Capa de IA que predice churn, segmenta clientes, recomienda productos y lanza campañas automatizadas. La misma infraestructura mide cohesión social, detecta aislamiento temprano y habilita propagación dirigida de comportamientos saludables — herramienta comercial y instrumento científico al mismo tiempo.
La mayoría de las plataformas SaaS son pasivas: muestran dashboards y esperan que el usuario descubra el problema. FIDELYA rompe ese modelo con AURA: una capa de inteligencia artificial que actúa por su cuenta sobre los datos que genera cada visita al local.
AURA no "asiste". AURA decide y ejecuta. Identifica al cliente que está por irse, le escribe un mensaje personalizado por WhatsApp con una oferta que le va a importar, y le avisa al dueño lo que hizo. Todas las noches. Sin intervención humana.
AURA en una frase: es el cerebro autónomo que corre sobre el tensor Aijkt de FIDELYA, lee patrones que ningún humano puede procesar a esa escala, y ejecuta acciones de retención concretas — medibles en revenue recuperado.
AURA es un stack de tres capas: datos (tensor A_ijkt), inteligencia (modelos ML + LLM orquestador), ejecución (canales de salida automatizados).
Cada evento del local llena el tensor en tiempo real vía WebSocket + colas (Redis/BullMQ).
Cron job por tenant: reentrena modelos incrementales, recalcula churn scores, actualiza segmentos, detecta anomalías.
Orquestador LLM evalúa qué acciones disparar esa noche: quién recibe campaña, qué oferta, por qué canal.
Despacho multicanal. Cada mensaje personalizado con el nombre del cliente, historial y branding del local (Resend por tenant).
Cada respuesta (abrió, click, visita posterior) vuelve al tensor — AURA aprende qué funciona por segmento y por tenant.
AURA no procesa "filas de base de datos". Procesa un tensor de orden 4 dinámico — una estructura donde cada interacción existe como punto en un espacio multidimensional.
i ∈ Uusuarios (clientes, grupos)j ∈ Vlugares (locales, branches, zonas)k ∈ Mmomentos (hora, día, evento)t ∈ Ttiempo discreto (ventana temporal)Por qué un tensor y no una tabla: el comportamiento humano en un local no es una sola dimensión ("compras"). Es quién, dónde, cuándo, con qué estado emocional. Una tabla SQL aplana toda esa riqueza. Un tensor la preserva — y los modelos predictivos rinden 3–5× mejor con input tensorial que tabular.
El tensor no es una abstracción matemática inerte. Es una topología viva que AURA puede expandir (ver cada capa k como grafo separado para correr algoritmos específicos) o comprimir (colapsarlas en un solo punto denso para inferencia causal cross-capa). Cada capa es un grafo con sus propias aristas; cada cliente es un nodo que existe simultáneamente en las 7 capas.
Por qué importa para AURA. Cuando el tensor se expande, AURA corre algoritmos específicos por capa: Brandes en la capa Match para encontrar influencers, CP-decomposition sobre Productos para encontrar segmentos ocultos, LSTM en Experiencia para predecir churn. Cuando se comprime, toda la información colapsa en un único punto denso y AURA hace inferencia causal cross-capa — ¿cómo la música afectó las mesas que a su vez afectaron el networking que a su vez causó satisfacción? Expandir y comprimir es la ventaja computacional y científica: una sola estructura, infinitas proyecciones.
Así se ven las interacciones de una noche en un local: clientes compartiendo mesa, pidiendo productos, votando música. Todo converge al tensor T — input directo para los módulos de AURA. El color y grosor de cada arista reflejan la dimensión de satisfacción capturada por el feedback.
♥ arcos rosa — matches FideLove entre clientes · línea punteada roja — dislike en música · arco punteado azul bajo las mesas — networking cross-mesa. El color y grosor de aristas a productos codifican satisfacción (rojo → amarillo → verde).
