Los casos de uso que siguen son ejemplos ilustrativos de cómo AyGLOO se aplica en cada sector. Cada snapshot muestra tres cosas: qué decisión toma el modelo, por qué la toma y con qué certeza, y qué acción concreta se recomienda. El analista pasa de recibir una puntuación sin contexto a una recomendación razonada, cuantificada y lista para validar.

Prescriptive Decision AI para E-Commerce
E-Commerce
Detección de Fraude en Pagos

Los modelos de fraude puntúan cada transacción en tiempo real. El equipo de riesgo recibe una puntuación sin saber qué señal la impulsa, si es parte de una trama coordinada entre varias cuentas, ni si está bloqueando a un cliente legítimo que compra desde un dispositivo nuevo. Bloquear demasiado destruye conversión; bloquear demasiado poco destruye margen. AyGLOO convierte esa decisión en cuatro beneficios concretos: las reglas del Twin explican con qué certeza y por qué se bloquea cada transacción; el análisis de red detecta tramas organizadas entre cuentas vinculadas; el ISA detecta los segmentos con mayor tasa de falso positivo; y el CF calcula qué verificación mínima resolvería la sospecha sin friccionar al cliente legítimo.

1
El analista entiende exactamente qué señales generaron la alerta y con qué certeza, sin tener que reconstruir el razonamiento del modelo transacción a transacción.
2
El análisis de red detecta tramas de fraude organizado entre cuentas vinculadas que son invisibles analizando cada transacción por separado.
3
El ISA detecta los segmentos con mayor tasa de falso positivo (dispositivos nuevos, primeras compras internacionales) evitando bloqueos que destruyen la experiencia de clientes legítimos.
4
El CF calcula la verificación mínima que resuelve la sospecha: en vez de bloquear, el sistema solicita exactamente lo que necesita para confirmar la legitimidad sin friccionar innecesariamente.
Hoy, lo que un analista de fraude suele recibir
Transacción #TXN-20260301-88421 Puntuación de fraude: 0.87 · ALTO Importe: €847 · Sin contexto adicional
Con AyGLOO. Misma transacción, completamente enriquecida
Transacción #TXN-20260301-88421 · €847 Puntuación de fraude: 0.87 · Cuenta: #USR-441820
XAI Por qué está marcada esta transacción Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento Graph Análisis de red entre cuentas CF Verificación mínima que resuelve la sospecha Action Acción recomendada
1. Por qué está marcada esta transacción. Twin model (profundidad 7 · fidelidad 97.3%)
100%IF dispositivo_nuevo = true AND dirección_envío_distinta_facturación = true AND importe > 5× ticket_medio_cuenta → Bloquear y solicitar verificación. Fiabilidad total: combinación de alto riesgo confirmada en histórico.
83%IF velocidad_transacciones_24h > 3× media AND país_IP_distinto_cuenta → Posible cuenta comprometida. Verificar con el titular antes de procesar.
62%IF dispositivo_nuevo = true sin otros factores → Señal débil aislada. No bloquear solo por dispositivo nuevo si el comportamiento de compra es consistente con el historial.
Las reglas con 100% de fiabilidad bloquean automáticamente y solicitan verificación. Las reglas con fiabilidad menor requieren que el analista evalúe el contexto antes de decidir, porque puede ser un cliente legítimo comprando desde un dispositivo nuevo.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Segmento: "cuenta con historial >12 meses, primer dispositivo nuevo, importe alto" · Tasa de fraude confirmado en este segmento: 68% · Tasa de falsos positivos: 32% · Sin deriva detectada en las últimas 6 semanas
Un 32% de falsos positivos significa que casi 1 de cada 3 alertas en este segmento es un cliente legítimo comprando desde un dispositivo nuevo. Bloquear sin solicitar verificación destruye la experiencia de ese cliente y tiene coste de churn asociado.
El ISA convierte la decisión de bloqueo en una decisión calibrada: no es "fraude o no fraude", es "con qué probabilidad y qué coste tiene equivocarse en cada dirección".
