Un e-commerce argentino de productos de cuidado personal tenía un problema clásico: tráfico creciente, alrededor de 1.200 pedidos al mes, y un equipo que no tenía tiempo ni para pensar en follow-up post-venta. El dato clave que nos llamó la atención en la primera conversación: sus productos son consumibles (cremas, champús, cosmética diaria) con un ciclo de recompra natural de 30 a 60 días. Nadie estaba trayendo a esos clientes de vuelta. Un cliente compraba, recibía, usaba, se quedaba sin producto, y muchos terminaban en otro sitio porque nadie les había recordado nada.
Este post describe el sistema que armamos, los cuatro touchpoints automáticos que implementamos, los resultados reales después de 90 días y los touchpoints que NO funcionaron. Cambié el nombre del cliente por privacidad.
El contexto
La tienda vendía ~1.200 pedidos mensuales distribuidos en unos 40 SKUs. Ticket promedio ~8.000 ARS. Los clientes eran mayoritariamente mujeres de 25 a 55 años, con un repeat-purchase rate observado del 22% (medido como "pedidos de clientes que ya habían comprado antes en los últimos 12 meses"). Para un vertical como cosmética, ese número se considera bajo: benchmarks razonables están en 35-50%.
Plataforma: Tiendanube. Integraciones existentes: nada de CRM, emails manuales esporádicos desde Gmail, WhatsApp como canal de atención pero sin uso outbound.
El objetivo que acordamos: subir el repeat-purchase rate al 35% dentro de 6 meses. No hacerlo con descuentos masivos (margen era ajustado). No sonar a spam. Automatizar todo el ciclo sin requerir intervención diaria del dueño.
Por qué el post-venta suele ser el eslabón más débil
Los equipos chicos de e-commerce están atrapados en un loop conocido. La adquisición consume toda la energía: ads, Instagram, landing, checkout, pickeo, envío, atención al cliente. Cuando el pedido llega a la casa del cliente, el equipo ya pasó a la próxima batalla de adquisición. El mail "gracias por tu compra" lo manda Tiendanube solo, y no hay nada más.
El problema es estructural: la adquisición se puede hacer con presupuesto (pagás ads, llegan clientes). El post-venta es trabajo, y el trabajo humano escala mal. Si querés mandar un mail personalizado 30 días después de cada compra, alguien tiene que mandarlo. A 1.200 pedidos al mes, es un full-time.
Por eso el post-venta es el candidato natural para automatización: alto volumen, baja complejidad, alto impacto potencial.
El ciclo de compra y dónde entran los touchpoints
Antes de diseñar el sistema, mapeamos el ciclo real del cliente:
- Día 0: hace el pedido online.
- Día 1-3: recibe el pedido en su casa.
- Día 3-7: empieza a usar el producto. Momento crítico para satisfacción y primera impresión.
- Día 14-21: ya tiene opinión formada. Es el mejor momento para pedir feedback.
- Día 30-45: el producto empieza a agotarse para los consumibles diarios.
- Día 60+: si no volvió a comprar, probablemente ya compró en otro lado.
Sobre ese ciclo definimos los cuatro touchpoints:
- Welcome + instrucciones (día 3): mensaje cálido confirmando que el pedido llegó, con tips de uso relacionados al producto comprado.
- Check-in + feedback (día 14): pedido de opinión simple, con la opción de responder en un click (emoji o estrella).
- Replenishment (día 30-45, ajustado por SKU): recordatorio suave de que el producto está terminándose, con link directo para recomprar.
- Reactivation (día 75): si nada de lo anterior generó respuesta o recompra, un mensaje más directo con una oferta chica (5% off, válido por 7 días).
La arquitectura
El stack:
- Tiendanube como source of truth de pedidos.
- Webhook de Tiendanube (evento "order created" y "order fulfilled") disparando n8n.
- n8n self-hosted para orquestar los flujos.
- Postgres como tracking de estado de cada cliente y cada touchpoint enviado.
- Resend para envíos de email (más barato y confiable que Mailgun/Sendgrid para el volumen).
- WhatsApp Business API vía BSP para los mensajes más personales.
- OpenAI GPT-4o-mini para generar contenido personalizado donde era necesario.
El flujo principal: cuando Tiendanube dispara el evento de fulfillment, n8n registra el pedido en Postgres con metadata (cliente, SKUs, fecha esperada de consumo por SKU). Un scheduler corre cada hora y evalúa qué clientes necesitan qué touchpoint en ese momento. Los envíos se encolan y se mandan respetando horarios razonables (nada de notificaciones a las 11 PM).
Uso de IA: mensajes personalizados, no templates
Acá es donde el proyecto tomó carácter. Podríamos haber armado 4 templates genéricos, reemplazado variables {nombre} {producto} y mandado. Funcionaría, pero es el enfoque aburrido que tiene tasas de respuesta bajas.
Lo que hicimos en cambio: para cada mensaje, generamos una versión personalizada usando un LLM con:
- El primer nombre del cliente.
- Los productos que compró (nombres reales, no códigos).
- El touchpoint que corresponde (welcome, feedback, replenishment, reactivation).
- Una guía de tono: "cercano pero no invasivo, argentino, nunca usar palabras como 'estimado' o 'lamentamos informarle'".
- Una lista corta de "cosas que nunca decir" para evitar patrones espamosos.
El resultado es un mensaje que se siente escrito por alguien que conoce al cliente y al producto. La diferencia con un template se nota: las tasas de apertura y respuesta se mueven 2-3x.
El costo de IA es despreciable: 1.200 clientes × 4 touchpoints × ~200 tokens de output = ~1M tokens mensuales, menos de 1 USD en GPT-4o-mini. Por comparación, lo que ahorra en trabajo manual (si alguien escribiera esos mensajes uno por uno) serían cientos de horas.
