El churn se puede prevenir porque casi nunca es repentino. El problema es que las señales que lo anticipan no aparecen en ningún reporte estándar: hay que definirlas, medirlas contra la normalidad de cada usuario y convertirlas en umbral.
El principio
La señal es relativa al usuario, no al promedio. Alguien que operaba tres veces por semana y bajó a una está en riesgo, aunque siga por encima de la media de la base. Comparar contra el promedio general esconde exactamente los casos que importan.
Las señales, por valor y por ventana
| Señal | Cómo se define | Ventana | Valor |
|---|---|---|---|
| Caída de frecuencia | Operaciones del período contra su propia media móvil | Temprana | Alto |
| Saldo que baja y no vuelve | Retiros sin reposición durante N ciclos | Temprana | Alto |
| Abandono de la feature ancla | Dejó de usar aquello por lo que se quedaba | Temprana | Alto |
| Pago fallido sin reintento | Rechazo que nadie recuperó | Media | Muy alto |
| Caída de profundidad | Pasó de usar dos o más productos a uno | Media | Medio |
| Soporte sin resolución | Ticket abierto o cerrado tarde | Media | Alto |
| Silencio | Cero actividad en el período normal de su cohorte | Tardía | Bajo: ya es win-back |
Empezar con reglas, no con modelo
Un sistema de reglas sobre tres o cuatro señales bien elegidas captura la mayor parte del valor y se puede construir en semanas. Un modelo predictivo necesita historia, mantenimiento y alguien que lo entienda, y sin las señales bien definidas aprende sobre datos sucios.
- Definí la normalidad por cohorteQué es frecuencia normal para un usuario de tres meses no es lo mismo que para uno de dos años.
- Elegí tres señales, no diezLas de ventana temprana y valor alto. Más señales al principio significa más ruido y menos claridad sobre qué disparó qué.
- Definí el umbral y probalo hacia atrásCorré la regla sobre los últimos meses: ¿habría marcado a los que efectivamente se fueron? Si marca al 60% de la base, el umbral está mal.
- Un journey por señalEl mensaje cambia según la causa. Quien bajó la frecuencia y quien tuvo un pago rechazado necesitan cosas distintas.
- Holdout desde el día unoSin grupo de control no vas a poder distinguir a los que se quedaron por el journey de los que se iban a quedar igual.
Dos errores caros
- Marcar a demasiada gente. Si tu regla de riesgo alcanza a media base, es una campaña masiva con otro nombre, y el costo de contacto se dispara sin retorno.
- Un solo mensaje para todas las señales. Desperdicia la parte más valiosa del sistema, que es saber por qué está en riesgo.
Ver también: el pilar de retención y qué eventos hacen falta.
Preguntas frecuentes
¿Cómo se detecta a un usuario en riesgo de churn?
Comparando su comportamiento reciente contra su propia normalidad, no contra un promedio general. Alguien que operaba tres veces por semana y bajó a una está en riesgo aunque siga por encima del promedio de la base. El umbral es relativo al usuario y a su cohorte.
¿Hace falta un modelo de machine learning?
No para empezar, y arrancar por ahí suele ser un error. Un conjunto de reglas sobre tres o cuatro señales bien elegidas captura la mayor parte del valor. El modelo tiene sentido cuando ya tenés el sistema corriendo y querés afinar, no para reemplazar el criterio inicial.
¿Cuál es la señal más predictiva?
Depende del producto, y esa es la respuesta honesta. En lending suele ser el comportamiento alrededor del primer repago; en un wallet, la caída de frecuencia; en un neobanco, el saldo que baja y no vuelve. Hay que encontrarla en tu propia data, no copiarla.
¿Cuándo es demasiado tarde para intervenir?
Cuando el usuario ya resolvió su necesidad en otro lado. Por eso la señal temprana vale tanto más que la tardía: intervenir cuando alguien lleva noventa días sin operar es win-back, que tiene mucho peor retorno que la prevención.
El churn casi nunca avisa. Lo que avisa es el comportamiento: sesiones más cortas, un pago que se atrasa dos días.
¿Podés nombrar tus tres señales de riesgo?
Si la respuesta no es inmediata, ahí está el trabajo. Media hora para definirlas.
Agendá un diagnóstico de 30 min →