Modelos predictivos de churn: cuándo le sirven a una pyme

La mayoría de los negocios se entera de que perdió a un cliente cuando ya pasó: el reporte del trimestre muestra menos recompras y nadie sabe quién dejó de venir. Un modelo predictivo de churn cambia el orden. Señala a quién está por irse mientras todavía se puede hacer algo.

Qué es un modelo predictivo de churn

Churn es la proporción de clientes que dejan de comprar en un período. Un modelo predictivo de churn no la mide después: le asigna a cada cliente activo una probabilidad de irse, a partir de cómo se comportaron antes los clientes que efectivamente se fueron.

En un ecommerce o en una pyme con recompra, el modelo no necesita datos exóticos. Las señales que más pesan suelen estar en el historial de pedidos que ya tienes:

Recencia. Cuántos días pasaron desde la última compra, comparados con el ritmo habitual de ese mismo cliente. Veinte días sin comprar no significan lo mismo para quien compra cada semana que para quien compra cada dos meses.

Frecuencia. Si el intervalo entre pedidos se está alargando. Un cliente rara vez desaparece de golpe: primero espacia sus compras.

Valor. Si el ticket baja o la canasta se achica. Es la otra forma de irse: seguir comprando, pero cada vez menos.

Cuándo le sirve a una pyme y cuándo todavía no

El modelo es la parte fácil. Lo que decide si sirve son dos condiciones previas.

Un historial de compras confiable. Cada pedido tiene que estar asociado a un cliente identificable, con fecha y monto. Si las ventas por WhatsApp, en tienda y en la web viven en registros separados, el modelo verá tres clientes donde hay uno, y dará por perdido a quien solo cambió de canal. Por eso ANTICIPAR depende de MEDIR: sin medición verificada, la predicción aprende de datos incompletos.

Una acción para cada nivel de riesgo. Una lista de clientes ordenada por probabilidad de irse no retiene a nadie por sí sola. Antes de construir el modelo conviene decidir qué recibe cada grupo: un contacto directo para los clientes de mayor valor en riesgo alto, una oferta para el riesgo medio y nada para quienes van a seguir comprando de todas formas.

Si falta cualquiera de las dos, el primer paso no es el modelo. Es ordenar los datos o diseñar la respuesta.

Cómo empezar sin un equipo de ciencia de datos

1. Define qué significa irse en tu negocio. En una tienda de consumo frecuente pueden ser 45 días sin comprar; en un negocio de compra estacional, un año. La definición sale del ritmo real de recompra de tus clientes, no de un promedio de la industria.

2. Arma una segmentación RFM. Recencia, frecuencia y valor monetario, calculados por cliente, ya separan a los clientes en riesgo de los estables. Es una consulta sobre la tabla de pedidos, no un proyecto de meses.

3. Compárala contra lo que ya pasó. Toma una fecha de corte en el pasado, mira a quién habría marcado la segmentación como riesgo alto y revisa cuántos de ellos efectivamente dejaron de comprar. Si acierta mejor que el azar, ya es útil.

4. Pasa a un modelo cuando la segmentación se quede corta. Un modelo estadístico suma señales que RFM no ve —visitas al sitio, aperturas de mensajes, reclamos— y estima probabilidades individuales en vez de grupos. Vale la pena cuando el volumen de clientes hace imposible revisar los segmentos a mano.

El error más caro: tratar a toda la base por igual

Sin predicción, la retención suele ser un descuento general. Ese descuento lo cobran también los clientes que iban a volver sin él, y no llega a tiempo a los que ya se estaban yendo. Un modelo de churn convierte ese gasto parejo en un gasto dirigido: menos dinero, a menos personas, en el momento en que todavía cambia la decisión.

Si no sabes si tu historial de compras está listo para predecir, la Auditoría de medición revisa exactamente eso antes de construir nada.