralelo que combinó seis líneas de trabajo:
Análisis de feedback cualitativo — revisamos el feedback existente de docentes para identificar patrones de frustración y necesidades recurrentes relacionadas con el seguimiento.
Entrevistas a stakeholders internos — hablamos con los equipos de Customer Success y Gobiernos para entender cómo los docentes usan realmente los datos, qué preguntan y dónde se pierden.
Análisis cuantitativo — cruzamos datos de Mixpanel para entender qué partes del reporting se visitaban, con qué frecuencia y durante cuánto tiempo.
Revisión de grabaciones Hotjar — analizamos sesiones reales de docentes navegando por el reporting para detectar fricciones, patrones de comportamiento y puntos de abandono.
Benchmark — analizamos plataformas educativas y herramientas de visualización de datos para identificar buenas prácticas y enfoques aplicables.
Entrevistas con docentes — el núcleo del research. Sesiones remotas de 60-70 minutos con 12 docentes de España y LATAM, nuevos y veteranos, para entender de primera mano cómo usan el seguimiento y qué información les resulta realmente útil.
A lo largo de toda esta fase incorporamos IA como herramienta de trabajo: transcripción automática de entrevistas, síntesis de patrones y apoyo en el análisis cualitativo. Siempre con revisión humana posterior — la IA agilizó el proceso, pero las conclusiones las validamos nosotras.
Con los insights del research encima de la mesa, el reto era claro: no rediseñar una tabla, sino repensar qué información necesita realmente un docente y cómo presentársela.
El primer paso fue definir qué queríamos mostrar. Identificamos que el problema no era solo de interfaz — era de concepto. La plataforma mostraba datos brutos cuando lo que los docentes necesitaban eran métricas interpretadas: valores con significado pedagógico, no números que cada uno tuviera que descifrar por su cuenta.
Definimos un sistema de métricas propio construido a partir de los datos que ya teníamos, estructurado en cuatro dimensiones:
Fluidez lectora — ritmo y consistencia de lectura por capítulo, calculada a partir de palabras por minuto y coeficiente de variación
Comprensión lectora — nota media de los quizzes realizados
Expresión escrita — nota media de comentarios y reseñas evaluadas
Use of English — nota media de los challenges completados (solo plataforma ELT)
Para afinar los umbrales y validar que las métricas tenían sentido real, trabajamos de forma transversal: analizando datos de uso de la propia plataforma, contrastando con especialistas pedagógicos y alineando con el equipo editorial. No fijamos los rangos del semáforo por intuición — cada umbral tiene respaldo en datos y criterio experto.
Para la exploración visual arrancamos con IA como apoyo en la ideación — probamos UX Pilot y Figma Make para generar primeras propuestas rápidas y explorar estructuras antes de entrar en detalle. Una forma de avanzar más rápido en la fase más abierta del proceso.
Antes de entrar en diseño final, validamos los wireframes con 12 docentes reales de distintos perfiles y niveles de uso de la plataforma.
El objetivo no era testear si la interfaz “gustaba” — era confirmar que el modelo mental funcionaba: ¿entendían qué significaba cada métrica? ¿Sabían qué hacer con la información? ¿El semáforo comunicaba lo que necesitábamos que comunicara?
Las sesiones se realizaron en formato moderado, con tareas concretas sobre los wireframes. Usamos IA para agilizar las transcripciones y el análisis inicial de patrones, con revisión humana posterior para asegurar fidelidad a lo que los docentes habían expresado realmente.
Los principales aprendizajes del testing:
Los docentes comprendían el semáforo de forma inmediata — el código de color funcionó sin necesidad de explicación
La vista “Por alumnos” generó más engagement que la vista por capítulos: querían partir del alumno, no del contenido
Algunos términos técnicos necesitaban desaparecer de la interfaz — la métrica sí, el cálculo no
Se detectó la necesidad de un acceso rápido a los alumnos en alerta sin tener que revisar toda la lista
Estas conclusiones se tradujeron en iteraciones directas sobre los wireframes antes de pasar a diseño final: ajustes de jerarquía, cambios en el naming de métricas y la incorporación de un sistema de filtrado por estado del semáforo.
Con los aprendizajes del testing incorporados, arrancó la fase de diseño final. El proyecto supuso también un hito interno importante: fue el primer proyecto en el que construimos componentes reales para el Design System de la plataforma, partiendo de cero con una base sólida.
Para acelerar sin perder calidad, adoptamos Shadcn/UI como librería base — una decisión que benefició a todo el equipo. Para diseño, permitía adaptar componentes a nuestra identidad sin reinventar la rueda. Para desarrollo, ofrecía lo que necesitaban: Tailwind, buena documentación y componentes accesibles listos para implementar.
El resultado son dos vistas principales pensadas para complementarse. Y por primera vez, ambas funcionan en cualquier dispositivo — hasta ahora el reporting solo era usable en pantallas grandes, y eso era un pain real para muchos docentes.
Para el docente que quiere entender el rendimiento en un contenido concreto. Muestra, alumno a alumno, cómo fue su lectura, quiz, comentarios y challenges en cada capítulo — útil para detectar patrones de dificultad vinculados al contenido.
La vista principal. Cada alumno aparece como una tarjeta con sus cuatro métricas — Fluidez lectora, Comprensión lectora, Expresión escrita y Use of English — acompañadas del indicador semáforo. De un vistazo, el docente identifica quién necesita atención. Los alumnos en alerta aparecen destacados.
El MVP priorizó las dos vistas core: las que los docentes ya necesitaban, mejoradas sin romper nada. La tercera — detalle individual del alumno — se dejó fuera de forma deliberada. Generó interés en las validaciones y está definida para el siguiente ciclo, pero en un MVP la clave es saber dónde frenar. Lo esencial primero.
El proyecto lleva poco más de un mes en producción. Los primeros datos de seguimiento vienen de una encuesta de satisfacción lanzada vía Hotjar a docentes activos — 250 respuestas recogidas hasta ahora.
- 65%
- Docentes que ya usan el seguimiento
- 3,9 / 5
- Valoración general de satisfacción
- 3,7 / 5
- Facilidad para interpretar la información
Los feedbacks cualitativos son positivos. Las puntuaciones más bajas parecen responder principalmente a un proceso natural de adaptación al cambio — docentes acostumbrados al sistema anterior que aún están integrando la nueva lógica de lectura.
Con solo un mes de datos, cualquier conclusión es preliminar. El seguimiento continúa.
Este proyecto no termina con el lanzamiento — es, intencionalmente, un punto de partida.
Trabajar con datos reales desde el principio — tanto para definir las métricas como para validar los umbrales del semáforo — fue clave para que el sistema tuviera credibilidad pedagógica, no solo visual.
El proceso también demostró el valor de combinar herramientas de IA con criterio humano: más velocidad en fases abiertas, más fidelidad en el análisis cualitativo. No como sustitución, sino como amplificador.
Lo que viene
- Lanzamiento de la tercera vista — detalle individual del alumno
- Iteración basada en los datos de uso y feedback recogido
- Consolidación del Design System con los componentes creados en este proyecto
El producto mejora cuando se mide, se escucha y se itera