Con el objetivo de extraer más valor de su base actual de clientes y aumentar su capacidad de conversión, Vero buscó optimizar sus estrategias de abordaje mediante ofertas personalizadas e individuales. El Proyecto Aurora fue estructurado para validar la eficacia de un modelo predictivo, enfocándose en up-sell, aumento de la rentabilidad y en la sostenibilidad de la relación ingreso-costo.
Vero enfrentaba el desafío de no contar con la capacidad de analizar su base de clientes en tiempo real para personalizar las ofertas de productos. Las recomendaciones se actualizaban solo una vez al mes, lo que terminaba generando un desalineamiento entre la oferta recomendada y las necesidades reales del cliente. Había dificultad en la comprensión precisa de los comportamientos y preferencias, resultando en ofertas que no eran granulares, y la operación manejaba una base voluminosa y fragmentada en diferentes CRMs (Adapter, Simetra y NG), abarcando más de 1,2 millón de clientes.
MadeinWeb, en alianza con AWS, desarrolló el Proyecto Aurora, un modelo predictivo de recomendación de ofertas (best offer) enfocado en generar valor y rentabilizar la base de usuarios de Vero. La solución se fundamentó en un modelo supervisado de regresión (CatBoost), entrenado sobre perfiles de comportamiento y variables de contrato, incluyendo rangos de velocidad de internet, tiers de TV, cantidad de chips, valor contractual y geografía.
La clusterización de la base fue utilizada como etapa exploratoria para el entendimiento de segmentos, mientras el modelo predictivo genera la recomendación personalizada de oferta para cada cliente.
La ingesta e integración de los datos de las tres fuentes (Adapter, Simetra y NG) fue automatizada con AWS Glue, con datasets gobernados almacenados en Amazon S3. El pipeline de ML es orquestado por Amazon SageMaker Pipelines, que coordina procesamiento, entrenamiento, validación y registro de modelos.
Las features se gestionan en Amazon SageMaker Feature Store, garantizando consistencia entre entrenamiento e inferencia. Cada modelo candidato es versionado en el SageMaker Model Registry con métricas de validación anexadas, y la inferencia batch se ejecuta vía SageMaker Batch Transform.
El monitoreo de drift y calidad predictiva es realizado por Amazon SageMaker Model Monitor, con alertas operativas vía Amazon CloudWatch. Las consultas analíticas sobre resultados y campañas utilizan Amazon Athena.
El modelo unió los resultados analíticos al catálogo de planes actualizado, permitiendo recomendaciones granulares dentro del mismo rango de valor de contrato del usuario. El proyecto piloto se ejecutó con foco geográfico en bases de clientes de Brasilia, São Paulo, Minas Gerais, Paraná, Rio Grande do Sul y Santa Catarina.
La ejecución estratégica involucró envíos personalizados vía mensajería (WhatsApp) para ofertas de up-sell, como la migración de clientes “Naked” a paquetes con productos Móviles o SDP. Para asegurar un proceso de aceptación rápido y eficiente, el equipo monitoreó rigurosamente todas las etapas del flujo de comunicación, evaluando indicadores como envíos, entregas, visualizaciones, aceptaciones, conversión final y delta de ticket medio.
“El resultado del piloto demostró que un abordaje asertivo, construido a partir del entrenamiento de máquina y de la aplicación de algoritmos sobre la base de clientes, cuando se combina con atributos de producto adecuados — velocidad, móvil o SDP — y con un delta de ticket medio sin escalones relevantes de variación de precio, genera mayor efectividad en la tasa de aceptación de las ofertas.”
— Maysa Santos - especialista en innovación en Vero“El proyecto mostró que, cuando combinamos datos, inteligencia artificial y un abordaje estructurado de innovación abierta, es posible aumentar significativamente la precisión de las ofertas comerciales y capturar resultados concretos de ingresos y rentabilización.”
— Maximiliano Carlomagno - socio de Innoscience
Amazon Web Services (AWS) es la plataforma de nube más adoptada y completa del mundo, ofreciendo más de 200 servicios completos desde centros de datos en todo el mundo. Millones de clientes, incluyendo las startups que crecen más rápido, las mayores empresas y los principales organismos gubernamentales, están usando AWS para reducir costos, ganar agilidad e innovar más rápidamente.
Con agentes de IA aplicados al ciclo de desarrollo, DM ahorró 337 horas, elevó en más del 40% la productividad de Producto y Calidad y estandarizó entregas en pocos meses.
ONR creó IARI, una plataforma de IA generativa que automatiza la extracción y estandarización de datos de matrículas en los registros inmobiliarios, con previsión de llegar a más de 3.000 notarías.
Tenda automatiza la generación de contratos y elimina el 90% del proceso manual
Utilizamos cookies para mejorar su experiencia en nuestro sitio. Las cookies esenciales son necesarias para el funcionamiento del sitio. Puede gestionar sus preferencias o aceptar todas las cookies. Más información
