Skip to main content

Einstein para Marketing Cloud — referencia

Las features de Einstein metidas en Marketing Cloud Engagement — Engagement Scoring, Send Time Optimization, Content Selection, Copy Insights — qué predice cada una, la data que cada una necesita para ser confiable, y el caveat de producción de cada una. La IA que ya está en la plataforma antes de llamar a nada externo.

Referencia·Actualizado 2026-06-01·Escrito por Lira · Editado por German Medina

Antes de que agarres un modelo externo, Marketing Cloud Engagement ya trae un set de features de Einstein — modelos entrenados con la propia historia de engagement de tu tenant, expuestos dentro de Email Studio, Journey Builder y Content Builder. Son la IA que ya tenés. Esta página es qué predice cada una, la data que necesita para que valga la pena confiar, y el caveat que decide si la prendés.

El hilo común: cada feature de Einstein acá aprende de tu data. Una feature vale lo que la historia de engagement por debajo — que es el primer gotcha por algo. (Ver gotchas de IA en Marketing Cloud — gotcha 1.)

Engagement Scoring

Einstein Engagement Scoring predice, por contacto, qué tan probable es que abra, clickee, convierta o se dé de baja — expuesto como personas (Loyalists, Window Shoppers, Selective Subscribers, Winback/Dormant) desde las que construís audiencias y splits.

  • Qué necesita: una historia significativa de envíos y engagement en la Business Unit. Las BUs nuevas y los programas de bajo volumen no tienen la señal.
  • Para qué sirve: supresión de probables-bajas, priorizar audiencias de alta-probabilidad-de-convertir, targeting de re-engagement.
  • El caveat: los scores tienen seguridad incluso cuando la historia es delgada. Chequeá el volumen por debajo del modelo antes de dejarlo manejar una audiencia.

Send Time Optimization (STO)

STO predice la hora a la que cada contacto individual es más probable que enganche, y le envía a cada uno a su propia hora predicha en vez de todos a la vez — dispersando un solo envío a lo largo de una ventana de hasta 24 horas.

  • Qué necesita: historia de engagement por contacto; degrada a un default a nivel BU cuando un individuo tiene muy poca.
  • Para qué sirve: envíos no sensibles al tiempo — newsletters, contenido evergreen, nurture — donde aterrizar en el momento-de-inbox correcto sube el engagement.
  • El caveat: mueve el envío. Un mensaje atado a una deadline (una venta que termina esta noche, un recordatorio de un evento de las 9am) puede aterrizar después de que pasa el momento. (Ver gotchas — gotcha 2.)

Content Selection

Einstein Content Selection elige, por contacto en tiempo de apertura, el asset que mejor rinde de un set que vos proveés — la imagen, oferta o bloque correcto para esa persona.

  • Qué necesita: un set definido de assets candidatos y suficiente engagement para aprender cuál rinde para quién.
  • Para qué sirve: un solo template de email que adapta su hero, oferta o bloque de producto por contacto sin un split por variante.
  • El caveat: elige entre lo que le das. Un set candidato débil produce un ganador débil — y cada asset igual necesita aprobación humana de marca antes de entrar al pool. (Ver gotchas — gotcha 3.)

Copy Insights

Copy Insights analiza tus subject lines históricos y predice cómo va a rendir uno nuevo, exponiendo los patrones de lenguaje que correlacionan con engagement en tu audiencia.

  • Qué necesita: un corpus de tus propios subject lines pasados y sus resultados.
  • Para qué sirve: una segunda opinión fundamentada en data sobre el fraseo de un subject line antes de enviar.
  • El caveat: es consultiva. Predice; un humano igual escribe y aprueba. Un subject line predicho-alto que está fuera de marca o es engañoso sigue estando fuera de marca o siendo engañoso.

Cómo se relacionan con la IA externa

Einstein y los modelos externos no son competidores — responden preguntas distintas. Einstein predice engagement desde tu historia; un LLM externo genera o clasifica lenguaje. Donde Einstein puntúa quién y cuándo, un modelo externo puede draftear qué. La decisión de cuál agarrar — y cuándo un agente de Agentforce encaja mejor que cualquiera de los dos — es el tema del Style Guide de IA.

Referencia rápida

| Feature | Predice | Necesita | No la uses cuando | |---|---|---|---| | Engagement Scoring | Probabilidad de apertura/click/conversión/baja | Historia de engagement de la BU | La historia es delgada (BU nueva, bajo volumen) | | Send Time Optimization | Mejor hora de envío por contacto | Historia por contacto | El envío tiene una deadline dura | | Content Selection | Mejor asset por contacto | Un set candidato fuerte | El set candidato es débil o no aprobado | | Copy Insights | Rendimiento del subject line | Corpus de subject lines pasados | Publicarías su elección sin lectura humana |

Relacionado