Predicción de churn: saber quién se va antes de que se vaya

La predicción de churn consiste en estimar, para cada cliente de tu cartera, la probabilidad de que deje de comprarte en los próximos meses. No es adivinación: es mirar qué hicieron los que ya se fueron antes de irse, y buscar ese mismo patrón en los que todavía están. La parte difícil no es el modelo. La parte difícil es que alguien coja la lista de clientes en riesgo y haga algo con ella antes de que la baja sea un hecho consumado.

Esta guía es para dirección, marketing y ventas de empresas que ya tienen histórico suficiente —un CRM con años de operaciones, un ERP con facturación, una plataforma con suscripciones— y sospechan que están perdiendo clientes que podrían haber retenido. Verás qué señales anticipan de verdad la fuga de clientes, cómo elegir la ventana de predicción, qué datos hacen falta, cómo se mide que el modelo sirve y, sobre todo, qué pasa el lunes siguiente con la lista.

¿Qué es la predicción de churn y en qué se diferencia de medir bajas?

Medir el churn es contar hacia atrás: cuántos clientes se fueron el trimestre pasado, cuánta facturación se llevaron. Es un KPI, y conviene tenerlo. Pero llega tarde por definición: cuando aparece en el informe, el cliente ya canceló, ya se llevó el contrato a otro sitio o lleva ocho meses sin pedir.

Predecir el churn es mirar hacia delante: dado lo que sé hoy de este cliente, ¿qué probabilidad hay de que en los próximos 90 días deje de ser cliente? El resultado no es un número agregado, es una lista nominal, ordenada, con un nombre y un porcentaje al lado.

Esa diferencia cambia quién usa el dato. El churn medido lo mira dirección una vez al mes. La predicción de churn la mira un comercial, un gestor de cuentas o alguien de atención al cliente cada semana, y actúa.

Antes de montar nada hay una pregunta previa que mucha gente se salta: ¿cómo defines que un cliente se ha ido? En un negocio por suscripción es fácil: hay una cancelación con fecha. En un negocio transaccional (distribución, servicios, retail B2B) no existe el evento «baja». Ahí tienes que inventarte la definición, y esa definición condiciona todo lo demás.

Una regla que funciona: mira el histórico de frecuencia de compra por cliente y define la fuga como «sin pedidos durante un periodo que el 90% de sus pedidos anteriores no superaba». Si un cliente pide cada tres semanas y lleva cuatro meses en blanco, se ha ido, aunque nadie lo haya dado de baja en ningún sistema.

Si no sabes decir con una fórmula qué cliente está dado de baja, no puedes predecir el churn. Lo primero no es el modelo: es la definición.

¿Qué señales predicen de verdad la fuga de clientes?

Hay señales que todo el mundo mete en el modelo y aportan poco, y señales que nadie recoge y son las que mandan. La diferencia está en si reflejan comportamiento reciente o solo describen al cliente.

Señales que suelen funcionar, ordenadas por lo que hemos visto aportar más:

• Cambio de ritmo. No el volumen, sino la derivada. Un cliente que pedía 10.000 € al mes y pasa a 6.000 € dos meses seguidos avisa más que uno que siempre pidió 6.000 €.
• Alargamiento del intervalo entre pedidos. La señal más barata de calcular y de las más potentes en negocios transaccionales.
• Reducción de la gama. Un cliente que compraba cinco familias de producto y se queda en una está probando a otro proveedor con el resto.
• Incidencias y su resolución. No el número de incidencias: el tiempo que tardaste en cerrarlas y si hubo reincidencia. Dos incidencias resueltas en un día importan menos que una abierta tres semanas.
• Caída de uso en productos de suscripción o software: usuarios activos, sesiones, funciones usadas. Un cliente que paga y no entra es un cliente que se va en la próxima renovación.
• Fin del contacto humano. Meses sin visita, sin llamada, sin respuesta a correos. Es señal y también causa.
• Cambio de interlocutor en el cliente. Cuando cambia la persona que decide, se revisan los proveedores heredados.

Señales que suelen aportar menos de lo que parece: sector, tamaño de empresa, provincia, antigüedad sin más. Describen, no anticipan. Sirven para segmentar la acción —no tratas igual a una cuenta de 200.000 € que a una de 3.000 €— pero rara vez son las que levantan la alarma. Si te interesa esa parte, la tratamos en la guía de segmentación de clientes.

Y una advertencia importante: cuidado con las señales que son consecuencia de la baja, no causa. Si metes «dejó de recibir la newsletter» y resulta que das de baja la newsletter al cancelar el contrato, tu modelo tendrá una precisión altísima y no servirá para nada. Es el error clásico de fuga de información del futuro, y aparece más veces de las que la gente admite.

