> ## Documentation Index
> Fetch the complete documentation index at: https://docs.kameleoon.com/llms.txt
> Use this file to discover all available pages before exploring further.

# Exportar los resultados de experimentos a Airtable

> Exporte los resultados de experimentos a Airtable usando Claude.

Esta guía exporta los resultados de experimentos de Kameleoon a una tabla de Airtable desde una única conversación con Claude. No requiere script, ni credenciales de API almacenadas que gestionar, ni código. Claude se conecta a los servidores MCP (Model Context Protocol) remotos propios de Kameleoon y de Airtable, y realiza la exportación cuando se lo pide en lenguaje natural.

Ambos servidores MCP exponen más que herramientas de solo lectura. El servidor MCP de Kameleoon también puede iniciar, pausar, detener o eliminar experimentos y feature flags. El servidor MCP de Airtable también puede eliminar registros y tablas. Revise cualquier acción que proponga cualquiera de los conectores antes de aprobarla.

## Requisitos

* Una cuenta de Kameleoon con acceso al experimento que se va a exportar
* Una cuenta de Airtable con permisos de edición sobre la base que alojará la tabla de resultados
* Una cuenta de Claude con Conectores disponibles

## Paso 1: Añadir los conectores

Hay dos vías que llevan al mismo resultado. Utilice la que se ajuste a cómo ya trabaja con Claude.

### Conectar mediante una herramienta de código

1. Conecte el servidor MCP de Kameleoon a su asistente. Consulte [Servidor MCP de Kameleoon](/es/mcp/mcp-server) para los pasos de registro y autenticación en Claude Code, Cursor, Codex y Antigravity.
2. Conecte el servidor MCP de Airtable. En Claude Code, ejecute:

   ```
   claude mcp add --transport http airtable https://mcp.airtable.com/mcp
   ```

   luego ejecute `/mcp` dentro de Claude Code y autorice a través del navegador. Consulte [Using the Airtable MCP server](https://support.airtable.com/docs/using-the-airtable-mcp-server) para conocer los pasos de configuración específicos de Cursor, VS Code y otros clientes, así como para una alternativa con token de acceso personal a OAuth.
3. Inicie una conversación nueva para que el asistente cargue las herramientas de ambos servidores.

### Conectar mediante la aplicación Claude

1. Abra la configuración de Conectores de su cuenta en la aplicación Claude (Customize > Connectors).
2. Añada el conector de Kameleoon y autorícelo a través de OAuth. Si no aparece en el directorio de conectores, añádalo como conector personalizado usando la URL `https://mcp.kameleoon.com/mcp` y luego autorícelo.
3. Añada el conector de Airtable de la misma manera. Si no aparece en el directorio, añádalo como conector personalizado usando la URL `https://mcp.airtable.com/mcp` y luego autorícelo.
4. Inicie una conversación nueva y, a continuación, use el botón más del chat para habilitar ambos conectores para esa conversación. Los conectores habilitados en una conversación no se conservan en una nueva.

En un plan Team o Enterprise, es posible que no pueda añadir un conector por su cuenta. Un botón **Request** en lugar de **Add** significa que su organización restringe quién puede añadir conectores y que un administrador debe aprobar la solicitud primero.

## Paso 2: Preparar la tabla de Airtable

Cree la tabla antes de la primera ejecución, con este esquema. Anote el ID de base (`appXXXXXXXXXXXXXX`) y el ID de tabla (`tblXXXXXXXXXXXXXX`); ambos son necesarios para el prompt del paso siguiente.

| Campo de Airtable | Origen                                                | Transformación                                                                                                                                                |
| ----------------- | ----------------------------------------------------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| Experiment Name   | `experiment.name`                                     | Directo. Se usa como clave del upsert.                                                                                                                        |
| Status            | `experiment.status`                                   | Asignado, sin distinguir mayúsculas y minúsculas: `active → Running`, `draft`/`planned → Implementing`, `stopped`/`diverted → Completed`, `paused → Defunct`. |
| Start date        | `experiment.dateStarted`                              | Fecha y hora truncadas a una fecha ISO (`YYYY-MM-DD`).                                                                                                        |
| End date          | `experiment.dateEnded`                                | Fecha y hora truncadas a una fecha ISO.                                                                                                                       |
| Notes             | `experiment.description`                              | Directo.                                                                                                                                                      |
| Actual            | `improvementRate` de la mejor variación               | Directo (uplift medido, %).                                                                                                                                   |
| Probability       | probabilidad de éxito bayesiana de la mejor variación | Agrupada por rangos: `≥95 → 80% - High`, `≥80 → 50% - Medium`, en caso contrario `20% - Low`.                                                                 |
| Result            | probabilidad de éxito bayesiana + `improvementRate`   | probabilidad `≥ 95` y uplift > 0 → `Success`; `≥ 95` y uplift \< 0 → `Failure`; en caso contrario `Inconclusive`.                                             |

Cree las opciones del campo Select (`Running`, `Implementing`, `Completed`, `Defunct` para Status; `80% - High`, `50% - Medium`, `20% - Low` para Probability; `Success`, `Failure`, `Inconclusive` para Result) antes de la primera escritura.

