Segmentación segmentada

Segmentado

La orientación segmentada es un enfoque sistémico para elegir quién, qué, cuándo y a través de qué canal mostrar, apoyándose en datos de comportamiento, valor y riesgos. Objetivo: maximizar el efecto incremental (ingreso/retención), minimizando daños y gastos.

1) Objetivos y niveles de segmentación

Objetivos: activación, monetización, retención, re-activación, cross-sell, RG/compliance-intervención.

• Demografía/geo/dispositivo (básico).
• Comportamiento/RFM (recency, frequency, monetary).
• Valor (LTV/marginalidad).
• Inclinaciones (propensidad al evento: depósito, compra, churn).
• Uplift/sensibilidad (probabilidad de ganancia por contacto).
• Granularidad: marca × país × plataforma × canal × categoría de contenido - concuerda con el volumen de tráfico y el presupuesto.

2) Datos y signos

Eventos: visitas, clics, inscripciones, juegos/apuestas, depósitos/compras, respuestas a campañas.
Contexto: calendario (vacaciones/partidos/salarios), canal de atracción, versión de la aplicación, precios/límites.
Identidades: usuario/dispositivo/IDFA/teléfono/e-mail; puentes de identidad.
Fichas: ventanas RFM (7/30/90), variedad de contenido, hora/día de la semana, ARPPU/frecuencia, respuestas de push/e-mail.
Calidad: idempotencia de eventos, dedoup/antibot, almacenamiento TZ = UTC + vistas locales.

3) Métodos de segmentación

3. 1 Reglas (rule-based)

Pros: explicabilidad, rapidez, fail-safe.
Contras: fragilidad, optimismos locales.
Ejemplo: «principiantes, sin segunda visita 48h, iOS móviles».

3. 2 Cohorte-comportamiento (RFM/patrones)

Clases de «frescura × frecuencia × ingresos».
Agregue clústeres de comportamiento: sus categorías favoritas/ranuras de tiempo.

3. 3 Agrupaciones/embarques

k-means/DBSCAN/mezclas de Gauss según métricas de comportamiento normalizadas.
Embeddings de contenido/usuarios (factorización matrix) → clústeres de «intereses».

3. 4 Inclinaciones (propensity/score-based)

Modelos de probabilidad de evento: depósito, visita repetida, apsale; los umbrales son del valor de los errores.

3. 5 Uplift/sensibilidad

Modelos de ganancia por contacto (T-learner, Uplift trees/GBM).
Зоны: Persuadables / Sure things / Do-not-disturb / Lost causes.
La orientación uplift da el mayor incremento con los mismos presupuestos.

4) Diseño de políticas de orientación

Tabla de decisión (esbozo)

Histéresis: los umbrales de entrada/salida varían para no «parpadear».
Cuotas/rate-limit: por usuario/canal/segmento; políticas conflictivas - prioridad «seguridad → economía → UX».

5) Experimentación y evaluación causal

Pruebas A/B/Multi-Marco: para segmentos/políticas/creativas; planificar MDE, duración, estratificación.
Cuasiexperimentos: DiD/control sintético en escaparates regionales.
Estimación: ingresos/retenciones incrementales, uplift @ k, Qini/AUUC, ROMI, guardrails (quejas, RG).
Budget-pacing: distribución del presupuesto por segmentos por retorno de margen esperado.

6) Canales y orquestación

Canales: in-app, push, e-mail, SMS, llamadas, módulos de onsite, escaparates personalizados.
Orquestador: entrega garantizada, retrai/backoff, idempotencia 'action _ id', DLQ, prioridades, ventana de 'reloj tranquilo'.
Contenido/creativos: biblioteca de plantillas, A/B para creativos, caps de frecuencia.

7) Métricas y monitoreo

Procesos: cobertura de segmento, latency (Decision→Action), entrega, frecuencia de contacto.
Efecto: aumento de ingresos/retención, ROMI, uplift @ k, Qini/AUUC, NNT (cuántos contactos por 1 resultado).
Riesgos: quejas/cancelaciones/banderas de spam, indicadores RG, fairness (diferencia de efectos/errores por grupo).
Deriva: PSI/KL por fichas clave de segmentación, proporción de usuarios «nuevos» fuera de clústeres conocidos.

8) Relación con el valor y los riesgos

Pesaje LTV: priorice los segmentos en función del valor esperado, no en función de la conversión «desnuda».

[
EV = p_{\text{uspekh	} }\cdot\text {Valor} -\text {Costo} - p_{\text{vred}}\cdot\text{Harm}
]

Póngase en contacto si EV ≥ 0 y guardrails son normales.
Responsabilidad: RG/cumplimiento tiene prioridad; La explicación de la decisión es obligatoria.

