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 Telco
Telco
Retención de Clientes (Churn)

Los modelos de churn identifican clientes con riesgo de portarse a otro operador. El equipo de retención recibe una puntuación sin el contexto que necesita para actuar: no sabe por qué ese cliente se va, qué oferta concreta lo retendría antes de que cierre la ventana de portabilidad, ni si el coste de la retención está justificado por su valor. AyGLOO convierte esa predicción en cuatro beneficios concretos: las acciones de retención para casos de alta certeza se lanzan automáticamente; el CF genera la intervención mínima con el retorno calculado; el análisis de red detecta patrones de abandono coordinado entre clientes vinculados; y el ISA evita gastar presupuesto de retención en clientes que no se iban a ir.

1
El gestor entiende exactamente por qué ese cliente se va y con qué certeza, sin tener que buscar en el historial de interacciones ni interpretar señales dispersas.
2
La oferta de retención llega calibrada para este cliente concreto: resolver primero las reclamaciones abiertas tiene más impacto que el descuento si eso es lo que impulsa el riesgo.
3
El análisis de red detecta cuando varios clientes del mismo plan familiar o tarifa compartida están en riesgo coordinado, antes de que cada uno lo manifieste individualmente.
4
El ISA detecta segmentos donde el modelo predice mal el abandono, evitando gastar presupuesto de retención en clientes que no se iban a ir.
Hoy, lo que un gestor de retención suele recibir
Cliente #CLT-774821 Riesgo de churn: 84% Móvil postpago · Tarifa Go&Go 30GB · Sin contexto adicional
Con AyGLOO. Misma predicción, completamente enriquecida
Cliente #CLT-774821 · Móvil postpago Riesgo de churn: 84% · Valor estimado: €2.340
XAI Por qué este cliente está en riesgo Twin Reglas con nivel de fiabilidad CF Intervención mínima con ROI calculado Graph Análisis de red ISA Fiabilidad del modelo por segmento What-if Sensibilidad por variable Action Acción recomendada
1. Por qué este cliente está en riesgo. Twin model (profundidad 7 · fidelidad 97.2%)
100%IF reclamaciones_facturación_abiertas ≥ 2 AND exceso_datos_meses ≥ 3 AND ventana_portabilidad_días ≤ 18 → Riesgo de churn inminente. Fiabilidad total: lanzar acción de retención automáticamente.
81%IF oferta_competidor_detectada = true AND exceso_datos_meses ≥ 2 → Cliente evaluando alternativas activamente. Contacto personalizado antes de que abra la portabilidad.
58%IF exceso_datos_meses ≥ 3 sin otros factores → Señal débil aislada. No lanzar acción de retención solo con esta variable.
Las reglas con 100% de fiabilidad se ejecutan automáticamente. Solo las reglas con fiabilidad menor requieren intervención del gestor, donde el contexto puede cambiar la acción óptima.
XAITwin
2. CF. Intervención mínima accionable con ROI calculado
Resolver reclamaciones de facturación: riesgo 84% → 61% · Upgrade a tarifa 50GB al mismo precio: 84% → 48% · Ambas combinadas: 84% → 29% · Ambas + descuento de fidelización 3 meses: 84% → 19%
ROI de retención: coste de la oferta €47 frente a valor en riesgo €2.340 × (0.84 – 0.19) = €1.521. Retención neta: €1.474 por cliente retenido. No ofrecer el descuento completo directamente: el upgrade de tarifa solo ya baja el riesgo por debajo del 50% y preserva margen.
El CF muestra que resolver las reclamaciones tiene más impacto que el descuento. Si se ofrece el descuento sin resolver la fricción de servicio, el riesgo baja menos de lo esperado porque el 78% de los churns en este segmento cita reclamaciones sin resolver como causa principal.
CF
3. Análisis de red. Patrón de abandono coordinado
2 líneas adicionales en el mismo plan familiar muestran señales de riesgo en las últimas 2 semanas · Patrón de exceso de datos simultáneo en las 3 líneas · Si este cliente se porta, la probabilidad de portabilidad de las otras 2 líneas aumenta un 41% · Incluir las 3 líneas en campaña de retención coordinada
Analizando cada línea por separado el patrón no es visible. El análisis de red permite anticipar un abandono en cascada del plan familiar y actuar sobre el grupo antes de que se materialice.
Graph
4. Doble check del modelo en este segmento (ISA)
Micro-segmento: "postpago 30GB, antigüedad 18–36 meses, exceso de datos recurrente" · Tasa de churn en este segmento: 31% frente al 11% de media · Precisión del modelo: 89% · Sin deriva detectada en las últimas 8 semanas · Alta fiabilidad: actuar con confianza.
El ISA confirma que el modelo predice bien en este segmento. Si el semáforo fuera amarillo, el presupuesto de retención podría estar gastándose en clientes que no se iban a ir.
ISA
5. What-if. Sensibilidad de variables sobre el riesgo de churn
Si las reclamaciones estuvieran resueltas: riesgo baja de 0.84 a 0.54 · Si no hubiera exceso de datos recurrente: baja a 0.61 · Si no hubiera oferta de competidor detectada: baja a 0.68 · Las reclamaciones abiertas son la señal dominante: resolver la fricción de servicio tiene más impacto que cualquier oferta comercial.
Saber que las reclamaciones dominan frente al precio cambia el tipo de intervención: no hay descuento que funcione si la experiencia de servicio no se resuelve primero.
What-if
6. Acción recomendada
Resolver reclamaciones de facturación en las próximas 48h · Propuesta: upgrade a 50GB al mismo precio + descuento 3 meses · Incluir las 3 líneas del plan familiar en campaña coordinada · Revisar en 7 días si no hay respuesta · Ventana de portabilidad: 18 días
La acción prioriza resolver la fricción antes de la oferta comercial. El gestor no tiene que adivinar qué funciona: ve el impacto de cada intervención antes de actuar.
Action