ISA
3. Análisis de red entre cuentas. Patrón de fraude organizado
La dirección de envío de esta transacción ha aparecido en 3 transacciones bloqueadas de otras cuentas en los últimos 7 días · Las 4 cuentas comparten el mismo rango de IP y patrones de navegación similares · Los 4 pedidos son de electrónica de alto valor con envío express · Patrón consistente con red de cuentas sintéticas para recepción de mercancía fraudulenta
La dirección de envío es el nodo central de la red. Analizando cada transacción por separado cada una parece un caso individual; el análisis de red revela que forman parte de una trama coordinada. La acción correcta es bloquear las 4 cuentas y escalar a fraude organizado.
Graph
4. CF. Verificación mínima que resuelve la sospecha
Confirmación por SMS al número registrado en la cuenta: puntuación baja 0.87 → 0.31 (por debajo del umbral de bloqueo) · Confirmación por email + selfie con documento: → 0.12 · Sin verificación adicional: mantener bloqueo · Dado el patrón de red detectado: no procesar con ningún nivel de verificación hasta revisar las 4 cuentas vinculadas
El CF distingue entre los dos casos: si fuera un cliente legítimo, la verificación por SMS bastaría para procesar. Dado que el análisis de red ha confirmado un patrón de fraude organizado, ninguna verificación individual es suficiente hasta resolver el patrón completo.
CF
5. Acción recomendada
Bloquear transacción y las 3 cuentas vinculadas por la dirección de envío · Escalar a equipo de fraude organizado: patrón de red confirmado en 4 cuentas · No solicitar verificación al titular hasta completar la revisión del patrón · Si la revisión descarta el vínculo: solicitar confirmación por SMS y procesar
La secuencia importa: primero revisar el patrón de red, luego decidir si solicitar verificación. Solicitar verificación al titular antes de revisar el patrón puede alertar a la red de que ha sido detectada.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Predicción y Recuperación de Abandono de Carrito

Los modelos de abandono detectan sesiones con alta probabilidad de no completar la compra antes de que ocurran. El equipo de CRM no sabe qué fricción concreta está causando el abandono, si es de precio, de coste de envío o de complejidad del proceso de pago, ni qué incentivo mínimo convertiría esa sesión sin destruir el margen. AyGLOO convierte esa predicción en cuatro beneficios concretos: la explicación de qué fricción específica está impulsando el abandono; el CF que calcula el incentivo mínimo para convertir; el ISA que detecta los segmentos donde el modelo sobreestima el abandono; y la simulación del impacto en conversión y margen de cada escenario de intervención.

1
El equipo sabe exactamente qué está causando el abandono en esta sesión concreta: precio, coste de envío, complejidad del checkout o falta de método de pago preferido.
2
El incentivo de recuperación llega calibrado para esta sesión: ofrecer envío gratis tiene más impacto que un descuento si el coste de envío es la fricción dominante.
3
El ISA detecta segmentos donde el modelo predice abandono en sesiones que habrían convertido solas, evitando gastar presupuesto de incentivos innecesariamente.
4
Las simulaciones muestran el impacto en conversión y margen de cada combinación de incentivo antes de activar la campaña de recuperación.
Hoy, lo que el equipo de CRM suele recibir
Sesión #SES-20260301-77341 Probabilidad de abandono: 0.81 · ALTA Carrito: €234 · Sin contexto adicional
Con AyGLOO. Misma sesión, completamente enriquecida
Sesión #SES-20260301-77341 · Carrito: €234 Probabilidad de abandono: 0.81 · Valor estimado del cliente: €1.840/año
XAI Qué fricción está causando el abandono Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento CF Incentivo mínimo para convertir What-if Impacto en conversión y margen por escenario Action Intervención recomendada
1. Qué fricción está causando el abandono. Twin model (profundidad 7 · fidelidad 96.8%)
100%IF coste_envío > 8% importe_carrito AND tiempo_en_resumen_pedido > 45s AND sin_compra_completada_últimas_2_visitas → Abandono inminente por fricción de coste de envío. Activar intervención antes de que cierre la página.
79%IF comparación_precio_competidor_detectada = true AND diferencia_precio > 5% → Cliente evaluando alternativas de precio. Mostrar propuesta de valor antes de ofrecer descuento.
