Relación y Afinidad convierte una base de clientes en una red que puedes analizar y sobre la que puedes actuar.
Un subcomponente de la capa de abstracción basado en una premisa simple: un cliente no es un átomo, sino un nodo en una red de relaciones, y el valor reside en las aristas. En el lado de los miembros, calcula un grafo de relaciones real cuyos nodos son miembros con identidad definida y cuyas aristas son enlaces multivariados: referencias convertidas, vínculos entre embajadores y clientes, y posibles hogares. Analiza la estructura de ese grafo (comunidades, nodos centrales y miembros aislados) para que las estrategias se puedan seleccionar según su rol estructural. En el lado de los productos, deriva la afinidad a partir de cestas de compra reales: qué productos se compran juntos y a qué categorías se inclina un miembro. El alcance, los hogares, las recomendaciones y las estrategias de referencia se basan en esas conexiones reales, en lugar de suposiciones.
Trata a los clientes como nodos en una red, no como individuos aislados: un gráfico de miembros de múltiples tipos con referencias reales, vínculos con embajadores y posibles hogares, además de compras conjuntas de productos y afinidad por categoría.
Los clientes son nodos, no átomos, y el valor reside en las aristas.
La mayoría del marketing minorista valora a cada cliente como un átomo aislado, descartando lo más valioso de una base: las conexiones entre las personas que la conforman. Esta capa convierte esas aristas en reales: un grafo calculado y gobernado de miembros resueltos y las relaciones entre ellos, de modo que la retención pueda mapear la red, leer su estructura y trabajar con ella según el rol.
- Hub (alto grado de referencia)
- Miembro
- Aislado (riesgo de abandono)
- Referencia convertida
- Posible hogar
- Afinidad de cocompra
El nodo es el cliente; el borde es la relación
Cada nodo representa a un miembro del programa de fidelización con identidad verificada: una persona real que ha dado su consentimiento, no un dispositivo ni una copia. El valor del gráfico reside en las conexiones entre ellos, y cada conexión representa un tipo de relación específica y definida, en lugar de una mera similitud.
- Referencia convertida: la ventaja principal, que se extrae solo cuando una referencia realmente se registra. Es el único vínculo que alimenta la influencia del centro, por lo que sigue siendo un registro limpio del boca a boca real.
- Relación embajador-cliente: cada cliente captado por un embajador se convierte en un vínculo duradero, transformando una base de seguidores en una red navegable.
- Hogar probable: miembros que se infiere que comparten una dirección, a partir de una huella digital que preserva la privacidad y que nunca almacena el identificador original, conservada solo para grupos pequeños plausibles.
- Afinidad de productos: pares de compra conjunta (compró X, también compró Y) y la preferencia de categoría por miembro, derivada de cestas de compra reales, conectan el gráfico de usuarios con sus compras reales. La similitud estadística en sí misma (productos similares y miembros similares) se modela en detalle en la capa de Afinidad y Similitud.
Lo que los bordes permiten calcular
Una vez que las relaciones son reales y se materializan, surge una estructura, y la estructura es sobre la que puedes actuar. Un conjunto de átomos aislados no tiene nada de esto.
- Comunidades: grupos de miembros conectados (hogares, grupos de amigos, grupos locales) a los que se puede llegar con un solo mensaje, en lugar de pagar para contactarlos individualmente.
- Nodos centrales: miembros con alto grado de referencia: personas influyentes que obtuvieron la posición recomendando a otros miembros que realizaron una compra, no por el número de seguidores.
- Miembros aislados: nodos sin enlaces de referencia convertidos ni ancla social, lo que representa un riesgo desproporcionado de abandono.
- Siguiente mejor producto: recomendaciones basadas en los patrones reales de compra conjunta y por categoría del socio, en lugar de la popularidad genérica de la tienda.
Por qué esto es importante para las decisiones de IA.
Un agente que razona sobre átomos solo puede calcular la similitud con un cliente promedio que no existe. Tras analizar el gráfico, puede identificar una jugada basada en el rol estructural real de un miembro y explicar el porqué.
