Caso de uso: predice las mejoras de suscripción con una segmentación más inteligente

Este ejemplo muestra cómo una marca ficticia utiliza Braze Predictive Events para definir los resultados que son importantes para su negocio, como la actualización a una suscripción profesional, y crear estrategias específicas que mejoren los resultados.

Supongamos que Jordan es estratega de ciclo de vida en Steppington, una aplicación de salud y fitness con niveles gratuitos y de pago. El equipo de Jordan tiene el objetivo de aumentar las actualizaciones al plan Pro sin bombardear a toda su base de usuarios gratuitos con mensajes de descuento. Actualmente, envían una promoción de «Prueba Pro con un 50 % de descuento» a todos los usuarios del nivel gratuito después de siete días. Aunque genera algunas conversiones (alrededor del 5 % en 7 días), también da lugar a un alcance excesivo, incluyendo descuentos para usuarios que probablemente hubieran actualizado de todos modos.

Para mejorar la segmentación y reducir la fatiga de la mensajería, Jordan utiliza Predictive Events para modelar la probabilidad de que un usuario se actualice a Pro en los próximos 7 días. Define un evento personalizado: upgraded_to_pro, y luego lo utiliza para entrenar un modelo de predicción y segmentar a los usuarios en grupos inteligentes y orientados a la acción.

Este tutorial explica cómo Jordan creó:

• Un modelo de predicción para upgraded_to_pro en un plazo de 7 días
• Segments que ayudan a aumentar las conversiones y a enviar menos mensajes en total

Paso 1: Crear un modelo de predicción para las actualizaciones

Jordan comienza definiendo el resultado más importante para su estrategia de actualización: que un usuario pase del nivel gratuito al Pro. En lugar de basarse en desencadenantes genéricos como «tiempo desde el registro», quiere pronosticar qué usuarios son realmente propensos a convertirse. De esta manera, su equipo puede actuar basándose en señales reales, no solo en suposiciones.

1. En el panel de Braze, Jordan va a Analytics > Predictive Events.
2. Crea una nueva predicción de evento y la llama «Actualización a Pro en 7 días».
3. Como evento de destino, selecciona su evento personalizado: upgraded_to_pro.
4. Jordan establece el periodo de predicción en 7 días, configura un calendario de actualizaciones y crea la predicción.

Paso 2: Segmentar a los usuarios en función de la probabilidad de actualización

Una vez completado el entrenamiento, Braze asigna una puntuación de probabilidad de evento (0-100) a cada usuario elegible. Jordan utiliza esta puntuación para crear Segments procesables: uno para usuarios con alta intención que quizá no necesiten un descuento, y otro para usuarios que probablemente no se conviertan sin ayuda.

1. Jordan navega hasta Segments en Braze.
2. Crea dos Segments utilizando el filtro de puntuación de probabilidad de evento y selecciona la predicción que ha creado. Los dos Segments son:
   • Probabilidad de actualización: Puntuación superior a 70
   • Necesita un empujón para actualizarse: Puntuación superior a 40 e inferior a 70

Consejo

Los filtros predictivos se pueden combinar con cualquier otro atributo o comportamiento de los usuarios. Jordan tiene previsto perfeccionar aún más estos Segments en función de los intereses de los usuarios, por ejemplo, dando prioridad a los usuarios que utilizan con frecuencia las características de seguimiento de la actividad física. Esto le permite segmentar con mayor precisión cuatro subgrupos, adaptando el contenido y la mensajería a las necesidades de cada usuario.

Paso 3: Personalizar la mensajería según el nivel de intención

Ahora que Jordan tiene señales claras de intención de actualización, y subgrupos refinados basados en el comportamiento de los usuarios, crea una estrategia de mensajería que se adapta a las necesidades de cada usuario. Se acabaron los mensajes genéricos para todos.

Elige el correo electrónico como canal principal para esta Campaign. ¿Por qué? Porque Jordan quiere explicar el valor de Pro a los usuarios con alta intención y presentar argumentos convincentes a los usuarios más indecisos, lo que requiere espacio, elementos visuales y una llamada a la acción contundente. El correo electrónico le ofrece la flexibilidad necesaria para hacerlo bien sin presionar a los usuarios y le permite realizar el seguimiento del rendimiento a través del comportamiento de los clics.

Jordan crea un Canvas que divide la experiencia en función de los Segments que acaba de crear. Añade un paso de rutas de audiencia para dirigirse a:

• Usuarios con alta intención, centrados en el fitness
• Alta intención, otros usuarios
• Usuarios con baja intención, centrados en el fitness
• Baja intención, otros usuarios

También configura el evento de conversión de Canvas como el evento personalizado upgraded_to_pro, de modo que Braze realiza el seguimiento automático de las conversiones de actualización a medida que los usuarios avanzan en el flujo.

Ejemplos de mensajes por ruta

• high intent, fitness
• high intent, other
• low intent, fitness
• low intent, other

Paso 4: Medir los resultados y optimizar tu estrategia

Una vez finalizada la Campaign, Jordan revisa el rendimiento en Canvas Analytics para comprender qué tan bien funcionaron las rutas personalizadas y si la combinación de la intención predictiva con las señales de comportamiento mejoró las tasas de actualización.

Rendimiento del correo electrónico por ruta:

• Alta intención, fitness
  • Tasa de apertura: 34 %
  • Tasa de clics: 20 %
  • Tasa de conversión: 13 %
  • No se ha aplicado ningún descuento
• Alta intención, otros
  • Tasa de apertura: 30 %
  • Tasa de clics: 17 %
  • Tasa de conversión: 11 %
  • No se ha aplicado ningún descuento
• Baja intención, fitness
  • Tasa de apertura: 27 %
  • Tasa de clics: 12 %
  • Tasa de conversión: 8 %
  • Oferta del 50 % de descuento incluida
• Baja intención, otros
  • Tasa de apertura: 23 %
  • Tasa de clics: 9 %
  • Tasa de conversión: 6 %
  • Oferta del 50 % de descuento incluida

En comparación con la Campaign anterior del equipo, que era igual para todos (en la que un descuento general después de 7 días solo generó un 5 % de conversiones y un exceso de mensajes), el enfoque segmentado muestra un aumento significativo en todos los grupos, con una mayor eficiencia y menos descuentos innecesarios.

El informe de embudo también muestra una clara reducción en el abandono en los pasos clave, especialmente en el caso de los usuarios con baja intención que recibieron mensajes personalizados. Cada vez más usuarios abren, hacen clic y actualizan, lo que demuestra el valor de la segmentación basada en la intención.

Jordan utiliza esta información para:

• Explorar pruebas A/B en las líneas del asunto y la redacción de las llamadas a la acción (CTA)
• Reevaluar el umbral de descuento para los usuarios con intención media
• Continuar perfeccionando los Segments basándose en comportamientos adicionales, como las visualizaciones de contenido o el uso de las características de la aplicación

Gracias a Predictive Events y a la segmentación por capas, su equipo cuenta ahora con una estrategia escalable que adapta la mensajería en función de la intención y el comportamiento de los usuarios, lo que impulsa más actualizaciones y preserva la confianza en la marca.