Pruebas A/B, Predicción de Churn y Propensión de Conversión

Tres capacidades de nivel Performance BI / Enterprise: experimentos A/B con un bandit bayesiano real, y dos modelos de machine learning entrenados con tus propios datos — uno para anticipar qué suscriptores están en riesgo de cancelar, y otro (el inverso) para identificar qué usuarios sin convertir todavía tienen alta probabilidad de hacerlo.

Pruebas A/B — Thompson Sampling

A diferencia de un test A/B clásico que reparte el tráfico 50/50 hasta el final, PayWL usa Thompson Sampling: un bandit bayesiano que mantiene una distribución de probabilidad de conversión por variante y, en cada visita, redirige automáticamente más tráfico hacia la que mejor está funcionando. Menos tráfico "desperdiciado" en la variante perdedora, resultados más rápidos.

Qué se puede probar por variante

Cada variante puede sobreescribir uno, varios, o ninguno de estos valores — lo que se deja vacío hereda el valor por defecto de la regla.

Asignación pegajosa (sticky)

Un mismo visitante siempre ve la misma variante mientras el experimento sigue corriendo — se identifica por usuario autenticado si está logueado, o por su fingerprint anónimo si no. La asignación se guarda desde la primera vista.

Ciclo de vida

• Borrador: el experimento existe pero no asigna tráfico todavía.
• Corriendo: asigna variantes en tiempo real y cuenta impresiones/conversiones.
• Pausado: deja de asignar tráfico nuevo, conserva los datos.
• Completado: cerrado, listo para analizar el ganador.

Predicción de Churn

Un modelo de regresión logística entrenado con el historial real de cada tenant — no un score calculado con pesos fijos definidos a mano. El modelo aprende de tus propias cancelaciones pasadas qué combinación de señales predice mejor una cancelación futura.

Señales que usa el modelo

Cadencia de actualización

El modelo se reentrena y recalculan los scores automáticamente el día 1 de cada mes. Además:

• Recálculo bajo demanda: desde el dashboard se puede forzar un recálculo inmediato sin esperar al ciclo mensual — útil justo después de activar la feature para un tenant.
• Tiempo real (tenants con cupo ilimitado): si un cobro falla, el score de ese suscriptor específico se recalcula al instante usando el modelo ya entrenado, sin esperar ningún ciclo.

Niveles de riesgo

El reporte de riesgo se puede exportar a CSV directamente desde el dashboard.

Modelo de Propensión de Conversión (Churn Inverso)

El mismo enfoque que la Predicción de Churn, pero al revés: en vez de anticipar qué suscriptor pagado va a cancelar, identifica qué usuario con cuenta que todavía no se suscribió (trial en curso o registro gratuito) tiene alta probabilidad de convertirse en pago — para que puedas targetearlo proactivamente (email, oferta personalizada, etc.). Reusa la misma implementación de regresión logística que el modelo de churn, entrenada por separado con datos propios de conversión.

Señales que usa el modelo

Cadencia de actualización

El modelo se reentrena y recalculan los scores automáticamente cada domingo. Igual que en churn, hay recálculo bajo demanda desde el dashboard para no esperar al ciclo semanal justo después de activar la feature.

Gestión vía Dashboard

Las tres features se administran desde el panel de administración del tenant: creación de experimentos con su asistente paso a paso (regla objetivo → variantes → revisión), y las secciones de riesgo de churn y de propensión de conversión dentro de Reportes, con generación explícita del reporte (para no consumir el cupo mensual solo por abrir la página).

Endpoints de administración

Estos endpoints requieren sesión de administrador (token Bearer del login del dashboard), a diferencia del resto de esta documentación que usa X-API-Key para integraciones externas.

Ejemplo: crear un experimento

curl -X POST https://engine.paywl.io/experiments \
  -H "Authorization: Bearer $ADMIN_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "name": "Precio de suscripción — muro metered",
    "target_rule_id": "rule_abc123",
    "variants": [
      { "name": "Control", "is_control": true, "overrides": {} },
      { "name": "Precio alto", "overrides": { "price_cents": 990000, "trial_days": 7 } }
    ]
  }'