58%IF tiempo_en_checkout > 3 min sin otros factores → Señal débil de fricción en el proceso de pago. Puede ser indecisión, no fricción técnica.
El coste de envío es la fricción dominante, no el precio del producto. Ofrecer un descuento en el producto cuando el problema es el envío es gastar presupuesto sin resolver la causa raíz del abandono.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Segmento: "cliente recurrente, carrito €200–€300, fricción de envío detectada" · Tasa de abandono real en este segmento: 74% · Tasa de conversión espontánea sin intervención: 26% · Precisión del modelo: 88% · Alta fiabilidad: intervenir.
El 26% de conversión espontánea significa que 1 de cada 4 sesiones en este segmento convierte sola. El ISA ayuda a decidir si intervenir o dejar que la sesión madure, especialmente cuando el incentivo tiene coste.
ISA
3. CF. Incentivo mínimo que convierte esta sesión
Envío gratis: probabilidad de abandono 0.81 → 0.34 · Coste del incentivo: €4.80 · Descuento 10% en el carrito: 0.81 → 0.51 (menos efectivo) · Coste: €23.40 · Envío gratis + descuento 5%: 0.81 → 0.21 · Coste total: €16.57
El envío gratis resuelve el 58% del abandono al 21% del coste del descuento en el carrito. Para este perfil de cliente, el envío gratis es el incentivo con mejor retorno sobre la inversión.
El CF demuestra que el tipo de incentivo importa más que la magnitud. Ofrecer el descuento en el producto cuando la fricción es el envío tiene menos impacto en conversión y más coste que resolver directamente lo que frena al cliente.
CF
4. What-if. Impacto en conversión y margen por escenario de intervención
Sin intervención: conversión 19%, margen €44.46 si convierte · Envío gratis: conversión 66%, margen €39.66 por pedido convertido, ingreso incremental esperado €26.18 · Descuento 10%: conversión 49%, margen €20.04, ingreso incremental €9.82 · Envío gratis + descuento 5%: conversión 79%, margen €32.49, ingreso incremental €25.67
El what-if convierte las probabilidades en euros esperados por sesión. El envío gratis genera más ingreso incremental que el descuento del 10% porque tiene mayor impacto en conversión y menor coste unitario.
What-if
5. Intervención recomendada
Activar pop-up de envío gratis en los próximos 15 segundos si el usuario no avanza al pago · Mensaje recomendado: "Envío gratis para pedidos como el tuyo" · Si no convierte en los siguientes 5 minutos: enviar email de recuperación con el mismo incentivo · No ofrecer descuento adicional en primer contacto: el envío gratis es suficiente para este perfil
La ventana de intervención importa: en sesiones con fricción de envío detectada, actuar en los primeros 15 segundos tiene una tasa de conversión 2.3× mayor que actuar después de que el usuario haya empezado a cerrar la página.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Personalización y Recomendación de Producto

Los motores de recomendación sugieren productos en tiempo real por sesión. El equipo de producto no sabe por qué el modelo recomendó esos artículos concretos, si está tratando todos los segmentos de cliente de forma consistente, ni cuánto vale en conversión y ticket medio cada configuración del algoritmo. Sin explicabilidad, optimizar el motor de recomendación es operar a ciegas. AyGLOO convierte esa caja negra en cuatro beneficios concretos: la explicación de qué señales de comportamiento impulsaron cada recomendación; la verificación de que el modelo no presenta sesgo sistemático por segmento; el CF que muestra qué cambio mínimo en el perfil invertiría la recomendación; y la simulación del impacto en conversión y ticket medio de cada escenario de configuración.

1
El equipo de producto entiende exactamente por qué el motor recomendó esos artículos, lo que permite iterar sobre el algoritmo con criterio en lugar de probar configuraciones a ciegas.
2
El ISA detecta segmentos donde el motor sobrerecomienda artículos de bajo margen o presenta sesgo sistemático, antes de que se traduzca en pérdida de rentabilidad a escala.
3
El CF muestra qué cambio mínimo en el comportamiento del usuario invertiría la recomendación, lo que permite diseñar experiencias que guíen al cliente hacia los artículos de mayor valor.