9) Pasaportes de segmentos y campañas (templates)

Pasaporte de segmento

Código: 'AMB _ RFM _ R0-7 _ F1-2 _ M0 _ Q3'

Definición y receta de fichas (ventanas 7/30/90, filtros antibot/frod)

Tamaño/actualización/frescura; intersección con otros segmentos

Riesgos y excepciones (RG/cumplimiento), propietario, versión

Pasaporte de campaña

Objetivo y KPI (Rentas/Retenciones incrementales, ROMI)

Segmento/Canales/Creativos/Caps de Frecuencia

Diseño de evaluación (A/B o cuasiexperimento), duración, MDE

Guardrails: zhaloby≤Kh, RG- flagi≤U, latency≤Z

Plan de retroceso y rúnibuc de incidentes

10) Pseudo-SQL/recetas

Segmentación RFM (sketch)

sql
WITH acts AS (
SELECT user_id,
MAX(ts)                  AS last_act,
COUNT() FILTER (WHERE ts > NOW()-INTERVAL '30 day') AS freq_30d,
SUM(amount) FILTER (WHERE ts > NOW()-INTERVAL '90 day') AS money_90d
FROM user_activity LEFT JOIN payments USING(user_id)
GROUP BY 1
),
rfm AS (
SELECT user_id,
DATE_PART('day', NOW() - last_act) AS recency_days,
freq_30d,
money_90d
FROM acts
)
SELECT,
CASE WHEN recency_days<=7 THEN 'R0-7'
WHEN recency_days<=30 THEN 'R8-30' ELSE 'R31+' END AS R_bucket,
CASE WHEN freq_30d>=10 THEN 'F10+'
WHEN freq_30d>=3 THEN 'F3-9' ELSE 'F0-2' END    AS F_bucket,
CASE WHEN money_90d>=200 THEN 'M200+'
WHEN money_90d>=50 THEN 'M50-199' ELSE 'M0-49' END AS M_bucket
FROM rfm;

Propensión al depósito (slice train, sin fugas)

sql
-- label: deposit in next 7 days
WITH snap AS (SELECT DATE_TRUNC('day',:cut) AS cut),
feat AS (... your RFM/behavioral features with condition ts <= cut...),
label AS (
SELECT u. user_id,
CASE WHEN EXISTS (
SELECT 1 FROM payments p
WHERE p. user_id=u. user_id
AND p. ts > cut AND p. ts <= cut + INTERVAL '7 day'
) THEN 1 ELSE 0 END AS dep_next_7d
FROM users u CROSS JOIN snap
)
SELECT FROM feat JOIN label USING(user_id);

11) Fairness, privacidad y ética

Minimización PII: tokenización de ID, RLS/CLS, enmascaramiento.
Fairness: compruebe las diferencias de efectos/errores entre los grupos sensibles; excluir los signos no válidos.
Transparencia: razones de orientación (top-features/reglas) - disponible para el sapport; la vía de apelación.
Las gotas de frecuencia y los «relojes silenciosos» son contra la fatiga y el daño al usuario.

12) Anti-patrones

Segmentos «para la belleza» sin un aumento medible.
Evaluación por correlación y no por incremento (no A/B/DiD).
Muchos segmentos superpuestos → actividades conflictivas y spam.
Soluciones de umbral sin histéresis → «parpadeo» de contactos.
Falta de guardrails (RG/quejas/frecuencia) y explicabilidad.
Sin un orquestador en línea - los contactos llegan tarde, el efecto se pierde.

13) Lista de comprobación de inicio de segmentación de segmentación

• Se han definido los objetivos, los KPI y el presupuesto; nivel de granularidad acordado
• Esquemas de datos y recetas de fichas PIT; filtros antibot/frod incluidos
• Los segmentos son descritos por pasaportes; la matriz de conflicto y las prioridades establecidas
• Método seleccionado (reglas/clustering/propensity/uplift) y diseño de evaluación
• Las tablas de decisión, histéresis, caps y rate-limit están personalizadas
• Orquestador y canales con idempotencia y DLQ; «horas tranquilas»
• Monitoreo: efecto (uplift/ROMI), riesgos (quejas/RG), deriva fich
• Documentación: versiones de segmentos/políticas, propietarios, runbooks

El targeting segmentado no es un conjunto de «atajos» en CRM, sino un sistema manejable: datos y signos cualitativos → segmentos significativos (valor/comportamiento/sensibilidad) → políticas con histéresis y guardrails → evaluación causal del incremento → orquestador estable y monitoreo. Este sistema mejora ROMI y LTV al reducir las quejas y los riesgos, y hace que cada toque sea apropiado, oportuno y ético.