C2, C5, C7 muestran satisfacción >0.85 en P3, P6, P9. Correlacionan con visitas en grupo y horarios nocturnos. Segmento VIP nocturno.C4 pasó de 0.92 a 0.61 en 4 visitas consecutivas al mismo producto. Predicción: churn en 18 días si AURA no interviene.P1 y P8 tienen satisfacción promedio >0.9 pero solo 30% de los clientes los probaron. Potencial +23% en ingresos.El tensor es dinámico: cada dimensión evoluciona en paralelo. Este gráfico muestra cómo se comporta cada una a lo largo de 16 semanas reales de operación. Las líneas punteadas al final son la predicción LSTM sobre el próximo mes.
Lectura: la dimensión Experiencia salta en la semana 8 — cuando se activó FIDELYA y comenzó la captura de feedback contextual. AURA empieza a aprender desde ahí y la curva de satisfacción se estabiliza alto. Match crece exponencialmente (red social emerge); Dinero sube correlacionado con satisfacción. Todas las dimensiones se alimentan mutuamente.
La formulación completa y la ciencia fundacional están desarrolladas en el documento de Sistema de Feedback Inteligente.
AURA no es un modelo monolítico. Es un conjunto de módulos especializados que cooperan. Cada uno resuelve un problema concreto del negocio del local.
Score de 0 a 1 por cliente: probabilidad de no volver en los próximos 30 días. Se recalcula cada noche con ventanas deslizantes de actividad. Inputs: frecuencia, recencia, ticket, feedback sentiment, estación.
Agrupa clientes por comportamiento real — no por edad/género. Segmentos como "VIP que viene solo en fin de semana" o "cliente en riesgo post-feedback negativo" emergen solos, no se definen a priori.
Decide automáticamente qué oferta, canal y momento maximiza conversión para cada cliente. El LLM genera el copy personalizado. Resend envía por tenant. Cada respuesta reentrena el bandit.
En la carta digital, cada cliente ve primero lo que probablemente le guste. Híbrido: lo que pidió antes + lo que pidieron clientes similares + lo que está trending esa noche en el local.
Cada FideLove match, cada mesa compartida, cada reseña es una arista. AURA calcula centralidad (Brandes): los conectores sociales dentro de tu local. Esos clientes valen más que su ticket — traen gente.
Cada feedback, reseña o comentario se procesa: sentiment, tópicos, severidad. AURA detecta cambios de patrón (caso piloto real: "el cambio de cocinero degradó la nota 0.4 puntos").
Predice consumo por producto, por día, por hora. Considera estacionalidad, clima, eventos locales (Lollapalooza cerca = +40% de cerveza). Alerta al admin 48h antes del quiebre de stock.
Cada módulo de AURA resuelve un problema concreto del local. Cada problema tiene una formulación matemática precisa — no es "machine learning mágico". Esta sección abre cada caja negra.
El churn no es una clasificación binaria; es una distribución temporal: ¿cuál es la probabilidad de que este cliente no vuelva antes del día t? La función de hazard λ(t|x) modela esa tasa instantánea, donde x son las covariables del cliente (recencia, frecuencia, ticket, sentiment, estación).
La curva de supervivencia Kaplan-Meier S(t) = exp(−∫λ(u)du) da a AURA la ventana exacta para intervenir. Si la probabilidad de retorno cae del 80% al 40% entre los días 12-18, la campaña debe dispararse el día 10.
AURA tiene K ofertas posibles (2×1, descuento 20%, postre gratis, etc.). No sabe cuál funciona mejor para cada segmento. El dilema exploración vs explotación se resuelve con Thompson sampling: cada oferta tiene un posterior Beta(α, β) que se actualiza con cada respuesta — convergencia bayesiana óptima.
Con ~50 envíos por segmento, AURA identifica la oferta dominante (π>0.95) sin necesitar muestras masivas ni A/B tests clásicos. Regret bound: O(log T) — pérdida esperada que decae logarítmicamente con el tiempo.
La secuencia de visitas (x1, x2, ..., xT) de un cliente es un time series heterogéneo: intervalos variables, productos distintos, feedback intermitente. LSTM maneja exactamente ese tipo de input vía sus compuertas (forget, input, output) que deciden qué recordar del pasado.
La celda de memoria Ct captura patrones como "después de 3 visitas semanales, salta 2 semanas y luego pide menos variedad" — firma temprana de disengagement. AUC 0.81 en validación cross-tenant.
