← Volver
Caso de estudio

Nutrición en Casa

Ecosistema digital para un programa de nutrición familiar: del DM de Instagram al alumno dentro del campus, con un producto de entrada generado con IA.

ClienteFlor Oppizzi · Nutrición en Casa
Mi rolProducto, desarrollo y estrategia de ventas
PeríodoSep – Oct 2026
Nutrición en Casa
El proyecto

Nutrición en Casa es un programa de 6 semanas de nutrición familiar para mamás y papás que ya saben qué darles a sus hijos, pero no logran sostenerlo en el día a día. Se vende por mensaje directo en Instagram, con una llamada antes de la compra.

Trabajé con el equipo en todo el recorrido: desde cómo se conversa con cada persona por DM hasta el campus donde los alumnos hacen el programa, pasando por el sitio y un producto de entrada que genera un análisis personalizado con IA.

122conversaciones leídas una por una para diagnosticar
100 %automático, del formulario al mail
4 piezasdel DM al campus, todo conectado
9 perfilescada análisis con el suyo

El problema

La cuenta generaba conversaciones todos los días, pero pocas terminaban en una llamada agendada.

Al leer los chats uno por uno apareció que el problema no era el precio. Agendar quedaba como tarea para la persona: entrar a una página, mirar un calendario y elegir. Quien escribe es una mamá o un papá que trabaja y lee los mensajes a las 11 de la noche.

El recorrido que armamos

InstagramContenido y comentarios
Conversación por DMCalificación y reencuadres
Análisis con IAProducto de entrada
LlamadaAgenda embebida
CampusEl programa, semana a semana

Qué construí

01

Estrategia de ventas por DM

Qué resuelve: Entender dónde y por qué se cortaban las conversaciones, con datos y no con impresiones.

  • Mapa completo del flujo de ManyChat: entradas, preguntas de calificación, respuestas por dolor, cierre y seguimientos.
  • Análisis de 122 conversaciones reales: embudo paso a paso, dolores y objeciones con las palabras de cada persona.
  • Nueva estructura de setting con rutas y etiquetas, guion para la pregunta de precio y una biblioteca de reencuadres por dolor.

Cómo está hecho

  • Extensión de Chrome propia para exportar las conversaciones de ManyChat y analizarlas completas.
02

Sitio y landings

Qué resuelve: Una presencia propia de la marca y páginas de venta que convierten sin depender de terceros.

  • Inicio de la marca, landing de venta del análisis y página del programa con la agenda de llamadas embebida.
  • Precio en la moneda de cada país, detectado automáticamente y con selector.
  • Diseño propio, liviano y pensado para celular.

Cómo está hecho

  • HTML, CSS y JavaScript sin frameworks, publicado en Cloudflare Pages desde Git.
Sitio y landingsSitio y landings
03

Análisis de alimentación con IA

Qué resuelve: Un producto de entrada de bajo precio que le da valor real a la persona y la prepara para la llamada.

  • Formulario de 46 preguntas con 8 reglas condicionales, que se completa en menos de 20 minutos.
  • Cada persona recibe por mail el link a una página privada con su análisis: su perfil (uno de 9), lo que pasa en su casa y un primer paso concreto.
  • Protocolo de cuidado en tres niveles: los casos delicados se entregan completos, con aviso médico y sin venta.

Cómo está hecho

  • Un robot en Cloudflare Workers recibe el formulario con firma verificada y lo lleva por una cola de estados con reintentos.
  • Los marcos de análisis los calcula el código; la IA (Claude) los interpreta en dos etapas, analista y redactor, con salida estructurada.
  • Controles automáticos del texto antes de publicarlo y un tope de gasto por caso y en total.
  • Pruebas que comparan el robot con el motor de referencia en 12 escenarios, sin llamar a la IA.

Ver el análisis de ejemplo completo ↗

Análisis de alimentación con IAAnálisis de alimentación con IA
04

Campus del programa

Qué resuelve: Que los alumnos hagan el programa en un lugar propio y el equipo vea cómo avanza cada uno.

  • Ingreso con mail y código, sin contraseñas que recordar.
  • El contenido se abre semana a semana según la tanda de cada alumno.
  • Panel del equipo: carga de clases, videos y materiales, alta de alumnos con mensaje listo para WhatsApp y seguimiento de progreso y valoraciones.

Cómo está hecho

  • Cloudflare Pages Functions con base de datos D1.
  • Sesiones con cookie, límite de intentos por mail y por IP, control de origen y cabeceras de seguridad, con pruebas automáticas.
Campus del programa

Aprendizajes

El problema no estaba donde se veía

Todos apuntaban al precio. Leer las conversaciones completas mostró que se perdían en un paso operativo, no en una objeción.

La IA redacta, el código decide

Lo que tiene que ser exacto lo calcula el código. La IA interpreta y escribe, y un control automático revisa su texto antes de que llegue a la persona.

Herramientas que el equipo pueda tocar

Lo que cambia seguido quedó en herramientas visuales (Tally, Make, Sheets); lo crítico, en código con pruebas.

Stack

Web
HTMLCSSJavaScriptCloudflare Pages
Backend
Cloudflare WorkersPages FunctionsD1KV
IA
Claude APIBatchesSalida estructurada
Automatización
ManyChatTallyMakeGoogle SheetsGmail
Herramientas
PythonNode.jsExtensión de Chrome

¿Hablamos de tu cuenta?