Para predecir churn, empiezo por estimar qué suscripciones activas podrían darse de baja en los próximos 30 días. Uso compras, pagos, reclamos y respuestas a campañas de los 90 días anteriores. Pero detectar riesgo no alcanza: también tengo que medir si la intervención mejora la renovación y el margen.
Mi recorrido es este:
Mi criterio para avanzar: <u>más renovaciones y margen</u>, no solo un score mejor.
Cómo predecir churn y medir la retención incremental
Creá una fila por cliente y fecha de corte, con customer_id y snapshot_date como clave única. Uní suscripciones, planes, pedidos, pagos, tickets, descuentos y campañas mediante IDs estables. Si un cliente tiene varias suscripciones, registrá baja total cuando pierde todas y baja parcial cuando pierde alguna. Sobre esa base, calculá las señales para cada ventana de tiempo.
Unificá la zona horaria y conservá la fecha original de cada evento. Revisá identificadores y pedidos duplicados, webhooks repetidos, reembolsos sin un pago asociado y cancelaciones anteriores al alta. Diferenciá los datos faltantes de los valores cero y guardá cuándo estuvo disponible cada registro. : excluilo del entrenamiento o registralo como censurado.
Medí las compras completadas en 30, 60 y 90 días y compará los últimos 30 días con los 30 anteriores. Separá los pedidos programados de las compras extra. Si no hubo pedidos en el período anterior, dejá la variación porcentual como no calculable.
Calculá el atraso respecto de la fecha esperada y dividilo por el intervalo previsto para comparar planes. Sumá antigüedad, renovaciones exitosas, cambios de plan y de frecuencia de facturación, pausas, saltos de entrega, reducciones de cantidad, intentos de cancelación revertidos y fallos de pago. Excluí los estados que ya indiquen una baja confirmada.
Separá los tickets por tema: facturación, entrega, calidad y cancelación. Medí contactos repetidos dentro de 7 días, tickets abiertos y tiempos de atención. Calculá el tiempo de resolución solo para los tickets cerrados al corte; para los abiertos, calculá su antigüedad. Usá sentimiento negativo únicamente si está validado para el idioma y el canal.
En descuentos, distinguí porcentajes, montos fijos, envío gratis y créditos. Estas señales muestran asociaciones, no causas demostradas de churn. Para comparar el gasto histórico, conservá tanto el monto nominal en $ como el monto ajustado por IPC del INDEC. Documentá la serie y el mes de referencia.
Medí cómo respondió cada cliente a las campañas y separá las promociones de los mensajes de servicio automatizados. Registrá entregas, aperturas disponibles, clics, respuestas, conversiones observadas hasta el corte, respuestas a recordatorios y bajas de promociones.
Calculá las tasas sobre mensajes entregados con seguimiento disponible: no hizo clic no equivale a no se pudo medir. Guardá también la frecuencia de contacto y el tiempo desde la última interacción.
Con estas señales, construí variables consistentes por cliente y fecha de corte.
| Variable | Cálculo | Interpretación comercial |
|---|---|---|
| Frecuencia y tendencia | Pedidos en 30, 60 y 90 días; cambio frente al período anterior | Caída de actividad |
| Recencia y atraso | Días desde la última compra; atraso dividido por el intervalo esperado | Recompra fuera del ritmo habitual |
| Pedidos programados y extra | Conteos separados por ventana | Continuidad del plan frente a demanda adicional |
| Valor y canasta | Ticket promedio y mediano; unidades por pedido; tasa de reembolso | Menor consumo o problemas con las compras |
| Cambio de categoría | Proporción de pedidos fuera de la categoría histórica principal | Cambio de necesidades |
| Ciclo de suscripción | Antigüedad, renovaciones, cambios de plan, pausas, saltos de entrega y reducciones | Menor compromiso o necesidad de flexibilidad |
| Fallos de pago | Intentos fallidos, reintentos y recuperaciones conocidas al corte | Riesgo involuntario |
| Soporte | Tickets por pedido, abiertos, contactos repetidos y medianas de respuesta y resolución, por tema | Fricción pendiente |
| Descuentos | Proporción de pedidos descontados, descuento promedio y cambio entre períodos | Sensibilidad a promociones |
| Renovación posoferta | Renovaciones observadas después de vencer la oferta introductoria | Respuesta al precio completo |
| Exposición e interacción | Entregas, clics, respuestas y conversiones con seguimiento; días desde la interacción | Interés observable, no supuesto |
| Bajas de promociones | Solicitudes registradas antes del corte | Restricción de contacto o fatiga |
Con el snapshot listo, empezá por un modelo fácil de interpretar. Usá las variables disponibles para estimar el riesgo y decidir a quién contactar primero.