4
Las simulaciones cuantifican el impacto en conversión y ticket medio de cada variante de configuración antes de desplegarla, reduciendo el coste y el tiempo de los tests A/B.
Hoy, lo que el equipo de producto suele recibir
Sesión #SES-20260301-44812 Recomendación generada · 4 artículos Sin explicación del motor · Sin contexto del perfil
Con AyGLOO. Misma recomendación, completamente enriquecida
Sesión #SES-20260301-44812 · Segmento: hogar activo 35–45 Artículo en vista: Zapatillas trail running €129
XAI Por qué estas recomendaciones Twin Reglas con nivel de fiabilidad ISA Consistencia del motor por segmento CF Qué cambiaría la recomendación What-if Impacto en ticket medio por configuración Action Configuración recomendada
1. Por qué estas recomendaciones. Twin model (profundidad 7 · fidelidad 96.1%)
100%IF artículo_en_vista = trail_running AND historial_compra_incluye_deporte_outdoor = true AND tiempo_en_página > 90s → Recomendar complementos técnicos de la misma actividad. Alta intención de compra confirmada: sesión activa prolongada.
81%IF segmento = hogar_activo_35_45 AND ticket_medio_histórico > €90 → Recomendar gama media-alta. Este segmento convierte mejor en artículos entre €80 y €150 que en artículos de entrada.
57%IF artículo_en_carrito = true sin historial outdoor → Señal débil de intención de compra. No elevar el rango de precio de la recomendación sin señal de historial confirmada.
Las reglas con 100% de fiabilidad combinan el contexto del artículo en vista con el historial de la cuenta. El tiempo prolongado en página es la señal que confirma alta intención: no es un usuario en tránsito sino alguien evaluando activamente.
XAITwin
2. Consistencia del motor por segmento (ISA)
Segmento hogar activo 35–45: tasa de conversión de recomendaciones 18.4% (media plataforma 11.2%) · Ticket medio inducido por recomendación: €94 · Sin sesgo detectado por género o localización · Motor funcionando bien en este segmento.
Segmento de menor rendimiento detectado: nuevos usuarios sin historial en categorías de deporte tienen tasa de conversión de recomendaciones del 4.1% porque el motor les recomienda artículos técnicos de gama alta sin señal de intención previa. Para este micro-segmento el motor necesita ajuste de configuración.
El ISA detecta no solo si el motor funciona en promedio sino en qué segmentos concretos pierde efectividad. El problema de los nuevos usuarios sin historial es exactamente el tipo de sesgo sistemático que destruye conversión a escala sin que sea visible en las métricas agregadas.
ISA
3. CF. Qué cambio mínimo en el perfil invertiría la recomendación
Si el historial no incluyera deporte outdoor: el motor recomendaría calzado urbano casual en lugar de complementos técnicos de trail · Si el tiempo en página fuera <30s: la recomendación bajaría de gama media-alta a gama de entrada · Si el ticket medio histórico fuera <€50: el motor eliminaría los artículos por encima de €100 de la recomendación
El CF permite al equipo de producto entender qué señales de comportamiento activan cada tipo de recomendación. Eso es lo que permite diseñar experiencias que guíen activamente al usuario hacia las señales que activan las recomendaciones de mayor valor.
CF
4. What-if. Impacto en ticket medio por configuración del motor
Configuración actual (complementos técnicos gama media-alta): conversión 18.4%, ticket medio inducido €94 · Si se añade complemento de recuperación deportiva al bloque: conversión estimada 19.1%, ticket medio €108 · Si se sustituye un artículo técnico por uno de entrada: conversión sube a 21.3% pero ticket medio baja a €67 · La configuración actual maximiza el ingreso por sesión, no la tasa de conversión.
Optimizar la tasa de conversión y optimizar el ingreso por sesión son objetivos distintos que llevan a configuraciones distintas. El what-if cuantifica el trade-off antes de que el equipo de producto tenga que lanzar un test A/B para descubrirlo.
