Captura de datos contextual gamificada + alimentación del tensor de interacciones
Las encuestas de satisfacción tradicionales tienen una tasa de respuesta inferior al 2%. Los clientes las perciben como una tarea, no como un beneficio. Las ignoran, las cierran, o las llenan rápidamente sin pensar. El resultado: datos pobres, sesgados hacia los extremos (solo responden los muy molestos o los fanáticos), e inútiles para modelos predictivos.
Pero FIDELYA necesita datos experienciales ricos para alimentar sus modelos de IA — específicamente, la dimensión de satisfacción del tensor de interacciones que construye Benjamin.
Insight clave: Ya tenemos el 80% de los datos de cada sesión (productos, tiempo, mesa, acompañantes, votos de música, puntos, badges). Solo necesitamos capturar la capa experiencial — cómo se sintió el cliente respecto a lo que ya sabemos que hizo.
Un recap de sesión estilo Spotify Wrapped que captura micro-feedback a través de interacciones de un solo tap. El cliente ve un resumen visual y divertido de su visita. FIDELYA captura datos contextuales ricos de satisfacción.
El cliente piensa: “qué genial mi resumen de visita”. No piensa: “otra encuesta más”.
Push notification automática después de que la cuenta es pagada y el cliente abandona el local (detectado por cierre de sesión de mesa: TableSession.status = 'closed').
Resumen visual de la visita. Todo esto lo extraemos de datos existentes en la sesión:
Propósito: engagement hook. El cliente se engancha con su resumen antes de dar feedback.
Cada pregunta es contextual: solo aparece si los datos de sesión la hacen relevante. Nunca preguntas genéricas.
Recompensa inmediata + segmentación automática + canal de marketing orgánico.
Cada interacción del usuario en “Tu Visita” tiene un propósito dual: la capa visible (experiencia del cliente) y la capa invisible (alimentación de modelos).
| Lo que ve el cliente | Lo que captura FIDELYA | Lo que alimenta |
|---|---|---|
| Reacción al producto (🔥/👍/😐) | Score de satisfacción por producto por cliente | Motor de recomendación, tensor[cliente×producto] |
| “¿Lo pedirías de nuevo?” | Intención de recompra | Predicción de demanda, optimización de menú |
| Percepción de tiempo de espera | Índice de calidad de servicio (ratio percepción/realidad) | Performance de staff, optimización de cocina |
| Calificación del mesero | Performance por empleado por turno/tipo de mesa | Gestión de equipo, scheduling |
| Satisfacción con la música | Correlación música-satisfacción | Optimización de playlist, tensor[música×satisfacción×tiempo] |
| Experiencia de mesa compartida | Satisfacción grupal → predice si el grupo vuelve junto | Modelo de retención social |
| Feedback de match/networking | Calidad de engagement social | Optimización de FideLove/networking |
| Arquetipo de visita | Segmentación automática de cliente | Targeting de campañas, personalización |
Percepción vs Realidad — Esta es la métrica más valiosa del sistema. Si 18 minutos se sienten “rápido”, el servicio es excelente. Si 12 minutos se sienten “lento”, hay un problema de expectativas. Ningún competidor puede medir esto porque no tienen los datos de sesión reales para contrastar.
El modelo de tensor de Benjamin actualmente opera en 6 dimensiones. El sistema de feedback agrega la séptima: Experiencia (satisfacción).
i, jadyacencia entre nodos del grafo (usuarios, productos, mesas)ktipo de conexión ∈ {Match, Mesas, Productos, Música, Networking, Dinero, Experiencia}ttiempo continuo (4ta dimensión, grafo dinámico)k representa una relación distinta, cada slice t un instante. La dinámica completa se captura sin recalcular desde cero: descomposición incremental — cuando llega una nueva interacción, solo se actualiza el delta ∂A/∂t en lugar de recomputar el tensor entero. Este diseño habilita operación en producción a escala.
El tensor no es una abstracción matemática inerte. Es una topología viva que se puede expandir (ver sus k capas como grafos separados) o comprimir (colapsarlas en un solo punto de información densa). Cada capa es un grafo con sus propias aristas; cada cliente es un nodo que existe simultáneamente en las 7 capas. Abajo, el tensor se respira: expande, vive, comprime, reconfigura.
Por qué importa. Cuando el tensor se expande, podemos correr 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 podemos hacer 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 del modelo: 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. El color y grosor de cada arista reflejan la dimensión de satisfacción capturada por el feedback.
♥ arcos rosa — matches FideLove · línea punteada roja — dislike en música · arco azul punteado bajo las mesas — networking cross-mesa. El color y grosor de aristas a productos codifican satisfacción.
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 no se 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. Hover para leer valores exactos.
