InsightPulse AI — MVP Explainer

Concepto

InsightPulse AI es una plataforma de análisis de comportamiento predictivo para empresas B2B SaaS. Convierte eventos de producto raw (clicks, feature usage, logins) en una Puntuación de Riesgo de Churn por cuenta, permitiendo a equipos de Customer Success actuar proactivamente antes de que un cliente cancele.

Las herramientas de analítica te dicen qué pasó. InsightPulse te dice qué pasará.

---

Arquitectura

┌──────────────────────────────────────────────────────────────────┐
│                         InsightPulse AI                          │
│                      Spring Boot 4.0.4 / Java 25                 │
│                                                                  │
│  ┌─────────────┐    ┌──────────────────┐    ┌─────────────────┐ │
│  │  Auth Layer │    │  Ingestion Layer  │    │ Dashboard Layer │ │
│  │  /auth/login│    │ POST /api/v1/     │    │ GET /api/v1/    │ │
│  │  JWT tokens │    │ events (+ batch)  │    │ accounts/*      │ │
│  └──────┬──────┘    └────────┬─────────┘    └────────┬────────┘ │
│         │                    │                        │          │
│  ┌──────▼────────────────────▼────────────────────────▼────────┐ │
│  │                    Service Layer                             │ │
│  │  ChurnPredictionService  │  DataIngestionService            │ │
│  │  AlertService            │  (Virtual Threads I/O)           │ │
│  └──────────────────────────┬─────────────────────────────────┘ │
│                             │                                    │
│  ┌──────────────────────────▼─────────────────────────────────┐ │
│  │               Jakarta Persistence (JPA) Layer               │ │
│  │  CustomerAccount | TrackedUser | BehaviorEvent              │ │
│  │  ChurnRiskScore                                             │ │
│  └──────────────────────────┬─────────────────────────────────┘ │
│                             │                                    │
│                     ┌───────▼───────┐                           │
│                     │  H2 (dev) /   │                           │
│                     │  PostgreSQL   │                           │
│                     │  (prod)       │                           │
│                     └───────────────┘                           │
└──────────────────────────────────────────────────────────────────┘

External:  Segment API ←→ SegmentClient (Feign)

Componentes clave

Capa	Clase	Responsabilidad
Security	%%INLINE0%% + %%INLINE1%% + SecurityConfig	Emisión y validación de JWT; protección de endpoints
Ingestion	%%INLINE3%% + %%INLINE4%%	POST single/batch de eventos; upsert de Account y User
Scoring	%%INLINE5%%	Cálculo diario de churn score (job %%INLINE6%%) + on-demand
Dashboard	DashboardController	Lista at-risk, detalle, segmentación, alertas
Alerting	AlertService	Evaluación de umbrales; log/Slack/email stubs
External	SegmentClient (Feign)	Pull de eventos desde Segment Data Export API
Init	DataInitializer	Seed de 4 cuentas demo con scoring inicial

---

Modelo de Dominio

CustomerAccount (1) ──< TrackedUser (1) ──< BehaviorEvent
CustomerAccount (1) ──1 ChurnRiskScore

Algoritmo de Scoring v1 (rule-based regression)

recency_score     = clamp(days_since_last_event / 30 × 100, 0, 100)
volume_drop_score = clamp((prev7d_events - curr7d_events) / prev7d_events × 100, 0, 100)
feature_drop_score= clamp((prev7d_key - curr7d_key) / prev7d_key × 100, 0, 100)

churn_score = 0.25 × recency + 0.40 × volume_drop + 0.35 × feature_drop

RiskSegment:
  ≥ 70 → HIGH_RISK    (immediate intervention)
  ≥ 45 → MEDIUM_RISK  (monitor + outreach)
  ≥ 20 → LOW_RISK     (watch)
  < 20 → HEALTHY      (expansion candidate)