El tensor bruto A ∈ ℜU×V×M×T es demasiado grande y disperso para modelos downstream. Tucker factoriza A en un tensor núcleo G (pequeño, denso) más matrices de factores U(n) — una por modo. Es PCA generalizado a dimensiones múltiples.
La factorización revela patrones latentes: “grupo de usuarios que consume pizza los miércoles entre 19-21h” aparece como una sola componente en el tensor reducido. Los modelos de churn/recommendation entrenados sobre factores Tucker rinden 3-5× mejor que sobre la tabla plana.
Cada interacción social en el local (FideLove match, mesa compartida, reseña coincidente) es una arista en un grafo G=(V,E). La betweenness centrality mide qué fracción de caminos más cortos entre todos los pares pasan por el nodo v. Algoritmo de Brandes: reduce la complejidad de O(n3) a O(nm) — es lo que hace viable calcularla en grafos de 10K+ nodos.
Los nodos con CB alta (hubs) son conectores sociales: clientes que valen más que su ticket propio porque traen gente. AURA los prioriza en campañas de referidos y en invitaciones a eventos. Una campaña al top 5% de hubs alcanza al 60% de la red por difusión.
A diferencia de k-means (que exige fijar k a priori y asume clusters esféricos), HDBSCAN descubre cuántos segmentos hay y los separa por densidad. Usa la mutual reachability distance para construir un árbol de clusters jerárquico, luego extrae el corte de máxima estabilidad.
Los segmentos emergen del comportamiento real, no de categorías pre-asignadas. Un cliente nuevo se ubica automáticamente en el cluster más cercano; los puntos fuera de cualquier cluster (ruido) son outliers que AURA marca para revisión humana.
La tesis de fondo. AURA no reinventa matemáticas. Combina seis décadas de teoría probada (Cox 1972, Tucker 1966, LSTM 1997, Brandes 2001) sobre una fundación de datos propia — el tensor Aijkt — que ningún competidor tiene. Ese es el moat: no el algoritmo, sino la data que lo alimenta.
FIDELYA no es software de fidelización. Es un instrumento científico que mide la dinámica de sistemas sociales reales. AURA opera sobre esa medición usando modelos de física estadística, teoría de redes complejas e inferencia causal. Esta sección muestra la matemática subyacente.
La distribución de grado de los clientes en el grafo social sigue una ley de potencia: pocos clientes concentran muchas conexiones (hubs), la mayoría tiene pocas. Es la firma universal de redes scale-free (Barabási-Albert, 1999) y explica por qué “preferential attachment” hace que los hubs crezcan exponencialmente.
AURA detecta los hubs tempranamente y prioriza acciones sobre ellos. Una campaña de referidos a los top 5% de hubs alcanza al 60% de la red por difusión. Tratar a todos los clientes como iguales es ignorar la estructura real del tejido social.
Cada sesión aporta una cantidad medible de información al tensor. Sesiones con grupos diversos, muchos productos distintos y feedback contextual ricos tienen alta entropía (>4 bits). Sesiones solitarias con un solo producto aportan ~1 bit.
AURA pondera diferencialmente según la entropía agregada. Las sesiones de alta entropía entrenan mejor los modelos predictivos — AURA induce activamente esas sesiones vía recomendaciones cruzadas y matchmaking, optimizando la señal que recibe.
La propagación de comportamientos en la red sigue dinámica tipo SIR (Susceptible-Infected-Recovered). Parametrizable con la topología del grafo, permite predecir con precisión qué porcentaje del cluster adoptará un comportamiento, y en cuánto tiempo.
Activando los seeders correctos, AURA maximiza el R0 efectivo de cada campaña. En lugar de publicidad masiva, intervención quirúrgica: si enviamos la oferta a los 10 nodos con mayor centralidad, el 65% del cluster la recibe por boca-a-boca en 7 días.
El tensor Aijkt permite reconstruir el grafo causal dirigido acíclico (DAG) entre variables. Usando do-calculus de Pearl, AURA distingue causalidad de correlación: la música causa satisfacción, no al revés. Composición del grupo causa duración. El grosor de cada arista es la fuerza causal estimada.