Detalle importante: nunca publicamos mensajes sin revisión en los primeros días. Las primeras 200 generaciones pasaron por el equipo humano para ajustar tono. A partir de ese ajuste de prompt, el sistema corre sin supervisión directa.
Los resultados a los 90 días
Métricas reales del período (promediadas para no doxear al cliente):
Repeat-purchase rate: subió de 22% a 36%. El objetivo original era 35% en 6 meses; lo alcanzamos en 3. El 14% incremental representa ~170 pedidos adicionales por mes.
Touchpoint 1 (welcome): tasa de apertura ~58% en email, ~92% en WhatsApp (donde se usó). Sin acción comercial asociada; es pura construcción de relación.
Touchpoint 2 (feedback): 34% de respuesta. Los clientes responden cuando les preguntás con respeto y facilidad. Insumo valioso: detectamos 3 SKUs con problemas recurrentes que el equipo no conocía (empaque que se rompía en tránsito, una crema con olor que no gustaba a un segmento).
Touchpoint 3 (replenishment): 11% de conversión directa a recompra dentro de los 7 días. Para un correo con CTA claro y sin descuento, es una tasa muy alta. Este es el touchpoint que más contribuyó al resultado.
Touchpoint 4 (reactivation): 4% de conversión. Mucho más bajo que replenishment pero importante porque "rescata" clientes que ya estaban perdidos. El 5% de descuento no destruyó margen y generó conversiones que de otro modo no hubieran ocurrido.
Tasa de unsubscribe total: menos del 0.8%. Crucial: los clientes no sintieron que los estaban spameando. Esto fue posible solo porque los mensajes sonaban a persona, no a bot, y porque las frecuencias respetaban el ciclo natural.
Los touchpoints que NO funcionaron
Probamos dos touchpoints adicionales que terminamos quitando:
Un mensaje "sobre nuestra empresa" al día 7 que contaba la historia de la marca. Lo agregamos pensando que construía relación. Tasa de apertura normal, pero zero conversión y algunas respuestas de "¿para qué me mandan esto?". Lección: los clientes quieren mensajes útiles, no marketing sobre la marca. Lo retiramos al segundo mes.
Upsell cruzado al día 20 con recomendaciones de otros productos del catálogo. La tasa de conversión fue baja (~2%) y lo más importante: generó quejas de "parece spam" con más frecuencia que los otros touchpoints. Los clientes perciben recomendaciones no solicitadas como intrusivas, especialmente cuando ya compraron lo que querían. Lo reemplazamos por una versión más sutil incluida en el touchpoint de replenishment: "si además te interesa X, acá está".
La lección general: el instinto es mandar más mensajes para ganar más conversiones. La realidad es que mandar menos mensajes mejor calibrados rinde más que mandar más mensajes promedio.
Consideraciones de frecuencia
Un detalle que hizo la diferencia: el sistema tiene cap de frecuencia por cliente. Nunca más de un mensaje cada 10 días, nunca más de 4 mensajes totales en un ciclo de 90 días, y los canales se rotan (email para touchpoints "informativos", WhatsApp solo para los más personales).
Un cliente que compra tres veces en dos meses no recibe tres series completas de 4 touchpoints cada una (serían 12 mensajes en dos meses). Recibe la primera serie completa y las siguientes compras entran en un modo "silencioso": solo replenishment cuando corresponde.
Esta regla la agregamos después del primer mes cuando observamos que algunos clientes recurrentes estaban recibiendo demasiados mensajes y empezaban a quejarse. Es una de las decisiones más importantes que tomamos y casi nadie la tiene en cuenta al diseñar post-venta automatizado.
Lo que aprendimos aplicable a otros casos
Si vas a armar algo parecido para un e-commerce, estos son los principios que nos funcionaron:
Usá el ciclo natural del producto, no un ciclo arbitrario. Productos consumibles tienen ciclos distintos a productos durables. Una crema diaria tiene ciclo de 30 días, un perfume de 90+, un protector solar dependiendo de la estación. El replenishment timing tiene que respetar eso por SKU, no usar un único número mágico.
Personaliza de verdad, no con template variables. Un LLM barato basta para producir mensajes que se sientan humanos. El costo es despreciable y el lift en engagement es real.
Cap de frecuencia por cliente. Nunca más de X mensajes cada Y días. Aunque el sistema "tenga más que decir", tu cliente no quiere escucharlo.
Medí unsubscribe por touchpoint, no solo conversiones. Un touchpoint con alta conversión pero alta unsubscribe está quemando tu lista. Ese equilibrio importa más que la conversión cruda.
Revisá manualmente las primeras 100-200 generaciones. Antes de confiar en el LLM, leé los outputs. Ajustá el prompt con ejemplos reales. Una hora de revisión humana ahorra meses de mensajes mal calibrados.
No vendas en cada mensaje. Algunos touchpoints (welcome, feedback) no deberían tener CTA comercial. Si cada mensaje trata de vender algo, el cliente deja de abrirlos. Los touchpoints "útiles sin venta" son los que mantienen la atención para cuando sí tenés algo comercial que decir.
El punto
Un e-commerce de PyME con 1.200 pedidos mensuales y cero follow-up es una máquina de perder clientes. Implementar los touchpoints correctos no requiere tecnología exótica ni presupuestos grandes. Requiere pensar el ciclo del cliente, respetar los canales, y no usar automatización como excusa para spamear. El 14% de repeat-purchase adicional se tradujo en un ROI del proyecto a las pocas semanas. Casi todo e-commerce de PyME tiene esa mejora esperando ser cosechada.