Cómo construir un agente proactivo preventivo de abandono con observación inteligente y formación de estrategias

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.

importar sistema operativo importar hora importar json importar aleatorio desde fecha y hora importar fecha y hora, diferencia de tiempo al escribir importar lista, dictado, cualquier ajuste de texto de importación intente: importar google.generativeai como genai excepto ImportError:!pip install -q -U google-generativeai importar google.generativeai como genai desde google.colab importar datos de usuario importar getpass

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.

def setup_gemini(): print(“— 🔐 Comprobación de seguridad —“) intente: api_key = userdata.get(‘GEMINI_API_KEY’) excepto: print(“Ingrese su clave API de Google Gemini:”) api_key = getpass.getpass(“Clave API: “) si no api_key: rise ValueError(“Se requiere la clave API para ejecutar el agente.”) genai.configure(api_key=api_key) return genai.GenerativeModel(‘gemini-2.5-flash’) clase MockCustomerDB: def __init__(self): self.today = datetime.now() self.users = self._generate_mock_users() def _generate_mock_users(self) -> Lista[Dict]: perfiles = [
{“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.

clase ChurnPreventionAgent: def __init__(self, modelo): self.model = modelo def analyse_and_strategize(self, usuario: Dict) -> Dict: print(f” … 🧠 Analizando estrategia para {usuario[‘name’]}…”) Prompt = f””” Usted es un especialista en inteligencia artificial para el éxito del cliente. Analice este perfil de usuario y determine la mejor ‘estrategia de recuperación’. PERFIL DE USUARIO: – Nombre: {usuario[‘name’]} – Plan: {usuario[‘plan’]} – Días inactivos: {usuario[‘last_login_days_ago’]} – Funciones favoritas: {‘, ‘.join(usuario[‘top_features’])} – Gasto total: ${usuario[‘total_spend’]} TAREA: 1. Determinar la ‘Probabilidad de abandono’ (Media/Alta/Crítica). 2. Seleccione un INCENTIVO específico. 3. Explique su razonamiento brevemente. FORMATO DE SALIDA: {{ “risk_level”: “Alto”, “incentive_type”: “Incentivo específico”, “razonamiento”: “Explicación de una oración”. }} “”” intentar: respuesta = self.model.generate_content(prompt) clean_json = respuesta.text.replace(““`json”, “”).replace(““`”, “”).strip() return json.loads(clean_json) excepto Excepción como e: return { “risk_level”: “Unknown”, “incentive_type”: “General Check-in”, “reasoning”: f”El análisis falló: {cadena(e)}” }

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.

def draft_engagement_email(self, usuario: Dict, estrategia: Dict) -> str: print(f”… ✍️ Redacción de correo electrónico para {usuario[‘name’]} usando ‘{estrategia[‘incentive_type’]}’…”) Prompt = f””” Escriba un correo electrónico breve, empático y profesional para volver a interactuar. PARA: {usuario[‘name’]} CONTEXTO: No han iniciado sesión para {usuario[‘last_login_days_ago’]} días. ESTRATEGIA: {estrategia[‘incentive_type’]} RAZONAMIENTO: {estrategia[‘reasoning’]} HISTORIAL DE USUARIO: Les encanta {‘, ‘.join(usuario[‘top_features’])}. TONO: Útil y conciso. “”” respuesta = self.model.generate_content(prompt) devolver respuesta.texto

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.

class ManagerDashboard: def review_draft(self, nombre_usuario, estrategia, borrador_texto): print(“\n” + “=”*60) print(f”🚨 REVISIÓN REQUERIDA: Nueva interacción para {nombre_usuario}”) print(f”🎯 Estrategia: {estrategia[‘incentive_type’]}”) print(f”📝 Nivel de riesgo: {estrategia[‘risk_level’]}”) print(“-” * 60) print(“📨 BORRADOR DE CORREO ELECTRÓNICO:\n”) print(textwrap.indent(draft_text, ‘ ‘)) print(“-” * 60) print(“\n[Auto-Simulation] Gerente revisando…”) time.sleep(1.5) si estrategia[‘risk_level’] == “Crítico”: print(“✅ DECISIÓN DEL ADMINISTRADOR: Aprobado (Envío prioritario)”) return True else: print(“✅ DECISIÓN DEL ADMINISTRADOR: Aprobado”) return True

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.

def main(): print(“Inicializando el sistema Agentic…”) try: model = setup_gemini() db = MockCustomerDB() agente = ChurnPreventionAgent(model) manager = ManagerDashboard() excepto Excepción como e: print(f”Error en la configuración: {e}”) return print(“\n🔍 ESTADO DEL AGENTE: Escaneando la base de datos en busca de usuarios inactivos (>14 días)…”) at_risk_users = db.fetch_at_risk_users(threshold_days=14) print(f”Encontrados {len(at_risk_users)} usuarios en riesgo.\n”) para el usuario en at_risk_users: print(f”— Caso de procesamiento: {usuario[‘id’]} ({usuario[‘name’]}) —“) estrategia = agente.analyze_and_strategize(usuario) email_draft = agente.draft_engagement_email(usuario, estrategia) aprobado = manager.review_draft(usuario[‘name’]estrategia, email_draft) si se aprueba: print(f”🚀 ACCIÓN: Correo electrónico en cola para enviar a {usuario[‘name’]}.”) else: print(f”🛑 ACCIÓN: Correo electrónico rechazado.”) print(“\n”) time.sleep(1) if __name__ == “__main__”: main()

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.