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

Mantenimiento Predictivo de Red

Los modelos de mantenimiento marcan activos de red en riesgo de fallo. El ingeniero recibe una probabilidad sin saber qué señal la impulsa, cuál es la intervención mínima para evitar la avería, ni cuánto costará en penalizaciones por incumplimiento de nivel de servicio (SLA) no actuar. AyGLOO convierte esa alerta en cuatro beneficios concretos: las reglas del Twin explican qué combinación de señales generó el riesgo; el ISA confirma si el modelo es fiable en ese tipo de activo; el CF calcula la intervención mínima que baja el riesgo por debajo del umbral; y la simulación cuantifica el impacto en SLA y satisfacción del cliente antes de decidir.

1
El ingeniero sabe exactamente qué señales están impulsando el riesgo y con qué certeza, sin tener que cruzar manualmente logs de telemetría y registros de incidencias.
2
El ISA confirma si el modelo es fiable en ese tipo de activo antes de programar la intervención, evitando tanto mantenimientos innecesarios como confianza excesiva en segmentos con historial escaso.
3
El CF calcula la intervención mínima que baja el riesgo por debajo del umbral operativo, con el coste de cada opción para decidir entre sustitución parcial o completa.
4
La simulación cuantifica €38K de penalización por incumplimiento de SLA y –3.8 puntos de NPS si no se actúa, frente al coste de 2 horas de trabajo del equipo técnico.
Hoy, lo que un ingeniero del centro de operaciones de red suele recibir
Activo: Nodo RDN-7741 · Madrid Sur Probabilidad de fallo: 71% · Riesgo: ALTO Sin contexto adicional
Con AyGLOO. Mismo activo, completamente enriquecido
Nodo RDN-7741 · Madrid Sur Probabilidad de fallo: 71% (próximos 14 días)
XAI Por qué está marcado este activo Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento CF Intervención mínima Twin Simulación de impacto SLA PDF Trazabilidad regulatoria
1. Por qué está marcado este activo. Twin model (profundidad 7 · fidelidad 96.4%)
100%IF inestabilidad_fuente_alimentación ≥ 3 microcortes_72h AND disponibilidad < 99.5% AND antigüedad > 8 años → Programar intervención en <7 días. Fiabilidad total: actuar sin revisión adicional.
82%IF temperatura_ambiente > umbral_refrigeración AND disponibilidad_tendencia = bajista → Riesgo acelerado por estrés térmico. Revisar sistema de refrigeración antes de programar la intervención.
61%IF antigüedad > 8 años sin otros factores → Señal débil aislada. No programar intervención urgente solo con esta variable.
Las reglas con 100% de fiabilidad permiten programar la intervención sin esperar confirmación adicional. El historial del segmento muestra degradación rápida una vez que la disponibilidad cae por debajo del 99.5%: no diferir.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Micro-segmento: "nodos de acceso >8 años, entorno urbano denso, verano" · Tasa de fallo en este segmento: 14.1% frente al 4.2% de media de flota · 4 activos similares han fallado en los últimos 12 meses, todos en los 10 días siguientes a que la disponibilidad cayera por debajo del 99.5% · Alta fiabilidad: actuar con confianza.
