Hoy no hay cómo saber cuándo un cliente de alto valor lleva tres semanas sin comprar, ni qué lo disparó. Con los datos que ya viven en Shopify alcanza para encender una alerta antes de perderlo — y para sugerir la acción correcta, validada contra el stock real del día.
Cada mañana el equipo abre la plataforma y ve quiénes son los clientes en riesgo, cuánto valor hay en juego, por qué se están yendo y qué hacer — con el stock ya validado. Este es un mockup con datos ficticios para que lo vean.
| Cliente | Último pedido | Score | CLV 12m | Variable clave | Acción sugerida | Stock |
|---|---|---|---|---|---|---|
| María G. Vitacura · 14 pedidos |
23 días | 82 | $840K | Frecuencia ↓45% | Cupón 10% palta + tomate | ● OK |
| Rodrigo M. Las Condes · 22 pedidos |
19 días | 78 | $1,2M | Ticket ↓30% | Llamada directa · cupón $10K | ● OK |
| Carolina P. Ñuñoa · 9 pedidos |
31 días | 75 | $520K | No reactivó feriado | Reco: pescado fresco (hoy) | ● Bajo |
| Andrés F. La Reina · 7 pedidos |
17 días | 64 | $390K | Click rate newsletter ↓ | Re-engagement email | ● OK |
| Paula C. Providencia · 6 pedidos |
14 días | 58 | $280K | Cambió de día habitual | Cupón 8% canasta semanal | ● Quiebre |
| Javier S. Lo Barnechea · 11 pedidos |
12 días | 51 | $450K | Abandonó carrito 2x | Reminder personalizado | ● OK |
Esto es solo una vista. La plataforma también incluye: detalle por cliente con explicación de qué variables lo tiraron al riesgo (SHAP), cola de acciones aprobadas para enviar en lote, panel de resultados por tipo de acción, y configuración de reglas de stock y margen.
Todo corre en el data lake. Se recalcula cada noche y el equipo abre el panel con la información actualizada. Sin intervención manual entre la ingesta y la sugerencia.
Shopify + inventario + canales de marketing se leen automáticamente cada noche (y el stock durante el día).
Los datos se guardan en crudo (Bronze), limpios (Silver) y listos para modelo (Gold). Queda un histórico trazable.
Por cliente: recencia, frecuencia, ticket, canasta típica, estacionalidad, cambios de patrón vs. baseline.
Modelo supervisado entrega probabilidad 0–100 de que el cliente no vuelva en los próximos 30 días.
Para cada cliente, SHAP identifica las 3 variables que más empujan el score. No es caja negra.
Sugiere qué hacer (cupón, llamada, reco de producto, email), filtrado por stock disponible y margen mínimo.
El equipo ejecuta desde el panel. La plataforma registra resultado y alimenta la siguiente ronda del modelo.
Dejamos la casa ordenada para que nada de esto dependa de nosotros. Los datos viven en un object storage en la nube a nombre de ustedes (AWS S3, Google Cloud Storage o equivalente). La plataforma y los modelos se sientan encima. Si mañana quisieran cambiar de proveedor de análisis, la data sigue siendo suya.
Pedidos, clientes, productos, cupones, tráfico de checkout, abandono de carrito, líneas de pedido y devoluciones. Vía Admin API oficial.
Core · obligatorioNiveles por SKU y por día. Fuente: Shopify Inventory API o ERP/planilla si hay otra fuente de verdad. Sincronización varias veces al día.
Core · obligatorioAperturas, clicks, bajas. Mailchimp, Klaviyo o el que usen. Alimenta variables de engagement del modelo.
RecomendadoHistorial de mensajes si está conectado a una plataforma (no se lee WhatsApp personal). Para tipificar canales de contacto.
Opcional · fase 2Todo lo que viene de las fuentes, tal cual. Histórico, versionado. Nada se pierde ni se sobrescribe.
Tipos correctos, deduplicado, cliente único identificado entre fuentes. Listo para reporting.
Tablas de customer 360, historia agregada, features de modelo. Lo que consume la plataforma y el score de churn.
Nada queda sobreentendido. Por cada fase: qué tareas hacemos, qué artefactos entregamos, cómo validamos antes de pasar a la siguiente. Las tres se pueden contratar en bloque o por separado.
Entender a fondo el negocio, los datos disponibles, las integraciones necesarias y los bordes. Salimos con un plan concreto, no con un PDF genérico. Si algo de lo propuesto en fase 2 o 3 no tiene sentido después del diagnóstico, se ajusta antes de firmar las siguientes fases.
Construir la base de datos unificada. Al final de esta fase, los datos de Shopify, inventario y marketing están consolidados en un data lake propio, limpios, trazables y listos para alimentar el modelo de churn. Esta fase también deja el camino abierto para predicción de demanda en el futuro (usa los mismos datos).