Lectura: la dimensión Experiencia salta en la semana 8 — cuando se activó FIDELYA y comenzó la captura de feedback contextual. A partir de ahí, el sistema aprende y la curva de satisfacción se estabiliza alto. La dimensión Match crece exponencialmente (red social emerge); Dinero sube correlacionado con satisfacción. Todas las dimensiones se alimentan mutuamente — así opera el tensor.
El tensor 7D alimenta un pipeline de 4 algoritmos que se potencian entre sí. Cada uno extrae señales distintas; combinados, habilitan inteligencia que ningún competidor puede replicar.
Datos sintéticos pero estructuralmente realistas. Cada visualización muestra el output real de cada algoritmo operando sobre el tensor 7D. Hover para explorar.
Los nodos más grandes son quienes más veces aparecen en caminos cortos del grafo social. Son los puentes entre subcomunidades. Aquí C4 y C7 concentran el 42% del flujo informacional — targetearlos propaga una campaña al cluster entero.
Descomposición CP del tensor en 3 factores latentes que explican el 82% de la varianza. Factor 1 = patrón “grupo nocturno cóctel”, Factor 2 = “pareja weekend cena”, Factor 3 = “solitario café matinal”. Cada uno define un segmento oculto.
El modelo entrena con slices temporales del tensor. Observa satisfacción histórica (verde) y predice próximas visitas con intervalo de confianza del 95%. Cuando cruza la línea roja — se dispara una intervención AURA.
Cada punto es un cliente en el espacio de embeddings. Clientes similares quedan cercanos aunque nunca hayan interactuado. K-Means descubre 4 clusters naturales: VIPs, Casuales, En riesgo y Fieles. Un nuevo cliente se ubica automáticamente.
Conexión crítica: Sin la dimensión de experiencia, los modelos pueden predecir comportamiento pero no sentimiento. Un cliente puede seguir viniendo pero con satisfacción decreciente — ese es exactamente el patrón pre-churn que los sistemas tradicionales no detectan.
FIDELYA no es software de fidelización. Es un instrumento científico que mide la dinámica de sistemas sociales reales. Cada local es un sistema termodinámico abierto donde clientes, productos y experiencias interactúan. Esta sección muestra la matemática detrás y cómo se convierte en impacto social.
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.
Detectar los hubs tempranamente permite intervenciones con máxima eficacia: una campaña de salud pública a los top 5% de hubs alcanza al 60% de la población. Lo mismo para prevención de aislamiento o difusión de buenas prácticas.
Cada sesión aporta una cantidad medible de información al sistema. 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. El tensor se enriquece diferencialmente según la entropía agregada.
Sesiones de alta entropía social (encuentros nuevos, grupos diversos) son el sustrato del tejido comunitario. FIDELYA puede inducir activamente esos encuentros vía matchmaking consensuado, potenciando la cohesión de barrios y comunidades.
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, el R0 efectivo se maximiza.
Propagación dirigida de comportamientos saludables: consumo responsable de alcohol, campañas de salud mental, apoyo al comercio local. En lugar de publicidad masiva, intervención quirúrgica en los nodos correctos.
El tensor 7D permite reconstruir el grafo causal dirigido acíclico (DAG) entre variables. Usando do-calculus de Pearl, distinguimos 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.
Políticas públicas con base causal empírica: en lugar de intuir, medimos qué intervenciones realmente causan cohesión barrial, qué condiciones causan aislamiento, qué factores causan que una comunidad local prospere.
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 aislamiento social, semanas antes que cualquier otro indicador clínico.
Detección temprana de aislamiento y soledad en población adulta y joven. OMS declaró la soledad emergencia de salud pública en 2023. FIDELYA puede alertar (con consentimiento) a servicios de soporte, o simplemente activar matchmaking local. Intervención humana, no algoritmo automático.
La tesis de fondo. La misma matemática que predice churn sirve para detectar aislamiento. Los mismos modelos que hacen marketing más eficiente pueden propagar salud pública. La infraestructura que mide comercio cotidiano es, al mismo tiempo, un instrumento de medición del tejido social más preciso que cualquier encuesta. FIDELYA es ambas cosas — y esa dualidad es lo que la hace defendible científica, comercial y éticamente.
Calibración de incentivos: 25 puntos está calibrado para ser suficiente motivación sin inflar la economía de lealtad. Es aproximadamente un 15% del earning promedio por sesión — significativo pero no distorsivo.
SessionFeedback en MongoDBTableSession.status = 'closed'sessionId, tableId, productos, acompañantes/feedback/:sessionId| # | Barrera competitiva | Por qué es inaccesible |
|---|---|---|
| 1 | Datos a nivel de sesión | No saben quién estuvo en qué mesa ni qué pidieron juntos |
| 2 | Grafo social | No tienen datos de match, networking, ni grupos |
| 3 | Interacción musical | No tienen votos de música ni correlación con satisfacción |
| 4 | Modelo tensorial unificado | No combinan todo en un solo tensor multidimensional |
| 5 | Feedback como feature | El feedback se siente como un recap, no como una encuesta |