El retailer y tú.
Al mismo cliente.
The Estée Lauder Companies — uno de los mayores conglomerados de belleza premium del mundo — pagaba por tráfico de búsqueda paga sobre SKUs que sus retailers (Sephora, Letual, perfumerías regionales) ya estaban promocionando. Doble pago, mismo cliente. Construimos una plataforma que monitorea diariamente precios, promociones y visibilidad de cada SKU en cada retailer competidor, y enciende o apaga las campañas automáticamente según lo que estén haciendo los retailers.
El caso, en cuatro frases.
Para los que llegaron desde LinkedIn y solo tienen 30 segundos. Si quieres profundidad, sigue scrolleando.
El retailer promocionaba el SKU. Nosotros también. Doble pago, mismo cliente.
Sin coordinación entre pricing y medios, Estée Lauder pujaba en Yandex/Google sobre keywords que Letual y Sephora ya pujaban. El cliente clickeaba el más barato.
Construimos un sistema con reglas automatizadas.
Scraping diario de 12 retailers + ad platforms. Si retailer X promociona SKU Y → Estée Lauder apaga su campaña sobre Y. Si retailer deja de promocionar → enciende.
Matriz competitiva visible: precio nuestro vs 6 marcas por SKU.
Lipstick Matte Premium · USD 24.99 vs MAC USD 34.50 vs Charlotte Tilbury USD 38.00 — todo coloreado y actualizado diariamente.
Bonus: cámaras IA en tienda física activan o desactivan promos según ocupación.
Tienda vacía → promociones + videos para generar actividad. Tienda llena → descuentos para evitar saturación.
The Estée Lauder Companies llegó con un problema medible.
- 01
Doble pago por el mismo cliente
Yandex / Google buscaban tráfico para `estée lauder labial mate` mientras Letual ya tenía la #1 paga. El cliente clickeaba el más barato (Letual). Estée Lauder pagaba sin retorno.
2 pagos · 1 cliente - 02
Sin retroalimentación sobre promociones de retailers
El retailer X lanzaba 25% off el viernes a las 12:00. Pricing/medios se enteraba el lunes (a veces el martes), cuando alguien lo veía pasando por la tienda.
48-72 h reacción - 03
Sin fuente única de precio propio vs competencia
Cada marca de la cartera (11 marcas) tenía su propia metodología para «monitorear competencia». Ninguna comparable con la otra.
0 fuente única - 04
Reglas de campaña no formalizadas
El equipo de medios decidía caso por caso si pujar o no por un SKU específico. Sin guía escrita, sin audit log. Una persona se iba — el conocimiento se iba.
0 reglas formalizadas - 05
Tienda vacía o tienda llena, misma cartelería
En perfumerías y tiendas físicas, las pantallas mostraban siempre el mismo contenido. Tienda vacía → baja actividad. Tienda llena → la promo agregaba más cola.
0 ajuste dinámico - 06
Datos del cliente fragmentados
Estée Lauder tenía historiales en CRM propio, en programas de fidelización, en redes sociales. Sin unificación → sin tendencias accionables.
IA sin combustible - 07
Decisiones promocionales lentas
El comité de pricing se reunía cada 2 semanas. Si un competidor lanzaba algo el martes posterior, había que esperar 13 días para reaccionar.
13 d ventana ciega
Lo que construimos.
No reemplazamos lo que ya funcionaba. Construimos capas finas que comunicaron sistemas ciegos entre sí.
Matriz competitiva · SKU × marca
Tabla con cada SKU propio en filas y 6+ marcas competidoras en columnas. Cada celda muestra precio del competidor con código de color: verde (más barato) · amarillo (similar ±5%) · rojo (más caro). Actualizada diariamente.
Campaign automation
Cada SKU tiene una regla activa. Si el sistema detecta que Letual subió puja por `estée lauder labial mate`, apaga la campaña propia en 4 minutos. Si Letual baja → enciende.
Cámaras IA en tienda
Cámara cuenta personas (empleados separados de clientes por ML). Tienda vacía → la pantalla muestra promoción + video. Tienda llena → pasa a descuentos sutiles para no saturar.
Exec insights · GenAI
Modelos generativos clasifican tendencias emergentes en redes/reviews y sugieren textos de campaña ajustados. El equipo aprueba; el sistema lanza.
Stack y capas.
stack: ClickHouse · Airflow · YOLOv8 · GPT-4 · Looker · Power BI · Headless Chrome · Drools
Captura
Procesamiento
Almacenamiento
Superficies
Los números.
Medidos por el equipo del cliente, no por nosotros. Comparativa: baseline previo al go-live.
«Antes pricing y medios discutían quién tenía la razón. Ahora discuten qué experimento corremos la próxima semana.»
Lo que aprendimos — y aplicamos en el siguiente caso.
Pricing sin medios es la mitad del problema.
El equipo de pricing puede tener el precio perfecto · pero si medios pujan en search sobre SKUs que el retailer ya promociona, el dinero se va al competidor mejor pujador (que es el propio retailer). La unificación de los dos equipos sobre un mismo sistema fue donde apareció el ROI.
Reglas formalizadas valen más que dashboards bonitos.
Antes había analistas que «sabían» cuándo apagar campañas. El conocimiento era tácito, no escalable. Escribir las 30 reglas que sustentaban esa decisión transformó al equipo: de operadores a diseñadores de reglas.
Cámaras + ML en tienda es la nueva frontera.
Lo que comenzó como un experimento (¿podemos contar personas?) se transformó en una capa operativa: decide qué se muestra en tiempo real, mide impacto, alimenta el mismo data layer. La distinción empleado/cliente en YOLO fue lo que volvió la métrica útil.
¿Te suena familiar? Hablemos.
No vendemos software de plantilla. Empezamos siempre con una auditoría gratis de 4 semanas: nos sentamos con tu equipo, mapeamos sistemas y dolores, y entregamos un PDF con 3–5 quick wins concretas.