El modelo de churn, la capa de explicabilidad, el motor de sugerencia de acciones (con validación de stock y margen) y el panel web donde el equipo trabaja cada día. Autónomo en el sentido de que el equipo no configura nada diariamente: abre el panel y actúa.
Las tres fases de arriba dejan andando la v1. Desde ahí el producto evoluciona en dos saltos más. Cada versión se contrata cuando la anterior está madura y medida — no antes. No se paga por algo que todavía no rinde.
La plataforma de churn andando: data lake, modelo, explicabilidad y panel. El equipo abre el panel, revisa las prioridades del día y dispara cada acción manualmente. La IA ordena y sugiere; el gatillo siempre lo aprieta una persona.
Una vez que los triggers de v1 funcionan bien y hay analítica de qué recomendación y qué oportunidad rinde, la plataforma pasa de sugerir a actuar sola dentro de reglas que ustedes definen. El equipo supervisa por excepción, no acción por acción.
El salto final: llevar el cerebro de la plataforma al terminal de cada usuario de Juan Esparraguito, para que opere directamente sobre los archivos locales de ellos. Deja de ser solo un panel web en la nube y pasa a trabajar donde el equipo ya trabaja. Es una línea experimental que se va definiendo a medida que se avanza — un plus sobre el proyecto, no parte de su compromiso ni de su éxito: el proyecto se mide entero con v1 y v2.
Dos listas directas. Qué necesitamos de ustedes para que esto funcione, y qué NO está incluido en esta propuesta (para que si lo necesitan, se cotice aparte y no haya sorpresas).
Si el histórico en Shopify tiene huecos (campos vacíos, cupones mal registrados, etc.), el modelo pierde precisión.
Cómo lo manejamos: la fase 1 audita calidad antes de comprometer modelo. Si hay un gap crítico, se reporta y se decide juntos cómo mitigarlo.Si nunca han hecho campañas de retención dirigidas, no hay baseline de qué acción funciona con qué cliente.
Cómo lo manejamos: el modelo arranca con reglas razonables y aprende con cada acción ejecutada. Los primeros 2–3 meses son de calibración.Obtener accesos a plataformas externas (ERP, proveedor de email) a veces depende de terceros.
Cómo lo manejamos: identificamos accesos críticos en fase 1 y los pedimos de inmediato. Los no-críticos no bloquean el roadmap.El proyecto depende de validación constante con el equipo de Juan Esparraguito.
Cómo lo manejamos: sesiones quincenales documentadas y decisiones firmadas. Si cambia el sponsor, hay registro para onboarding rápido.Cada fase cierra con entregables validados antes de pasar a la siguiente. Las fases 2 y 3 se traslapan un par de semanas para que el modelo empiece a entrenarse con datos reales en cuanto estén disponibles.
Sobre los tiempos: son estimaciones de buena fe. La fase 2 puede moverse ±2 semanas según el volumen histórico en Shopify y cuán limpia está la fuente de inventario. La fase 3 tiene menos riesgo porque se apoya en los datos ya listos. Cualquier desvío se comunica apenas se detecta.
Precios en UF, cerrados por fase. Pagos contra hito de cierre de cada etapa. La mantención entra al cierre de la fase 3 y es opcional.
Además del fijo en UF, queremos que parte del valor de Pullai se pague contra resultado: un porcentaje de la venta que la plataforma identifique y gatille. Para cerrar ese modelo necesitamos que Juan Esparraguito estime dos variables. Son la condición para avanzar — sin ellas no podemos calibrar el pago por éxito.
Del total de venta que esta plataforma identifique y gatille con un cliente, qué porcentaje corresponde a Pullai. Es decir: si una venta se atribuye 100% a la plataforma, cuánto de esa venta es la comisión de éxito de Pullai.
Cuánto tiempo, desde que la plataforma hace el gatillo, tiene el cliente para comprar efectivamente el producto sugerido y que esa compra cuente como atribuida a la plataforma. Define el plazo que separa una venta atribuible de una que no lo es.
* Predicción de demanda (modelo de compra a proveedores para reducir merma y quiebres) no está incluida en esta propuesta. Se puede sumar como extensión de la fase 3 por UF 10 adicionales, reutilizando el mismo data lake y el mismo pipeline. Total en ese caso: UF 60.
Hay muchos vendiendo IA. No es que falte tecnología: falta alguien que conecte su empresa con lo que la tecnología puede hacer. Somos una consultora boutique de datos e IA. No somos una fábrica de agentes, ni una consultora que deja un informe y se va.
Cada proyecto parte del problema de negocio, no de la herramienta. Recomendamos solo lo que genera valor real. Simple: no necesitan un diccionario para entender lo que hacemos.
Desde la ingeniería de datos hasta la plataforma web. Un mismo equipo diseña, construye e implementa. No nos vamos cuando termina el diagnóstico: nos quedamos hasta que lo que armamos está andando.
No es un agente rotativo que parte de cero cada reunión. Somos socios, no proveedores. Honestidad como método: si algo no les conviene, lo decimos.