What-if
5. Configuración recomendada
Mantener configuración actual para el segmento hogar activo 35–45 · Añadir complemento de recuperación deportiva al bloque: incremento estimado de €14 en ticket medio sin pérdida de conversión · Ajustar configuración para nuevos usuarios sin historial: comenzar con artículos de entrada y escalar el rango de precio con las primeras señales de intención · Revisar rendimiento del segmento nuevos usuarios en 2 semanas
La recomendación separa dos problemas distintos: optimizar el segmento que ya funciona bien y corregir el que está perdiendo conversión por sobre-personalización prematura.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Predicción de Devoluciones antes del Envío

Los modelos de predicción de devoluciones identifican pedidos con alta probabilidad de ser devueltos antes de enviarlos. El equipo de operaciones no sabe si esa predicción es fiable para ese perfil de cliente y categoría, qué intervención preventiva reduciría la probabilidad sin friccionar la experiencia de compra, ni cuánto cuesta en logística y margen no actuar. AyGLOO convierte esa predicción en cuatro beneficios concretos: la explicación de qué señales impulsan el riesgo de devolución; el ISA que confirma la fiabilidad del modelo por categoría; el CF que calcula la intervención mínima que reduce el riesgo antes del envío; y la simulación del ahorro en costes logísticos y de margen de actuar frente a no actuar.

1
El equipo de operaciones sabe qué pedidos tienen alto riesgo de devolución antes de enviarlos, con la explicación de qué señal lo impulsa y qué intervención lo reduciría.
2
El ISA detecta las categorías donde el modelo tiene menor precisión histórica (tallas, electrónica de alta gama) antes de tomar decisiones que friccionen la experiencia de compra.
3
La intervención preventiva llega calculada: confirmar la talla con el cliente antes del envío tiene más impacto que cualquier mensaje genérico de confirmación de pedido.
4
La simulación cuantifica el ahorro en costes logísticos de devolución frente al coste de la intervención preventiva, para decidir en qué umbral de riesgo intervenir.
Hoy, lo que el equipo de operaciones suele recibir
Pedido #ORD-20260301-33841 Probabilidad de devolución: 0.79 · ALTA Artículo: Chaqueta técnica talla M · €189 · Sin contexto adicional
Con AyGLOO. Mismo pedido, completamente enriquecido
Pedido #ORD-20260301-33841 · Chaqueta técnica talla M Probabilidad de devolución: 0.79 · Cliente: #USR-228840
XAI Por qué este pedido tiene alto riesgo de devolución Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en esta categoría CF Intervención mínima que reduce el riesgo antes del envío Twin Simulación de ahorro en costes logísticos Action Acción recomendada
1. Por qué este pedido tiene alto riesgo de devolución. Twin model (profundidad 7 · fidelidad 96.2%)
100%IF talla_pedida = M AND historial_devoluciones_talla_M_misma_marca ≥ 2 AND categoría = ropa_técnica → Riesgo de devolución por talla muy alto. Confirmar talla antes del envío.
82%IF precio > €150 AND primera_compra_en_categoría = true → Riesgo de devolución por expectativa no cumplida. Enviar guía de tallas y materiales antes del envío.
61%IF tiempo_decisión_compra < 90s sin otros factores → Señal débil de compra impulsiva. No intervenir solo con esta señal si el historial de devoluciones es bajo.
Las devoluciones por talla son las más predecibles y las más evitables: el cliente ya devolvió la talla M de esta marca dos veces antes. Confirmar la talla antes del envío resuelve el problema sin friccionar la experiencia más que un mensaje de WhatsApp o email.
XAITwin
2. Doble check del modelo en esta categoría (ISA)
Segmento: "ropa técnica, talla M, cliente con historial de devoluciones por talla" · Tasa de devolución real en este segmento: 76% · Precisión del modelo: 91% · Sin deriva detectada · Alta fiabilidad: intervenir.
Categoría de mayor incertidumbre: en electrónica de alta gama (>€500) la tasa de predicción correcta baja al 61% porque las devoluciones dependen de factores difícilmente observables antes de la apertura del producto. En esa categoría se recomienda no intervenir preventivamente para no friccionar la experiencia.
El ISA no solo confirma que el modelo predice bien las devoluciones por talla: también alerta de que en electrónica la intervención preventiva tiene más riesgo de friccionar que de ayudar. La misma acción no es óptima para todas las categorías.
