Predicción de churn: del riesgo a una intervención comprobable

Definí la predicción y el momento de decisión

La predicción de churn estima la probabilidad de una salida futura. Especificá quién puede salir, qué evento cuenta y dentro de qué horizonte. “Cancelar en los próximos 30 días” puede ser un objetivo operativo ficticio; no equivale a “no renovar cuando venza el contrato”.

Fijá fecha de corte y ventana de datos anteriores. A esa fecha, el equipo debe disponer de las mismas señales que usaría el modelo. Si incluís el cierre de cuenta, un motivo de cancelación posterior o un saldo calculado al terminar la ventana, estarías dando la respuesta al predictor. En negocios sin contrato, la inactividad es una etiqueta operativa, no una baja observada inequívoca.

Señales que vale la pena contrastar

No hay una familia universalmente más predictiva ni un plazo de anticipación fijo. Contrastá utilidad por segmento y antigüedad, revisá ausencias de datos y limitá la información a lo necesario. Un NPS aislado no es un diagnóstico de permanencia.

Pipeline de desarrollo y validación

Prepará ejemplos con fecha de corte, señales previas y resultado observado después. Separá entrenamiento, validación y prueba final. Google explica que usar repetidamente la prueba para elegir el modelo termina ajustando el proceso a esos datos. Para una decisión futura, reservá además un período posterior y evitá que registros de una misma cuenta filtren información entre particiones.

Compará con una regla sencilla y con una referencia que no detecte ninguna baja. En una base con pocas bajas, acertar casi todos los casos puede ocultar que el modelo no identifica abandonos. Revisá precisión de alertas, cobertura de bajas, calibración de probabilidades y resultados según segmento.

Ejemplo ficticio: en 1.000 cuentas hubo 50 bajas. Un modelo que predice permanencia para todas acierta 950 de 1.000, es decir 95 %, pero detecta cero bajas. Si otro alerta 100 cuentas y 30 abandonan, su precisión entre alertas es 30 % y su cobertura es 30 ÷ 50 = 60 %. Estas métricas todavía no prueban efecto de una campaña.

Reglas, aprendizaje supervisado y modelos de compra

No elijas por un umbral universal de 5.000 o 10.000 clientes. Importan cantidad de eventos, historia, cambios de producto, calidad de etiquetas y capacidad de mantenimiento. Una regla interpretable puede ser una referencia útil; un modelo más complejo debe demostrar mejora fuera de muestra que justifique su costo.

Los modelos supervisados estiman un resultado definido con ejemplos etiquetados. Los enfoques de supervivencia pueden considerar tiempo hasta salida y observaciones aún incompletas. En compras no contractuales, el trabajo de Fader, Hardie y Shang aborda la incertidumbre entre pausa y abandono; no autoriza a intercambiar modelos entre cualquier estructura de compra.

Un índice de salud construido con reglas no es automáticamente una probabilidad calibrada. Si un score de 80 no significa que aproximadamente 80 % de casos comparables abandonan en el horizonte, presentalo como índice de prioridad y explicá su escala.

Riesgo y efecto de intervenir son preguntas distintas

Ascarza compara reglas de selección en dos experimentos de campo: los clientes con mayor riesgo no son necesariamente quienes mejor responden a la intervención. El score describe un resultado probable; el efecto incremental compara actuar con no actuar. No podés observar ambos resultados individuales al mismo tiempo.

Probá una intervención con un diseño que permita estimar esa diferencia y su incertidumbre. Registrá costo, contribución y efectos no deseados. No llames “persuadible” a una cuenta sólo por combinar score medio y CLV alto. Si modelás respuesta heterogénea, validala también con evidencia nueva.

Para un cálculo simplificado, usá cambio incremental de permanencia × contribución futura condicional − costo. No lo multipliques otra vez por riesgo. Si la acción cambia precios, costos o flujos además de permanencia, compará esos flujos completos.

Operación, límites y mantenimiento

Cada alerta necesita responsable, explicación, capacidad de atención y resultado registrado. La intervención puede ser resolver una incidencia, facilitar un cobro o revisar valor con el cliente; no implica ofrecer descuentos automáticamente. El customer success debe poder señalar datos incorrectos y contexto omitido.

Supervisá frescura, mezcla de clientes, calibración y desempeño después de cambios de producto o política. Definí cuándo revisar con evidencia de deterioro y maduración de resultados, no con una promesa fija de recalibrar cada pocos meses. Conservá versiones y decisiones para auditar.

Conectá el modelo con la clasificación de bajas y con el sistema de intervención. Si no hay una acción segura o útil, mejorar una predicción no convierte por sí solo el proyecto en rentable.

Preguntas frecuentes

1. Google. Machine Learning Crash Course: Training, validation, and test sets.
2. Ascarza (2018). Retention Futility: Targeting High-Risk Customers Might Be Ineffective.
3. Fader, Hardie y Shang (2010). Customer-Base Analysis in a Discrete-Time Noncontractual Setting.