AURA no recomienda acciones basadas en correlaciones superficiales. Usa back-door adjustment para estimar el efecto causal real de cada intervención: ¿la campaña de 2x1 causó el retorno del cliente, o él iba a volver igual? Solo las intervenciones con efecto causal positivo neto sobreviven en el repertorio de AURA.
Un cliente que pasa de social a solitario deja una firma temporal detectable: grupo diverso → grupo reducido → pareja → solo. La derivada temporal de la conectividad es el marcador más temprano documentado de disengagement, semanas antes que cualquier otro indicador.
AURA vigila esa derivada en todos los clientes y dispara alerta cuando ∂C/∂t cruza un umbral negativo sostenido. Es el early warning que permite intervenir antes de que el churn sea inevitable — ventana de oro de 2-4 semanas.
La misma matemática resuelve dos problemas. Los algoritmos que predicen churn sirven para detectar aislamiento social. Los modelos que hacen marketing más eficiente pueden propagar salud pública. AURA es, al mismo tiempo, una herramienta comercial y un instrumento de medición del tejido social. Esa dualidad hace a la plataforma defendible científica, comercial y éticamente.
AURA combina algoritmos clásicos probados con arquitecturas modernas. La prioridad no es usar lo más nuevo sino lo que resuelve el problema con mínima data — porque un local nuevo tiene cero historial.
| Algoritmo | Propósito | Por qué aquí |
|---|---|---|
Cox Proportional Hazards | Churn baseline | Funciona desde el primer mes; interpretable para el dueño. |
RFM | Segmentación rápida | Recency-Frequency-Monetary como cold start antes que haya data para HDBSCAN. |
Bayesian A/B | Evaluación de campañas | Beta-Binomial con priors actualizables; no requiere p-values ni muestras gigantes. |
Thompson Sampling | Multi-armed bandit | Balancea exploración/explotación de ofertas con pocos ensayos. |
Prophet | Forecast temporal | Estacionalidades diarias/semanales/anuales más efectos de fiestas, sin tuning. |
| Modelo | Aplicación | Input / Output |
|---|---|---|
LSTM + Attention | Secuencia de visitas por cliente | Embedding por visita → probabilidad de next-visit. |
GraphSAGE | Grafo social del local | Nodo-cliente → embedding que captura su rol social. |
Item2Vec | Recomendador | Productos co-consumidos → similarity matrix. |
Sentence-BERT | Feedback & reviews | Texto → embedding → topic clustering. |
Tucker decomp | Tensor factorization | Aijkt → factores por modo para downstream tasks. |
Sobre los modelos clasicos corre un LLM (OpenAI gpt-4o o Anthropic claude-opus-4 según complejidad) que actúa como agente decisor. No genera predicciones: combina outputs de los modelos especialistas y decide: "Este cliente tiene churn score 0.78, perfil VIP, última visita hace 18 días, feedback positivo pero sintió caro el ticket — envía WhatsApp con oferta 2x1 en su cerveza favorita para el próximo jueves".
El equipo de research de FIDELYA (liderado por Benjamin) decidió empezar con el algoritmo Brandes (2001) para centralidad de intermediación en el grafo social del local. Estándar dorado de la red social science, comúnmente usado en papers de epidemiología, redes sociales y análisis organizacional.
v en los caminos más cortos entre todos los demás pares. En el contexto de FIDELYA: qué tan "conector" es un cliente dentro del tejido social del local. Ese cliente es invalorable.Cost control: 90% del cómputo usa modelos clásicos en workers propios. El LLM se invoca solo cuando hay ambiguedad o para generar copy — con prompt caching, el costo por cliente-mes está bajo $0.02.
AURA se evalúa por el impacto real en el local — no por accuracy del modelo. Si el churn model tiene 85% AUC pero no recupera clientes, no sirve.
Métricas objetivo al cierre de primer año operando con 50 locales reales.
Hay herramientas de IA para retail. Ninguna combina identidad real del cliente con contexto del local con ejecución automática. AURA está construido sobre una fundación que tardaría años en replicarse.
Nota estratégica: AURA es el multiplicador de valor de FIDELYA. Sin AURA, FIDELYA es un buen sistema de gestión. Con AURA, FIDELYA es una plataforma de inteligencia comercial autónoma — un producto en una categoría donde no hay competencia real.