Arrancá con una regla simple y auditable: marcar riesgo cuando la renovación tenga 7 o 14 días de atraso, según el período de gracia del negocio. Aplicala solo si ese atraso todavía no cuenta como una baja confirmada.
Después, probá una regresión logística con atraso, frecuencia de compra, cantidad de tickets, uso de descuentos, cambios de plan y respuestas a campañas. Pasá a modelos no lineales solo si tenés suficientes clientes y eventos de churn observados. Compará probabilidades calibradas y priorizá el desempeño fuera de muestra.
| Modelo | Interpretabilidad | Requisitos de datos | Patrones no lineales | Complejidad de implementación |
|---|---|---|---|---|
| Regla de renovación vencida | Muy alta | Mínimos: fechas de renovación o recompra | No | Muy baja |
| Regresión logística | Alta: coeficientes interpretables | Bajos a moderados; variables limpias y bien definidas | Limitados, salvo que agregues interacciones | Baja |
| Random Forest | Media: requiere explicaciones adicionales | Moderados; necesita suficientes eventos de churn | Sí: detecta interacciones y umbrales | Media |
| Gradient boosting | Media a baja | Moderados a altos; requiere ajustes cuidadosos | Sí: relaciones complejas | Media a alta |
Evaluá luego cómo funciona cada modelo en períodos posteriores.
Separá entrenamiento, validación y test en orden cronológico. Ajustá la imputación, el escalado, la codificación y la selección de variables solo con los datos de entrenamiento. Todo lo usado para entrenar debe quedar cerrado antes del primer snapshot de validación.
Dejá al menos un horizonte de predicción entre los bloques. Después, aplicá las transformaciones sin volver a ajustarlas.
Mantené la tasa natural de churn en validación y test, aunque balancees el entrenamiento. Reportá precisión, recall, F1, ROC-AUC y PR-AUC, junto con la tasa de bajas de cada período. No uses accuracy como criterio principal.
Medí precisión y recall dentro del cupo real de contactos. Para calcular el lift, dividí la precisión de ese grupo por la tasa general de churn. Elegí el modelo que mejor detecte churn dentro de ese cupo.
Una vez validado el modelo, calibrá sus scores antes de usarlos en retención. Agrupá las probabilidades en bandas de 10 puntos porcentuales (pp) y compará el riesgo promedio con el churn observado. Revisá también una curva de calibración y el Brier score.
Si hace falta, aplicá escalado de Platt o regresión isotónica con datos reservados que no hayas usado para entrenar. Comprobá el resultado en el test. Elegí el umbral con los datos de validación, la capacidad de contacto, el costo del incentivo y el margen esperado. No uses 50 % por defecto.
Un riesgo alto no demuestra que una acción de retención funcione: para medir ese impacto, necesitás pruebas con un grupo de control. Usá la importancia de variables para entender el modelo en general y explicaciones locales tipo SHAP para cada cliente. Mostrá el score, la banda, la fecha de corte y 2 o 3 señales principales.
Describí el atraso, los tickets abiertos, las reducciones de plan o la dependencia de descuentos como señales asociadas con mayor riesgo, no como causas. Contrastá las explicaciones con las tasas de churn por segmento y revisá si hay variables redundantes. Recién después asigná acciones de retención.
Con el score validado, pasá de la predicción a la acción.
Convertí cada banda de riesgo validada en acciones con responsable y plazo. CRM puede encargarse de los recordatorios de reposición y de explicar cómo usar el producto y aprovechar los beneficios del plan. Soporte atiende los reclamos de producto o entrega; facturación, los pagos fallidos.
Reservá la revisión humana para los casos de alto valor o ambiguos. Priorizá los ajustes de frecuencia o plan y usá descuentos solo si dejan un margen incremental positivo.
Fijá límites compartidos entre campañas: un mensaje proactivo por ciclo de renovación y un máximo documentado de contactos en 30 días. Bloqueá las promociones cuando haya un ticket abierto y cortá el flujo si el cliente se da de baja del canal, cancela o completa la recuperación. Registrá el disparador, el responsable, el vencimiento, la acción y el motivo de escalamiento.