ISA
3. CF. Intervención mínima que reduce el riesgo antes del envío
Mensaje de confirmación de talla con guía específica de la marca (30s de fricción): probabilidad de devolución 0.79 → 0.38 · Oferta de cambio de talla a L sin coste antes del envío: 0.79 → 0.21 · Llamada de atención al cliente: 0.79 → 0.14 · Sin intervención: 0.79, coste de devolución estimado €18.40
El mensaje de confirmación de talla reduce el riesgo a la mitad con una fricción mínima para el cliente. La oferta de cambio de talla es más efectiva pero requiere que el cliente confirme activamente.
El CF distingue entre el tipo y el coste de cada intervención para el cliente. Un mensaje de 30 segundos que reduce la probabilidad de devolución del 79% al 38% es una intervención con un retorno sobre la inversión muy alto si el coste logístico de la devolución es €18.40.
CF
4. Simulación de ahorro en costes logísticos
Sin intervención: probabilidad de devolución 79%, coste logístico esperado €14.54 (€18.40 × 0.79) · Con mensaje de confirmación de talla (coste €0.12): probabilidad baja a 38%, coste logístico esperado €6.99 · Ahorro esperado por pedido: €7.43 · A escala de 1.000 pedidos similares al mes: ahorro estimado €7.430/mes
El umbral de intervención óptimo es 0.65: por debajo de ese riesgo el ahorro esperado no justifica la fricción de la intervención preventiva para el cliente.
La simulación convierte el riesgo individual en un argumento de negocio a escala: €7.43 de ahorro por pedido parece pequeño; multiplicado por el volumen mensual de pedidos de alto riesgo se convierte en una palanca de rentabilidad real.
Twin
5. Acción recomendada
Enviar mensaje de confirmación de talla con guía específica de la marca antes de preparar el pedido · Incluir oferta de cambio a talla L sin coste si el cliente tiene dudas · Si el cliente no responde en 4h: enviar con nota en el paquete informando del proceso de cambio sin devolución · Registrar respuesta para actualizar el perfil de talla del cliente
La nota en el paquete es un mecanismo de segunda línea que reduce la fricción del proceso de cambio incluso si la intervención previa al envío no fue suficiente. El objetivo es convertir una devolución en un cambio de talla, que tiene un coste logístico menor y mantiene la venta.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Pricing Dinámico y Optimización de Conversión

Los modelos de pricing dinámico ajustan precios en tiempo real por producto, segmento y canal. El equipo de negocio recibe la recomendación de precio sin saber con qué certeza se generó, si es fiable en ese canal o en ese perfil de cliente, ni qué pasaría con la conversión y el margen si el competidor bajara un 10%. AyGLOO convierte esa recomendación en cuatro beneficios concretos: las reglas del Twin explican qué condición disparó el precio recomendado; el ISA detecta los canales y segmentos donde la elasticidad estimada es menos fiable; el CF calcula el precio mínimo que mantiene la conversión sin destruir el margen; y las simulaciones muestran el impacto de cada escenario competitivo antes de ajustar.

1
El equipo entiende exactamente por qué el modelo recomendó ese precio para ese producto en ese canal, sin tener que reconstruir el razonamiento del algoritmo manualmente.
2
El ISA detecta los canales y segmentos donde la elasticidad estimada es menos fiable, evitando aplicar bajadas de precio en segmentos donde el cliente no es sensible al precio sino a otros factores.
3
El precio mínimo que mantiene la conversión sin cruzar el umbral de margen negativo llega calculado para este producto en este canal, no como una regla genérica de categoría.
4
Las simulaciones muestran el impacto en conversión y margen de cada escenario competitivo antes de ajustar el precio, reduciendo el tiempo de respuesta a movimientos del mercado.