El ISA confirma que el modelo predice bien en este segmento. Si el semáforo fuera amarillo, el ingeniero debería verificar antes de programar para evitar una intervención innecesaria en un activo que no va a fallar.
ISA
3. CF. Intervención mínima que baja el riesgo por debajo del umbral
Sustitución de fuente de alimentación: 71% → 38% · Sustitución de fuente + servicio de refrigeración: 71% → 22% · Sustitución completa del nodo: 71% → 3%
El CF responde a la pregunta del ingeniero: ¿qué es lo mínimo que tengo que hacer para bajar el riesgo a un nivel aceptable? Sustituir solo la fuente de alimentación cuesta mucho menos que el nodo completo y baja el riesgo a la mitad. Si además se revisa la refrigeración en la misma ventana de mantenimiento, se llega al 22%.
CF
4. Acción recomendada
Programar sustitución de fuente de alimentación en los próximos 7 días · Revisar sistema de refrigeración en la misma ventana · Planificar sustitución completa del nodo en Q4 · No diferir más de 10 días: el historial del segmento muestra degradación acelerada una vez que la disponibilidad cae por debajo del 99.5%
La acción combina la intervención mínima a corto plazo con la planificación de la sustitución definitiva, preservando la ventana de mantenimiento disponible sin comprometer la continuidad del servicio.
Action
5. Simulación de impacto. Coste de no actuar frente a intervención preventiva
Sin intervención: corte estimado de 6.4h · 3.200 clientes residenciales + 180 clientes empresariales afectados · Penalización por incumplimiento de nivel de servicio (SLA): €38.000 · Impacto en satisfacción del cliente: –3.8 puntos de NPS en la zona · Con sustitución de fuente + refrigeración: probabilidad de corte <5%
Coste de la intervención preventiva: 2 horas del equipo técnico. La simulación convierte una probabilidad de fallo en euros y puntos de NPS antes de decidir.
Los clientes empresariales con contrato de nivel de servicio son los más expuestos: un corte de 6.4h activa automáticamente las cláusulas de penalización. La simulación cuantifica ese riesgo antes de que se materialice.
TwinPDF

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

Planificación de Capacidad de Red

Los modelos de capacidad predicen riesgo de congestión por zona y ventana horaria. El equipo de red recibe una alerta de riesgo alto sin saber qué segmentos de demanda la están generando, cuánto costará en penalizaciones e impacto en satisfacción si no se actúa, ni qué acción concreta de redistribución o aprovisionamiento resuelve el problema antes de que los clientes lo noten. AyGLOO convierte esa previsión en cuatro beneficios concretos: la explicación de qué patrones de demanda generan el riesgo; la identificación de los clientes con mayor exposición a incumplimiento de SLA; el CF que calcula la redistribución mínima que resuelve la congestión; y la simulación del impacto en SLA y NPS si no se actúa.