Para automatizar estas acciones, Burbuxa puede ejecutar la capa de activación a partir del score. Pero la fuente de verdad sigue siendo suscripciones y facturación.
Antes de conectar el score, validá por API la asociación entre cliente y suscripción, la banda de riesgo, la fecha del score y la próxima renovación. Comprobá también el consentimiento, las exclusiones, los disparadores, la deduplicación y los errores. Contrastá esos campos con pedidos, descuentos, tickets y respuestas a campañas.
Activá recordatorios, mensajes de recuperación, encuestas y derivaciones humanas en WhatsApp o Instagram. Antes del lanzamiento, validá el opt-in, las bajas inmediatas, las reglas del canal, los permisos, los datos mínimos y la auditoría. Una vez activos los flujos, medí el impacto por banda.
El objetivo es medir cuánta retención adicional genera la intervención en cada banda de riesgo. Asigná al azar quién recibe la intervención y quién queda en el grupo control dentro de cada banda y segmento. Mantené esa asignación fija y evitá cruces entre flujos. El grupo control debe conservar la experiencia habitual.
Definí de antemano la ventana de medición: renovación hasta 14 días después del vencimiento y estado activo 30 días más tarde. La diferencia entre las tasas de renovación mide el efecto incremental.
Registrá qué intervención recibió cada cliente y en qué momento. Reportá las suscripciones recuperadas, los ingresos retenidos y el margen neto después de descontar incentivos y costos de mensajes. Incluí también la tasa de contacto efectivo, las respuestas, los reclamos y las bajas del canal.
Actualizá los scores según el ciclo de renovación. Revisá cada mes la calidad de los datos y el desempeño del modelo, incluido el drift y el churn por cohorte, plan y antigüedad. Investigá las fallas de integración antes de reentrenar.
Revisá los umbrales o el modelo después de cambios importantes en precios, planes o entrega. Usá solo la información disponible antes de cada snapshot. Guardá un registro versionado con la versión del modelo, el período de entrenamiento, las reglas, las exclusiones, los resultados, el score y los motivos previos a la intervención.
Una vez validado el modelo, pasá al piloto con una regla clara para activar la intervención.
Empezá con una cohorte y compará intervención versus control. Dejá por escrito quién entra, qué señal activa la acción y qué resultado buscás mejorar. Usá las mismas reglas de evaluación para ambos grupos.
Asigná responsables de Datos, CRM y Soporte para etiquetar, contactar y resolver problemas, respectivamente. Podés integrar campañas de marketing en WhatsApp para automatizar el contacto con los segmentos en riesgo. Definí las tareas y los plazos de cada equipo, y acordá una revisión semanal del piloto.
Antes de mirar los resultados, fijá el criterio para escalar: una mejora neta en renovación y margen, después de descontar costos e incentivos. Esa mejora debe mantenerse en períodos posteriores y en los segmentos que vas a incorporar. Si solo mejora el score, no escales.
No hay un número mágico de clientes: importan más la calidad de los datos y que estén unificados. Necesitás suficiente historial para detectar patrones y definir cuándo un cliente está inactivo, según cuánto suele tardar en volver a comprar.
Para eso, reuní las compras, la navegación y las interacciones en WhatsApp e Instagram en un solo perfil por cliente. Si esa información queda repartida entre distintos perfiles, no podés predecir con precisión.
Unificá los datos del cliente y usá RFM (recencia, frecuencia y valor monetario) para detectar señales de riesgo: falta de compras o interacción durante el período esperado, menor respuesta en WhatsApp e Instagram, tickets sin resolver o mensajes negativos.
Burbuxa permite centralizar estas señales y segmentar por riesgo. En vez de enviar campañas genéricas, priorizá acciones personalizadas que resuelvan las fricciones de cada cliente. Dejá los casos sensibles en manos de una persona.
Compará cohortes equivalentes con un grupo de control durante 60 a 90 días. Medí si baja el churn, aumenta la recompra y se acorta el tiempo hasta el segundo pedido. Revisá también si crecen los ingresos atribuibles a la retención y medilos por cada flujo.
Cruzá datos de comportamiento, ingresos y soporte para detectar dónde aparecen las fricciones. Más respuestas o clics no bastan: la automatización tiene que lograr que los clientes vuelvan, no solo generar actividad.