- Una recomendación, una solicitud de referencia o una recuperación se basan en un rol (un centro, un hogar, un patrón de compra conjunta), no en una suposición ad hoc hecha en el momento.
- Los miembros aislados se conectan en lugar de ser eliminados; se reclutan nodos; se crean comunidades: tres estrategias distintas que la vista atómica no puede diferenciar.
- Cada enlace se marca como declarado/inferido/importado con un nivel de confianza Alto/Medio/Bajo, lo que permite evaluar la fiabilidad de la relación subyacente. Los enlaces inferidos son de uso exclusivo del operador y se pueden descartar con un solo clic.
Argumentos a favor de tratar a los clientes como una red: mapear el gráfico de miembros, interpretar sus comunidades y nodos, y fomentar la lealtad mediante referencias y promoción controladas.
Así es como la capa mejora las decisiones de la IA.
Sin modelado de relaciones y afinidad, una base se valora como un conjunto de elementos aislados: las referencias y el boca a boca son invisibles y no se gestionan, los nodos centrales y los miembros aislados se tratan de la misma manera, y las recomendaciones se basan en la popularidad. Las conexiones entre miembros y entre productos se recalculan ad hoc, por lo que el alcance, los hogares, la influencia y las recomendaciones se basan en conjeturas en lugar de vínculos reales.
Una referencia se atribuye al referente exacto, y la base de seguidores de un centro es una red navegable en lugar de un número de titular que restablece cada informe.
Las estrategias se pueden definir según su función estructural: reclutar nodos, impulsar comunidades, conectar miembros aislados, en lugar de bombardear a un cliente promedio que no existe.
El alcance a nivel de hogar se puede calcular porque la relación con el hogar está integrada en el modelo, inferida a partir de una huella digital que preserva la privacidad y con intervalos de confianza.
La selección del siguiente mejor producto se basa en un patrón real de compra conjunta, no en popularidad genérica.
El valor es operativo, no sólo técnico.
El Agente puede razonar sobre quién está conectado con quién, dónde se encuentra un miembro en la red y qué se compra con qué; por lo tanto, una recomendación, una solicitud de referencia o una recuperación se basan en un rol estructural real (un centro, un hogar, un patrón de cocompra) en lugar de una similitud ad hoc calculada sobre el terreno para un individuo aislado.
Modela la base de miembros como un gráfico (los nodos son miembros resueltos por identidad, los bordes son relaciones reales convertidas) en lugar de fijar el precio de cada cliente como un átomo aislado.
Incluye tres tipos de enlaces gobernados en un gráfico: referencia convertida (la columna vertebral), embajador a cliente y probable hogar, cada uno con el sello de procedencia y una banda de confianza.
Lee la estructura, no solo los puntos: las comunidades, los hubs de alto grado (influencers naturales) y los miembros aislados (una señal de riesgo de abandono) se convierten en roles segmentables.
Determina la afinidad del producto a partir de cestas reales (pares de compra conjunta y afinidad por categoría por miembro) para encontrar el siguiente mejor producto según patrones reales, no según la popularidad genérica.
Mantiene las relaciones materializadas en el modelo, de modo que la lógica de alcance, hogar y centro se lee, no se deriva ad hoc en cada llamada.
¿De qué se encarga esta capa?
Lee pedidos y registros de referencias convertidos del almacén sin procesar; Se obtiene una ventaja solo cuando una referencia realmente se convierte, nunca por una invitación simplemente enviada o vencida.
Crea un grafo de miembros de varios tipos: enlaces de referencia, de embajador a cliente y de posible hogar, con cada enlace marcado como declarado/inferido/importado y un intervalo de confianza alto/medio/bajo.
Detecta comunidades con Propagación de Etiquetas (conservando la subestructura de centro y radios) y clasifica los centros según el grado real de referencia; los nodos aislados se consideran un conjunto de riesgo de abandono.
Genera una instantánea diaria y determinista por programa (reconstruida bajo demanda cuando está desactualizada), de modo que los mismos datos siempre producen la misma estructura.
Calcula la compra conjunta de productos y la afinidad de categorías por miembro a partir de las líneas de pedido detalladas, y expone toda esta información a la ontología y a las superficies de recomendación como resultados de modelos gobernados.