1
El equipo sabe exactamente qué segmentos de demanda están generando el riesgo de congestión y cuándo se va a producir, antes de que los clientes lo noten.
2
El ISA identifica qué clientes empresariales con contrato de nivel de servicio tienen mayor exposición al incumplimiento, permitiendo priorizar la acción y la comunicación proactiva.
3
El CF calcula la redistribución mínima de capacidad que resuelve la congestión sin aprovisionar infraestructura nueva, con el impacto cuantificado de cada combinación de acciones.
4
La simulación cuantifica €24K de penalización por incumplimiento de SLA y –3.8 puntos de NPS si no se actúa, frente a 2 horas de trabajo del equipo técnico.
Hoy, lo que el equipo de planificación suele recibir
Zona: BCN-EST-04 · Barcelona Este Riesgo de congestión: ALTO Ventana: viernes 18:00–22:00 · Próximos 7 días · Sin contexto adicional
Con AyGLOO. Misma previsión, completamente enriquecida
Zona BCN-EST-04 · Viernes 18:00–22:00 Riesgo de congestión: ALTO · Utilización prevista: 94%
XAI Por qué esta zona está en riesgo Twin Reglas con nivel de fiabilidad ISA Segmentos con mayor exposición CF Redistribución mínima que resuelve la congestión Twin Simulación de impacto SLA y NPS Action Acción recomendada
1. Por qué esta zona está en riesgo. Twin model (profundidad 7 · fidelidad 96.7%)
100%IF utilización_prevista > 90% AND contratos_SLA_empresarial ≥ 10 AND pico_recurrente_4_viernes = true → Intervención prioritaria antes del jueves. Fiabilidad total: actuar sin revisión adicional.
83%IF nuevas_activaciones_5G_3semanas ≥ 300 AND sin_ajuste_aprovisionamiento = true → Demanda no reflejada en la planificación actual. Revisar capacidad aprovisionada antes de cerrar el plan de la semana.
64%IF evento_local_20h = true sin otros factores → Señal débil aislada. El evento por sí solo no justifica intervención si la utilización base está por debajo del 85%.
La combinación de pico recurrente + nuevas activaciones no reflejadas en aprovisionamiento + contratos empresariales expuestos activa la regla de 100% de fiabilidad. El equipo puede actuar sin esperar confirmación adicional.
XAITwin
2. Segmentos con mayor exposición a incumplimiento de SLA (ISA)
Principales generadores de demanda: clientes residenciales con 5G de alta intensidad (38% de la carga prevista) · Nuevas activaciones sin ajuste de aprovisionamiento (21%) · Derrame de evento de zona adyacente BCN-EST-03 (17%) · Segmento con mayor exposición: 12 cuentas empresariales con contrato de ancho de banda dedicado en riesgo de incumplimiento de SLA
El ISA no describe la demanda: identifica qué segmentos tienen mayor exposición regulatoria y comercial. Los 12 contratos empresariales son los que activan penalizaciones automáticas si hay degradación de servicio.
ISA
3. CF. Redistribución mínima que resuelve la congestión
Reasignación temporal de capacidad desde BCN-EST-02 (utilización media viernes tarde: 62%): utilización baja a 81% · Derivación de tráfico: desviar 15% del tráfico residencial a celda 4G adyacente entre 20:00 y 22:00: baja a 79% · Ambas combinadas: 74% · Probabilidad de incumplimiento de SLA: <2%
El CF resuelve el problema sin aprovisionar infraestructura nueva: usa capacidad infrautilizada en una zona adyacente. La reasignación es temporal y reversible; la derivación de tráfico afecta solo al segmento residencial, no a los contratos empresariales.
CF
4. Simulación de impacto. Coste de no actuar
Sin intervención: 12 incumplimientos de SLA empresarial · Penalización estimada: €24.000 · Impacto en satisfacción del cliente: –3.8 puntos de NPS en la zona · Con reasignación + derivación: probabilidad de incumplimiento <2% · Coste de la intervención: 2 horas del equipo técnico
BCN-EST-04 debe incluirse en la revisión de capacidad permanente del Q3: la tasa de nuevas activaciones hace insostenible la situación actual en 6 semanas sin aprovisionamiento adicional.
La simulación convierte una previsión de congestión en euros y puntos de NPS antes de actuar. El equipo no necesita calcular la exposición a penalizaciones manualmente para cada zona.
Twin
5. Acción recomendada
Activar reasignación de capacidad desde BCN-EST-02 el jueves a las 17:00 · Configurar regla de derivación de tráfico para la ventana 20:00–22:00 · Alertar a los gestores de cuenta de los 12 clientes empresariales: comunicación proactiva de SLA para el viernes · Incluir BCN-EST-04 en la revisión de aprovisionamiento permanente del Q3
La comunicación proactiva a los clientes empresariales es tan importante como la acción técnica: un cliente que sabe que su operador ha anticipado y gestionado el problema tiene mejor percepción que uno que sufre la degradación sin aviso.
ActionPDF

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