---

Endpoints REST

Autenticación

Método	Path	Descripción
%%INLINE11%%	%%INLINE12%%	Obtiene JWT. Body: {"username":"admin","password":"insightpulse2026"}

Ingesta de Datos

Método	Path	Descripción
%%INLINE14%%	%%INLINE15%%	Ingesta un evento de comportamiento
%%INLINE16%%	%%INLINE17%%	Ingesta hasta 500 eventos (Virtual Threads)

Dashboard & Insights

Método	Path	Descripción
%%INLINE18%%	%%INLINE19%%	Lista priorizada por churn score. Params: %%INLINE20%%, %%INLINE21%%
%%INLINE22%%	%%INLINE23%%	Detalle de cuenta con anomalías de comportamiento
%%INLINE24%%	%%INLINE25%%	Segmentación por tier (HIGH/MEDIUM/LOW/HEALTHY)
%%INLINE26%%	%%INLINE27%%	Scoring on-demand para una cuenta

Alertas

Método	Path	Descripción
%%INLINE28%%	%%INLINE29%%	Configura umbral de alerta. Param: accountExternalId
%%INLINE31%%	%%INLINE32%%	Lista configuraciones de alerta activas

---

Cómo Ejecutar

Prerrequisitos

• Java 25
• Maven 3.9+

Startup (modo dev — H2 in-memory, datos de demo)

cd solutions/2026-05-14-insight-pulse-ai

# Compilar
mvn clean compile

# Ejecutar con perfil dev (H2 + datos de demo)
mvn spring-boot:run -Dspring-boot.run.profiles=dev

La app arranca en http://localhost:8080. La consola H2 está en %%INLINE34%% (JDBC URL: %%INLINE35%%).

Flujo rápido de prueba

# 1. Login → obtener JWT
TOKEN=$(curl -s -X POST http://localhost:8080/auth/login \
  -H "Content-Type: application/json" \
  -d '{"username":"admin","password":"insightpulse2026"}' \
  | grep -o '"token":"[^"]*"' | cut -d'"' -f4)

# 2. Dashboard at-risk (ya hay 4 cuentas con score del seed)
curl -H "Authorization: Bearer $TOKEN" \
  http://localhost:8080/api/v1/accounts/at-risk

# 3. Segmentación
curl -H "Authorization: Bearer $TOKEN" \
  http://localhost:8080/api/v1/accounts/segments

# 4. Detalle de cuenta 1
curl -H "Authorization: Bearer $TOKEN" \
  http://localhost:8080/api/v1/accounts/1

# 5. Ingestar un evento
curl -X POST http://localhost:8080/api/v1/events \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "accountExternalId": "acme-corp-001",
    "userExternalId": "user-acme-01",
    "userEmail": "alice@acme.com",
    "eventName": "dashboard_view",
    "keyFeatureEvent": true,
    "properties": {"page": "analytics"}
  }'

# 6. Re-score on-demand
curl -X POST http://localhost:8080/api/v1/accounts/1/score \
  -H "Authorization: Bearer $TOKEN"

# 7. Configurar alerta Slack
curl -X POST "http://localhost:8080/api/v1/alerts/configure?accountExternalId=*" \
  -H "Authorization: Bearer $TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "churnScoreThreshold": 65,
    "notificationChannel": "slack",
    "destination": "https://hooks.slack.com/YOUR_WEBHOOK"
  }'

Producción (PostgreSQL)

java \
  -Dspring.datasource.url=jdbc:postgresql://localhost:5432/insightpulse \
  -Dspring.datasource.username=postgres \
  -Dspring.datasource.password=YOUR_PW \
  -Dspring.jpa.hibernate.ddl-auto=validate \
  -Dapp.jwt.secret=YOUR_256BIT_BASE64_SECRET \
  -jar target/insight-pulse-ai-0.0.1-SNAPSHOT.jar

---

Credenciales por defecto

Usuario	Contraseña	Rol
%%INLINE36%%	%%INLINE37%%	ADMIN
%%INLINE38%%	%%INLINE39%%	ANALYST

⚠️ Cambiar en producción mediante variables de entorno.