¿Qué ventana de predicción conviene elegir?

La ventana es el plazo: ¿predices que se va en 30, 90 o 180 días? La respuesta correcta no es técnica, es operativa: la ventana tiene que ser igual o un poco mayor que el tiempo que tardas en hacer algo.

Si tu equipo tarda tres semanas en organizar una visita comercial, una predicción a 30 días llega justa. Si vendes por contrato anual y la renovación se negocia dos meses antes, lo que te sirve es una señal a 120 días.

| Tipo de negocio | Ventana razonable | Por qué | |---|---|---| | Suscripción mensual (software, servicios) | 30-60 días | La renovación es frecuente; la acción es un correo o una llamada rápida | | Distribución / consumibles B2B | 60-90 días | Hay margen para una visita y una propuesta antes del siguiente pedido | | Contrato anual con renovación negociada | 120-180 días | La decisión se cocina meses antes de la firma | | Retail / ecommerce con compra recurrente | 30-45 días | El ciclo es corto y la acción es automática (campaña, cupón) |

Una ventana demasiado corta da una lista de clientes a los que ya no llegas. Una demasiado larga da una lista enorme en la que casi nadie se va de verdad, y el equipo deja de hacerle caso en tres semanas. Si dudas, empieza por la ventana que más se parezca al intervalo típico entre pedidos de tu cartera.

¿Qué datos necesitas y en qué estado tienen que estar?

El mínimo honesto para que esto tenga sentido:

• Dos o tres años de histórico de operaciones. Menos de eso y no tienes suficientes bajas para aprender el patrón. Un modelo necesita ver irse a bastantes clientes, no a cuatro.
• Un identificador de cliente estable que cruce CRM, ERP y, si lo hay, la plataforma de producto. Si el mismo cliente aparece como tres fichas distintas, todo lo demás da igual.
• Fecha en cada evento. Pedidos, incidencias, contactos, pagos. Sin fecha no hay secuencia, y sin secuencia no hay predicción.
• Un volumen de bajas razonable. Si pierdes el 1% de clientes al año y tienes 300 cuentas, son tres bajas: no hay con qué entrenar. Ahí lo que toca es un conjunto de reglas explícitas, no un modelo.

Lo que no necesitas: un data warehouse montado, un lago de datos, ni cuarenta integraciones. El primer caso se hace con dos extracciones y un calendario de corte. Lo que sí necesitas es que esas dos extracciones estén limpias; si no sabes si lo están, empieza por ahí, que lo contamos en calidad de datos.

Un detalle técnico que importa más de lo que parece: hay que construir el histórico «como se veía entonces». Si entrenas con el saldo actual del cliente o con su categoría actual, estás usando información que en su momento no tenías. El modelo saldrá brillante en la prueba y mediocre en producción.

¿Cómo se sabe si el modelo sirve de algo?

Olvida la precisión global. En churn casi siempre es engañosa: si se te va el 7% de la cartera al año, un modelo que diga «nadie se va» acierta el 93% de las veces y es completamente inútil.

Lo que hay que mirar es el rendimiento en la parte alta de la lista, que es la única que el equipo va a trabajar:

• Cuántos de los 50 clientes con más riesgo se fueron de verdad en la ventana. Si de los 50 primeros se fueron 18 y la tasa base es del 7%, el modelo multiplica por cinco tu capacidad de apuntar. Eso ya es útil.
• Cuánta facturación en riesgo cubre esa lista. Un modelo que detecta bien las cuentas pequeñas y falla en las grandes es peor que uno con menos acierto global pero que no se deja ninguna cuenta de cien mil euros.
• Cuántos falsos positivos aguanta el equipo. Es una decisión de negocio, no estadística. Si llamar a un cliente cuesta media hora y retenerlo vale 20.000 €, puedes permitirte muchos avisos en falso. Si la acción es un descuento del 15%, muy pocos.

Y el único número que de verdad cierra el círculo: la tasa de retención del grupo contactado frente a un grupo de control que no se tocó. Es incómodo porque obliga a dejar clientes en riesgo sin acción durante un trimestre, y la tentación de saltárselo es enorme. Sin ese control no sabes si retuviste gracias al modelo o porque esos clientes no pensaban irse. Esa misma lógica de línea base la explicamos en medir el ROI de la IA.

¿Qué hace el equipo con la lista de clientes en riesgo?