Si la tabla también contiene campos de entrada manual, como Assignee, Category, Prediction, Mkt Est, Eng Est o Attachments, déjelos fuera de la asignación. El prompt del paso siguiente indica al asistente que no los toque.

## Paso 3: Enviar el prompt al asistente

La herramienta MCP de Kameleoon devuelve su propio ganador precalculado junto con los resultados brutos, pero juzga la significancia frente al umbral de fiabilidad configurado en esta cuenta, no frente a los umbrales fijos de este esquema. El prompt siguiente sortea esa diferencia pidiendo los números brutos. Sustituya el ID del experimento, el ID de base y el ID de tabla por los suyos antes de enviarlo.

```
Using the Kameleoon MCP tools, get the results for experiment XXXXXX. In the
returned data, skip the "_reference" variation and read each remaining
variation's raw reliability and improvement rate for the experiment's
primary goal (not the tool's own winner summary, which judges significance
against this account's configured reliability threshold rather than the
fixed thresholds below). If the same reliability and improvement numbers
appear more than once under different field names, use the plain
percent-scale value tied to that goal, not a 0-1 fraction of it. Pick the
variation with the highest improvement rate as the best performer.

Then, using the Airtable MCP tools, upsert a record in base
appXXXXXXXXXXXXXX, table tblXXXXXXXXXXXXXX, matching on the "Experiment
Name" field against the experiment's name: update the existing record if
one matches, or create a new one if not. Map the fields as follows:
- Experiment Name: the experiment's name
- Status: map a status of active to Running, draft to Implementing, stopped
  to Completed, and paused to Defunct (case-insensitive; confirm the exact
  tokens your account returns)
- Start date / End date: the experiment's start and end dates, formatted as
  YYYY-MM-DD
- Notes: the experiment's description
- Actual: the best variation's improvement rate
- Probability: 80% - High if the reliability is 95 or above, 50% - Medium if
  it's 80 or above, otherwise 20% - Low
- Result: Success if the reliability is 95 or above with a positive
  improvement, Failure if the reliability is 95 or above with a negative
  improvement, otherwise Inconclusive

Don't set Assignee, Category, Prediction, Mkt Est, Eng Est, or Attachments.
```

Algunos aspectos a tener en cuenta si adapta este prompt:

* No pida el resumen del ganador propio de la herramienta en lugar de los números brutos. Juzga la significancia frente al umbral de su cuenta, no frente a los rangos fijos del 95%/80% de este esquema.
* Mantenga único el nombre de cada experimento en su tabla de Airtable. El upsert hace coincidir por ese nombre y falla si encuentra más de un registro con el mismo.
* Los resultados de Kameleoon pueden repetir los mismos valores de fiabilidad y mejora en otras partes de la respuesta bajo un nombre o escala distintos. El prompt ya indica cuál usar.

## Paso 4: Automatizarlo

Para mantener la tabla actualizada sin repetir la exportación manualmente, configure una tarea programada recurrente con el mismo prompt. Cada ejecución programada inicia una sesión nueva sin memoria de las anteriores, así que incluya el ID del experimento (o una petición para listar todos los experimentos en curso y los recién completados), el ID de base y el ID de tabla en cada ocasión. Una frecuencia diaria o semanal se ajusta a lo que la mayoría de los equipos necesitan de esta exportación.

## Notas

* Un asistente de IA interpreta esta asignación de forma nueva en cada ejecución, en lugar de ejecutar una función fija. Compruebe el registro que escribe comparándolo con los valores de Kameleoon, especialmente en las primeras ejecuciones.
* El servidor MCP de Airtable puede eliminar registros y tablas, y el servidor MCP de Kameleoon puede iniciar, pausar, detener o eliminar experimentos y feature flags. Revise las acciones propuestas antes de aprobarlas, no solo los campos asignados.
* Para una exportación que ejecute de forma programada o que deba reproducirse de forma idéntica todas las veces, un script fijo es una alternativa más predecible que un asistente de IA que interprete el mismo prompt en cada ejecución.