---

Análisis de Negocio

Problema

Equipos de CS en SaaS B2B reaccionan tarde al churn. Las herramientas actuales son reactivas. El costo promedio de perder un cliente ($5K–$50K ARR en midmarket) supera ampliamente el costo de una intervención proactiva.

Propuesta de Valor

• Proactividad: alertas cuando el score cruza umbral, no después de la cancelación.
• Explicabilidad: cada score muestra las anomalías concretas que lo generan (no black-box).
• Time-to-Value: datos de demo + scoring en < 2 minutos desde el primer mvn spring-boot:run.

Monetización

Modelo SaaS por tiers basado en Monthly Tracked Users (MTU):

Tier	MTU	Precio
Starter	hasta 500	$299/mes
Growth	hasta 5,000	$999/mes
Enterprise	ilimitado	custom

Hoja de Ruta Post-MVP

1. ML scoring: reemplazar reglas por modelo XGBoost/LightGBM entrenado con datos históricos.
2. Integraciones nativas: Segment, Mixpanel, Amplitude, HubSpot (via Feign + OAuth2).
3. Playbooks: acciones recomendadas por segmento (email template, descuento, QBR).
4. Spring AI: embeddings de comportamiento para detección de anomalías semánticas.
5. Multi-tenant auth: JWT con claims de tenant-id para aislamiento de datos por cliente.

---

Referencias

• Top SaaS Trends 2026 — AI & Vertical Platforms
• Spring Boot 4.0 Reference
• JJWT 0.12.x Documentation
• Segment HTTP API
• Virtual Threads — JEP 444

---

FinOps Analysis: InsightPulse AI

1. Estimación de Costos Operativos Mensuales

Para el MVP de InsightPulse AI, hemos desglosado los costos operativos esperados basándonos en un escenario inicial de micro-startup:

• Tokens LLM: Estimamos un uso de ~2 millones de tokens/mes. Este cálculo se basa en la generación diaria de explicaciones de patrones anómalos y alertas para aproximadamente 20 clientes. Cada explicación/alerta podría consumir unos 3000 tokens de entrada (datos relevantes + prompt) y 500 tokens de salida. Con el precio actual de %%INLINE41%%, esto resulta en un costo muy bajo (aproximadamente $0.45). Sin embargo, hemos presupuestado $15/mes para esta categoría, lo que proporciona un buffer significativo para un mayor volumen, el uso ocasional de modelos más capaces como %%INLINE42%% para análisis más profundos o ad-hoc, y el crecimiento inicial.

• Cloud Hosting (AWS): Para una aplicación Spring Boot con PostgreSQL, un setup inicial lean pero robusto en AWS incluiría:

* EC2: Una instancia t3.small (2 vCPU, 2 GiB RAM) para la aplicación Spring Boot. Costo estimado: $25/mes. * RDS: Una instancia db.t3.micro para PostgreSQL. Costo estimado: $15/mes (incluye almacenamiento, I/O y backups). * Almacenamiento (EBS): 20GB para EC2. Costo estimado: $2/mes. * Red y Monitoreo (CloudWatch, Data Transfer): Costo estimado: $3/mes. * Costo Total de Cloud Hosting: $45/mes.

• APIs Externas: La principal API externa es OpenAI para las capacidades de LLM. Como se mencionó, el presupuesto es de $15/mes.