Aquí es donde mueren la mayoría de los proyectos de predicción de churn. El modelo funciona, la lista se genera cada lunes, y nadie la abre. A las seis semanas, el proyecto está muerto aunque técnicamente funcione.

Lo que hace que se use:

• La lista va donde ya mira la persona. Un campo «riesgo de fuga» en la ficha del CRM, una vista filtrada, una tarea asignada. No un correo con un Excel adjunto.
• Tiene dueño. Cada cliente en riesgo aparece asignado a una persona con nombre, no «al equipo comercial».
• Lleva un porqué. No basta con «83% de riesgo». Hace falta «ha bajado el ritmo de pedidos un 40% y tiene una incidencia abierta desde hace tres semanas». Sin el motivo, el comercial no sabe con qué llamar y acaba no llamando.
• La acción está pactada antes. Tres o cuatro jugadas preparadas: visita, revisión de condiciones, llamada de servicio, cierre de la incidencia pendiente. Decidir qué hacer cliente a cliente no escala.
• Se cierra el bucle. Qué se hizo, qué pasó. Sin ese registro no se puede mejorar ni el modelo ni el guion. Y es exactamente lo que suele faltar: lo tratamos en gestión del cambio en proyectos de IA.

Una cosa más, poco popular: no todos los clientes en riesgo merecen esfuerzo. Hay cuentas que se van porque el encaje era malo desde el principio, y retenerlas con descuento es comprar un problema para el año que viene. La lista prioriza; no obliga.

¿Cómo montar el primer caso sin montar un proyecto de un año?

Un primer caso de predicción de churn se hace en seis u ocho semanas de trabajo real, no en un año. Así es como lo ordenamos:

| Fase | Qué sale | Tiempo | |---|---|---| | Definir la baja y la ventana | Una fórmula escrita y validada con negocio | 1 semana | | Extraer y cuadrar el histórico | Una tabla por cliente y mes, con fechas correctas | 1-2 semanas | | Primer modelo y evaluación | Lista de riesgo + rendimiento en el top 50 | 2 semanas | | Piloto con un equipo y un control | Acciones ejecutadas y registradas | 4-6 semanas | | Decisión | Se lleva a producción, se ajusta o se para | — |

Empieza por un segmento, no por toda la cartera. Un comercial, una línea de producto, una delegación. El objetivo del piloto no es tener el mejor modelo: es comprobar que, cuando el modelo avisa, alguien actúa y eso cambia el resultado. Si esa cadena no funciona en pequeño, no va a funcionar en grande con un modelo mejor.

Y si en la semana uno descubres que no sabes definir la baja, o que el identificador de cliente no cruza entre sistemas, has aprendido lo más barato que podías aprender. Ese trabajo previo es el que explica por qué tantos pilotos de IA se quedan en nada.

Preguntas frecuentes

¿Cuántos datos históricos hacen falta para predecir el churn?

Como mínimo dos años de operaciones y suficientes bajas reales para aprender el patrón: por debajo de unas 50-100 fugas en el histórico, un modelo no tiene de dónde generalizar. Con menos, es más honesto empezar con reglas explícitas (caída de ritmo, incidencia abierta, sin contacto en X meses) y revisarlas cada trimestre.

¿Sirve la predicción de churn en un negocio sin suscripciones?

Sí, pero antes hay que definir qué significa «irse» cuando nadie cancela nada. Se hace con una regla sobre el intervalo entre pedidos de cada cliente, comparando su ritmo histórico con su silencio actual. Esa definición es la pieza más delicada del proyecto y conviene pactarla con negocio por escrito.

¿Qué precisión es aceptable en un modelo de churn?

La precisión global no sirve como criterio porque las bajas son minoría. Lo que importa es cuántos clientes de los primeros puestos de la lista se van de verdad y cuánta facturación en riesgo cubres con un número de avisos que el equipo pueda trabajar. Un modelo que multiplica por tres o cuatro la tasa base ya cambia la forma de trabajar.

¿Puede el modelo discriminar o tratar mal a algunos clientes?

Puede, si se usa para repartir descuentos o nivel de servicio según el riesgo. Conviene revisar qué variables pesan, documentar la lógica y evitar que el modelo decida solo sobre condiciones comerciales. El criterio práctico: el modelo prioriza a quién llamas; la decisión sobre precio o servicio sigue siendo de una persona.

Si tienes el histórico y la sensación de que estás perdiendo clientes que podrías haber salvado, lo primero no es elegir una herramienta: es ver si tus datos sostienen una predicción útil y si tu equipo tiene margen para actuar sobre ella. Eso es parte de lo que miramos en la auditoría, y si prefieres contarlo en una conversación de media hora, hablemos.