El email masivo está muriendo
Open rates a 20%. CTR a 1%. Lista quemada en 18 meses. Cada envío erosiona la reputación de tu dominio y reduce la entregabilidad del siguiente. El email masivo tradicional ya no escala.
El email predictivo no manda más. Manda menos — pero cuando importa. Un modelo bayesiano calcula la probabilidad de apertura, de click y de conversión por destinatario y por momento. Si la probabilidad supera un umbral, dispara. Si no, espera.
Cómo lo construimos
1. Análisis histórico de aperturas
Necesitamos al menos 6 meses de histórico de envíos con datos a nivel destinatario: quién abrió qué, cuándo, qué hizo después. Si no lo tienes, te ayudamos a empezar a recogerlo (3-6 meses de baseline).
2. Modelo bayesiano
Para cada combinación destinatario × tipo de email × momento del día, el modelo predice probabilidad de apertura y de conversión. Se reajusta automáticamente con cada nuevo envío. Naive Bayes + features simples = rápido y explicable.
3. Integración con tu herramienta
Mailchimp, ActiveCampaign, Customer.io, Brevo. Donde tengas las plantillas y el dominio, ahí enchufamos. Tu equipo sigue usando la herramienta que ya conoce.
4. Reglas de disparo
Defines umbrales contigo: “disparar sólo si probabilidad de apertura > 35%”. Lo afinamos en producción durante 4-6 semanas. Empezamos conservadores, escalamos cuando el modelo demuestra que acierta.
Qué cambia cuando esto funciona
- Volumen de envío -50% (sólo a quien va a abrir).
- Open rate efectivo +40-60% en los que sí reciben.
- Salud del dominio (sender reputation) recupera y mejora la entregabilidad de TODOS tus envíos.
- Tu lista deja de quemarse a la misma velocidad.
Cuándo NO recomendamos esto
- Si tu lista es pequeña (<5.000 contactos): no hay señal estadística suficiente.
- Si tu producto es ultra-transaccional (envíos de confirmación, password reset): el predictivo aquí no tiene sentido — tienen que llegar siempre.
- Si tu negocio depende de comunicación masiva por regulación (banca, salud, legal): puede que tengas que enviar a todos quieras o no.
Stack que usamos
- scikit-learn (Naive Bayes + lightGBM) para el modelo.
- Python pipeline con MLflow para versionado.
- API de Mailchimp / ActiveCampaign / Customer.io directa.
- Metabase para report semanal del rendimiento del modelo.
Empezamos por una sesión de diagnóstico
Antes de presupuestar el setup completo hacemos una sesión de 90 minutos. Miramos juntos tu lista actual, tu histórico de aperturas y tu herramienta de email y salimos con una recomendación honesta: si este servicio encaja con tu momento, o si conviene empezar por otra cosa.
Esa sesión no la cobramos. Si te interesa, cuéntanos.