Desglose Mensual de Costos:

• LLM (OpenAI): $15
• Cloud Hosting (AWS): $45
• Costo Operativo Total Estimado: $60/mes

2. Estimación de Ingresos Mensuales

Basado en el modelo de monetización B2B SaaS por suscripción, y asumiendo un precio de entrada de $99/mes por cliente (para un número limitado de usuarios rastreados o volumen de eventos):

• Clientes Iniciales: 5 clientes
• Ingreso por Cliente: $99/mes
• Ingreso Mensual Total Estimado: $500/mes (redondeado de 5 x $99 = $495)

3. Margen de Beneficio

• Ingreso Mensual: $500
• Costo Mensual: $60
• Ganancia Bruta: $500 - $60 = $440

Margen de Beneficio: (($440 / $500) 100) = 88%

Este alto margen de beneficio refleja la naturaleza lean del MVP y los costos iniciales muy bajos asociados con el uso eficiente de servicios cloud y LLMs de bajo costo como gpt-4o-mini.

4. Optimización de Costos (FinOps)

Para mantener este margen saludable y escalar de manera sostenible, InsightPulse AI debe adoptar una mentalidad FinOps desde el principio:

• Gestión de LLM:

* Caché Inteligente: Implementar un sistema de caché para las respuestas de LLM, especialmente para explicaciones o resúmenes que no cambian drásticamente entre solicitudes o periodos. Esto reducirá llamadas redundantes a la API de OpenAI. * Optimización de Prompts: Refinar continuamente los prompts para ser concisos y directos, minimizando el número de tokens de entrada sin sacrificar la calidad de la salida. * Monitoreo de Uso: Utilizar las herramientas de monitoreo de OpenAI y CloudWatch para seguir de cerca el consumo de tokens y los costos asociados, identificando picos inesperados o ineficiencias. * Modelos Específicos: A medida que la funcionalidad madure, evaluar la posibilidad de fine-tuning de modelos open-source más pequeños (ej. Llama 3 8B) para tareas específicas si el volumen de inferencia justifica el costo de entrenamiento y la infraestructura de inferencia dedicada.

• Optimización de Infraestructura Cloud:

* Right-Sizing Continuo: Revisar periódicamente las métricas de utilización (CPU, RAM, I/O) de las instancias EC2 y RDS. Si la carga es consistentemente baja, considerar el downgrade a instancias más pequeñas (ej. %%INLINE46%% para EC2 si %%INLINE47%% es excesivo). Si la carga es esporádica, explorar opciones serverless como AWS Fargate para el contenedor de la aplicación o AWS Lambda para tareas programadas específicas (como el ChurnPredictionService si es de corta duración y sin estado). * Ahorro por Compromiso: Una vez que la carga de trabajo sea predecible (después de 3-6 meses), considerar la compra de Savings Plans o Reserved Instances para EC2 y RDS. Esto puede reducir los costos de cómputo en un 30-60%. * Automatización con IaC: Utilizar herramientas como Terraform o CloudFormation para definir y provisionar la infraestructura. Esto asegura la consistencia, facilita la replicación y ayuda a prevenir la creación de recursos no rastreados ('shadow IT') que pueden generar costos inesperados.

• Eficiencia del Código y Base de Datos:

* Optimización de Consultas JPA: Asegurarse de que las consultas de Spring Data JPA sean eficientes, utilizando proyecciones y fetching estratégico para evitar el problema de N+1. Esto reducirá la carga en la base de datos y, potencialmente, permitirá usar instancias RDS más pequeñas. * Gestión de Datos: Implementar políticas de retención de datos para eventos antiguos que ya no son necesarios para el análisis predictivo activo, reduciendo el tamaño de la base de datos y los costos de almacenamiento. * Virtual Threads: Aprovechar al máximo los Virtual Threads de Java para la gestión de I/O concurrente a APIs externas. Esto permite que la aplicación maneje más solicitudes con menos recursos de hardware, optimizando el uso de la instancia EC2.

Conclusión

InsightPulse AI tiene un modelo de costos inicial muy favorable gracias a la eficiencia de los servicios cloud modernos y los LLMs de bajo costo. La clave para mantener un alto margen de beneficio y escalar será la vigilancia constante de los costos, la optimización proactiva de la infraestructura y el uso inteligente de las tecnologías de IA.