Personalización en banca digital.
El feed, los banners y los push hablan distinto a cada cliente.
Personalización del feed de la app, los banners del web banking y los push según afinidad real, con frequency capping unificado y opt-out claro.
El feed igual aburre, los push fatigan
Feed genérico para todos
El feed de la app, los banners del web banking y los push son iguales para todos los usuarios sin lectura del comportamiento real.
Frecuencia sin sintonía
Algunos usuarios reciben demasiados push y se desuscriben, otros reciben pocos y se sienten ignorados por el banco.
CTR en caída
El porcentaje de clics de las campañas masivas viene cayendo trimestre a trimestre y la masividad ya no rinde.
Afinidad real con capping unificado
Unificación de comportamiento
Data Cloud junta sesiones, vistas, transacciones, preferencias declaradas, comportamiento de tarjeta y datos demográficos en el perfil.
Personalización del feed
Marketing Cloud Personalization adapta el feed y los banners según la afinidad real observada en consumo, sesiones y preferencias.
Push con frecuencia personal
Las notificaciones se segmentan con frecuencia individualizada y el frequency capping se calcula sobre el perfil unificado.
Opt-out central
El opt-out vive en el perfil del cliente y todos los canales lo respetan al activar segmentos, sin trampas ni excepciones.
Antes y después de Data Cloud
Feed por afinidad
Todos los usuarios ven el mismo feed con mensajes genéricos que no leen su comportamiento ni preferencias.
El feed se adapta a la afinidad observada en consumo, sesiones y preferencias declaradas en el alta del cliente.
Capping unificado
Cada canal aplica su propia frecuencia y el cliente se satura sin que ningún equipo se entere a tiempo.
El capping se calcula sobre el perfil unificado y respeta la tolerancia individual de cada cliente a recibir mensajes.
Opt-out respetado
El opt-out se captura en cada canal por separado y se respeta a medias entre activaciones del mismo cliente.
El opt-out vive en el perfil del cliente y todos los canales lo respetan al activar segmentos sin excepciones.
Engagement medible
El engagement se mide en agregado y no permite ver qué segmento personaliza bien y cuál se va por la borda.
Cada segmento tiene su métrica de engagement y se compara contra una variante genérica de control.
El consumo guía el mensaje
SDK nativo en la app
El SDK de eventos se migra al SDK nativo de Data Cloud, lo que unifica esos eventos con la información del backend en un solo perfil del cliente.
Categorías y horario
Growth define segmentos basados en afinidad real: categorías de consumo predominantes, hora del día con mayor actividad, tipo de transacciones más frecuentes y antigüedad como cliente.
Mensajes por consumo
Un usuario que cobra el sueldo a fin de mes y consume en supermercado y servicios ve ofertas distintas que un usuario con foco en viajes y restaurantes. El framing se ajusta al universo de cada perfil.
Bloqueo cuando se sobrepasa
La fatiga de notificaciones se calcula por usuario combinando envíos recientes, aperturas e ignored. Cuando el score supera el umbral, los envíos se bloquean por una ventana hasta que baja.
Engagement que se sostiene
Clics en feed personalizado
Aumento sostenido del porcentaje de clics en el feed personalizado frente al feed genérico de control.
Opt-out de notificaciones
Reducción importante en la tasa de opt-out de notificaciones porque la frecuencia se ajusta al cliente real.
Cross-sell in-app
Cross-sell incremental originado en personalización dentro de la app, sin gasto adicional en pauta externa.
Sesiones por usuario
Aumento de sesiones por usuario al mes en cohortes con feed personalizado activo.
Preguntas frecuentes
Lo es si se hace sin consentimiento explícito y sin transparencia. Por eso el proyecto captura consentimiento específico en el alta del cliente y respeta el opt-out cuando se quita. La comunicación con el cliente enmarca la personalización como recomendaciones que el banco hace para vos, no como vigilancia. Y se documenta la base legal por finalidad.
Se calcula como un score por usuario que combina envíos recientes, aperturas, ignored y opt-outs parciales. Cuando supera el umbral, el sistema bloquea envíos por una ventana temporal hasta que el score baja. La definición se acuerda con el equipo de producto y se ajusta con datos de comportamiento real.
Para clientes nuevos se usa personalización basada en preferencias declaradas en el alta y datos demográficos. Conforme el cliente acumula sesiones y transacciones, la personalización se enriquece con comportamiento observado. La transición de cold start a personalización rica es progresiva y queda visible en el perfil del cliente.
¿Querés implementar este caso?
Hablemos del estado de tus datos y diseñamos juntos el roadmap.