Hoy, lo que un equipo de pricing suele recibir
SKU #ECM-8812-A · Auriculares inalámbricos Precio recomendado: €89 · Precio actual: €109 Canal: web · Sin contexto adicional
Con AyGLOO. Misma recomendación, completamente enriquecida
SKU #ECM-8812-A · Auriculares inalámbricos Precio recomendado: €89 · Canal: web · Margen actual: €31
XAI Por qué este precio Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este canal y segmento CF Precio mínimo que mantiene conversión sin destruir margen What-if Impacto en conversión y margen por escenario competitivo Action Precio recomendado y condiciones de revisión
1. Por qué este precio. Twin model (profundidad 7 · fidelidad 96.5%)
100%IF precio_competidor_principal < precio_actual AND diferencia > 18% AND tasa_conversión_7d_vs_media < 0.6 → Bajar precio a €89. Fiabilidad total: la pérdida de conversión está confirmada por los datos de los últimos 7 días.
80%IF visitas_comparador_precio > 35% sesiones AND tiempo_en_página < 45s → Cliente altamente sensible al precio en este canal. La bajada de precio tiene impacto directo en conversión.
59%IF diferencia_precio_competidor > 10% sin caída de conversión confirmada → Señal débil. No bajar precio preventivamente sin confirmar impacto en conversión.
La bajada de conversión de los últimos 7 días es la señal determinante, no solo la diferencia de precio con el competidor. Sin esa confirmación, la regla de 100% de fiabilidad no se activa.
XAITwin
2. Doble check del modelo en este canal y segmento (ISA)
Segmento: "electrónica de consumo €80–€120, canal web, usuario recurrente" · Elasticidad precio estimada: 1.8 (alta sensibilidad) · Precisión del modelo en este segmento: 87% · Sin deriva en las últimas 4 semanas · Alta fiabilidad: actuar.
Canal de menor fiabilidad: en la app móvil la elasticidad estimada para este mismo producto es 0.9 (baja sensibilidad al precio) porque el usuario de app convierte más por conveniencia que por precio. Aplicar la misma bajada en la app destruiría margen sin incremento de conversión.
La misma recomendación de precio no es óptima en todos los canales. El ISA detecta que en la app el usuario no es sensible al precio, lo que cambia completamente la acción recomendada para ese canal.
ISA
3. CF. Precio mínimo que mantiene conversión sin destruir margen
€99 (–9%): conversión sube un 18%, margen €21 por unidad · €89 (–18%, recomendado): conversión sube un 34%, margen €11 por unidad · €84 (–23%): conversión sube un 37% (+3% marginal), margen €6 · €79 (–28%): conversión sube un 39%, margen €1 · Umbral de rentabilidad: €89 maximiza el ingreso total por unidad disponible
A €84 la ganancia marginal de conversión (+3%) no compensa la pérdida de margen (–€5). El precio óptimo es €89, no el más bajo posible.
El CF demuestra que bajar de €89 genera incrementos de conversión decrecientes con pérdidas de margen crecientes. El objetivo no es el precio más bajo sino el que maximiza el ingreso total por unidad, que en este caso es €89.
CF
4. What-if. Impacto en conversión y margen por escenario competitivo
Si el competidor baja adicionalmente a €82: elasticidad sube a 2.3, precio óptimo pasa a €84 para mantener conversión · Si el competidor sube a €99: la presión desaparece, precio óptimo vuelve a €99 sin pérdida de conversión · Si se lanza campaña de email al segmento: la sensibilidad al precio baja a 1.1, el precio óptimo sube a €94 · La acción del competidor es la variable más sensible: un movimiento de €7 cambia el precio óptimo.
El what-if permite preparar respuestas a escenarios competitivos antes de que ocurran. Saber que a €82 del competidor el precio óptimo es €84 significa que se puede configurar la respuesta automática con antelación.
What-if
5. Precio recomendado y condiciones de revisión
Bajar a €89 en el canal web · Mantener €109 en la app móvil: elasticidad baja, la bajada destruiría margen sin incremento de conversión · Revisar en 48h si la tasa de conversión ha subido un 25% · Si el competidor baja de €85: activar respuesta automática a €84 · Si el competidor sube por encima de €100: recuperar precio a €99 en la siguiente revisión
La diferencia de precio entre canal web (€89) y app (€109) no es una inconsistencia: refleja que la elasticidad es diferente en cada canal. Un cliente que compra por app convierte por conveniencia; un cliente que llega por web desde un comparador convierte por precio.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.