En este tutorial, creamos un agente de abandono preventivo completamente funcional que identifica proactivamente a los usuarios en riesgo y redacta correos electrónicos personalizados para volver a interactuar antes de que cancelen. En lugar de esperar a que se produzca la deserción, diseñamos un ciclo de agencia en el que observamos la inactividad del usuario, analizamos patrones de comportamiento, elaboramos estrategias de incentivos y generamos borradores de correo electrónico listos para humanos utilizando Gemini. Orquestamos todo el proceso paso a paso, asegurando que cada componente, desde la simulación de datos hasta la aprobación del gerente, funcione perfectamente en conjunto. Consulta los CÓDIGOS COMPLETOS aquí.
Configuramos nuestro entorno, importamos todas las bibliotecas necesarias y nos aseguramos de que Gemini esté disponible para su uso. Mantenemos la inicialización al mínimo para que el resto del sistema se cargue limpiamente. Mientras lo ejecutamos, preparamos las bases para el flujo de trabajo impulsado por agentes que sigue. Consulta los CÓDIGOS COMPLETOS aquí.
{“id”: “U001”, “name”: “Sarah Connor”, “plan”: “Enterprise”,
“last_login_days_ago”: 2, “top_features”: [“Reports”, “Admin Panel”]”total_spend”: 5000}, {“id”: “U002”, “name”: “John Smith”, “plan”: “Básico”, “last_login_days_ago”: 25, “top_features”: [“Image Editor”]”total_spend”: 50}, {“id”: “U003”, “name”: “Emily Chen”, “plan”: “Pro”, “last_login_days_ago”: 16, “top_features”: [“API Access”, “Data Export”]”total_spend”: 1200}, {“id”: “U004”, “name”: “Marco Aurelio”, “plan”: “Enterprise”, “last_login_days_ago”: 45, “top_features”: [“Team Management”]”total_spend”: 8000} ]devolver perfiles def fetch_at_risk_users(self, umbral_days=14) -> Lista[Dict]: devolver [u for u in self.users if u[‘last_login_days_ago’] >= umbral_días]
Configuramos la autenticación para Gemini y construimos una base de datos de clientes simulada que se comporta como un sistema real. Simulamos usuarios con distintos niveles de inactividad para generar escenarios realistas de abandono. Consulta los CÓDIGOS COMPLETOS aquí.
Construimos el núcleo analítico de nuestro agente de abandono para evaluar el comportamiento del usuario y seleccionar estrategias de recuperación. Dejamos que Gemini interprete señales, como inactividad y patrones de uso, para determinar riesgos e incentivos. Consulta los CÓDIGOS COMPLETOS aquí.
Generamos correos electrónicos de reactivación personalizados basados en el resultado de la estrategia del paso anterior. Usamos Gemini para elaborar mensajes concisos y empáticos que se alineen con el historial de cada usuario. Consulta los CÓDIGOS COMPLETOS aquí.
Simulamos un panel de administrador donde la supervisión humana aprueba o rechaza el correo electrónico redactado. Mantenemos el flujo simple pero realista, asegurando que las acciones del agente permanezcan alineadas con el juicio humano. Consulta los CÓDIGOS COMPLETOS aquí.
Orquestamos todo el sistema: escaneamos en busca de usuarios en riesgo, los analizamos, redactamos mensajes y enviamos todo para su aprobación. Reunimos todos los componentes en un bucle continuo.
En conclusión, hemos completado un proceso de prevención de abandono que observa, razona, redacta e involucra a un revisor humano antes de actuar. Observamos al agente detectar patrones de riesgo, diseñar estrategias personalizadas y generar correos electrónicos profesionales, todo mientras mantenemos la supervisión humana para las decisiones finales. Esta implementación demuestra cómo los flujos de trabajo agentes pueden transformar las operaciones de éxito de los clientes al permitir intervenciones oportunas, personalizadas y escalables. Ahora tenemos una base modular que podemos ampliar aún más, conectándola a bases de datos reales, CRM, paneles web o sistemas de automatización, para construir un motor de prevención de abandono verdaderamente listo para producción.
Consulta los CÓDIGOS COMPLETOS aquí. Además, no dude en seguirnos en Twitter y no olvide unirse a nuestro SubReddit de más de 100.000 ML y suscribirse a nuestro boletín. ¡Esperar! estas en telegrama? Ahora también puedes unirte a nosotros en Telegram.
Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como empresario e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.