La reunión que se repite en todo proyecto de churn que veo: el equipo de datos presenta modelo con 85% de precisión, gráfico lindo, lista de 200 clientes con alta probabilidad de churn. La dirección pregunta "¿qué hacemos con esto?". Y ahí el silencio. No hay playbook. No hay dueño. No hay decisión. La lista va al Slack del equipo de CS, que dice "guau, son muchos", y nada pasa. En tres meses, nadie mira el modelo. En seis, degrada. En doce, se vuelve diapositiva de "probamos churn prediction y no funcionó".
La falla no es del modelo. Es de antes: nadie definió qué era "pérdida" en el contexto de la empresa y qué se haría con la previsión. Este texto va sobre cómo evitar esa trampa — empezando por la definición, no por el modelo.
Por qué "churn" significa cosas distintas
La palabra "churn" parece autoexplicativa: cliente que se va. Pero en la práctica, cada modelo de negocio define pérdida distinto:
SaaS B2B con suscripción. Churn = cancelación de contrato O no renovación. ¿Incluye downgrade significativo? ¿Incluye cambio de tier? Cada decisión cambia el modelo.
SaaS B2C con suscripción. Churn = cancelación explícita O 90 días sin login. La segunda variante captura churn pasivo que el usuario no declaró todavía.
Varejo con transacción recurrente. Churn = sin compra en N días, donde N varía por categoría (60 días para mercado, 180 días para calzado, 365 días para electrónico). Sin segmentar por categoría, el modelo agregado es inútil.
B2B con ingreso recurrente no contractual. Churn = reducción abrupta de volumen de pedidos O cambio de comportamiento (frecuencia, ticket promedio). Más difícil de definir, exige proxy.
Financial services (banco, corredora). Churn = movimiento de patrimonio al competidor O cierre de cuenta O inactividad prolongada. Cada uno acciona respuesta distinta.
Sin nombrar la definición, no hay modelo útil. Equipo que se saltea esa etapa entrega modelo de churn para "alguna cosa parecida a irse" — y descubre que nadie acciona porque nadie reconoce como problema.
El análisis de churn empieza en definición, no en modelo. La pregunta "¿quién es un cliente que perdimos?" tiene 4–7 respuestas posibles según el negocio. Sin elegir una, cualquier modelo trabaja para la respuesta equivocada.
Las cinco preguntas antes del modelo
La regla que aplicamos antes de cualquier proyecto de churn analytics. Sin responder esas cinco, el modelo es ejercicio técnico que no se vuelve retención.
- ¿Qué es "pérdida" en nuestro contexto? Respuesta específica y operativa. No "cliente que se va" — "cliente que no renueva en 30 días después del vencimiento de contrato". Definición testeable y auditable.
- ¿Qué vamos a hacer con la previsión? Lista nominal de acciones. "El vendedor llama", "CS ofrece descuento", "campaña de mail de retención", "invitación a trial de feature nueva". Sin playbook, la previsión es dato que no se vuelve decisión.
- ¿Cuál es la ventana de antelación útil? ¿30 días? ¿60 días? El equipo necesita para reaccionar. Si el vendedor necesita 45 días para revertir, modelo que prevé con 15 días de antelación es inútil. Calibrar antes de modelar.
- ¿Cuál es el costo de falso positivo vs. falso negativo? Falso positivo (alarma sobre quien no se iba) cuesta tiempo de CS. Falso negativo (no previó a quien se fue) cuesta ingreso perdido. Calibrar el threshold del modelo depende de esa relación — y de eso depende la estrategia de retención.
- ¿Quién es dueño de la ejecución de las acciones de retención? Sin dueño nominal, la lista va al Slack y muere. El dueño es persona específica, con mandato para accionar el playbook.
Quien responde los cinco antes de que empiece el proyecto tiene chance de que churn analytics rinda. Quien responde durante o después invierte en modelo lindo que nadie usa.
La relación entre estrategia de retención y modelo
El modelo de churn solo tiene sentido si hay estrategia de retención para accionar. Tres niveles de madurez:
Nivel 0: sin estrategia de retención. La empresa nunca priorizó retención operativa. No hay playbook, no hay dueño, no hay acciones probadas. El modelo de churn acá es ejercicio académico — sin brazo para ejecutar. La inversión correcta acá es construir estrategia primero, modelo después.
Nivel 1: acciones de retención reactivas. El equipo de CS reacciona cuando el cliente reclama o señala salida. Funciona para parte del problema, falla en capturar churn silencioso (cliente que se va sin reclamar). El modelo de churn en este nivel ayuda — si el equipo tiene capacidad para actuar proactivamente, no solo reaccionar.
Nivel 2: estrategia proactiva estructurada. La empresa tiene playbooks segmentados, dueños definidos, métricas de éxito de retención. El modelo de churn se vuelve herramienta poderosa — alimenta priorización de lo que ya es proceso maduro. Acá el ROI es claro.
La mayoría de las empresas brasileñas de tamaño medio están en Nivel 0 o 1 — e invierten en modelo de churn antes de construir Nivel 2. Esa es la razón número uno de "proyecto de churn que no rindió".
Dónde el modelo de churn vale de hecho
Cuatro contextos donde el modelo entrega ROI claro:
SaaS con contrato anual y renovación concentrada. Volumen alto de contratos venciendo en el mismo trimestre, equipo de CS con capacidad reactiva agotada. El modelo prioriza dónde invertir. Lift típico en retención: 5–15%.
B2C con volumen alto de suscriptores. Telecom, streaming, fintech. El volumen hace lo manual imposible, modelo + automatización de campaña se vuelve único camino. Lift: 3–10%.
B2B con producto crítico y ciclo de venta largo. Donde perder cliente significa 12–24 meses para recuperar el ingreso vía nuevo cliente. Justifica inversión alta en prevención. Lift: 10–20%.
Financial services con dato rico de comportamiento. Banco, corredora tienen señales ricas de comportamiento (login, transacción, app usage). El modelo captura señal precoz, el equipo actúa con el cliente correcto. Lift: 15–25%.
Fuera de esos cuatro, el modelo de churn tiende a ser overshoot — e inversión en estrategia/playbook entrega más resultado por menos costo.
La trampa del "corramos churn para ver"
La frase que mata al proyecto: "corramos análisis de churn para ver qué sale". Suena pragmático, pero es el error de empezar por la herramienta sin definir el problema.
El equipo corre modelo, genera lista, distribuye. Nadie sabe qué hacer porque nadie pensó antes. El modelo degrada (drift de comportamiento a lo largo del tiempo), el equipo pierde interés, el proyecto muere en silencio.
La versión correcta: empezar por la estrategia, escribir playbook, definir dueño, después correr el modelo para alimentar el playbook. Inversión de orden cuesta entre 3 y 9 meses de retrabajo.
La decisión para 2026
Si tu empresa está por correr análisis de churn (o tiene modelo corriendo sin rendir), tres movimientos honestos:
Respondé las cinco preguntas por escrito. Definición operativa de churn, acciones post-previsión, ventana útil, calibración de costo, dueño nominal. Documento de 2 páginas. Sin él, cualquier modelo entrega ruido.
Construí playbook de retención segmentado. Cliente alto valor + alta probabilidad de churn = vendedor sénior llama en 48h. Medio valor + alta probabilidad = automatización de mail + monitoreo. Sin segmentación, el equipo de CS se ahoga en 200 alertas.
Calibrá el modelo por el costo, no por la acertividad. Modelo con 70% de acertividad bien calibrado para falso negativo puede rendir más que modelo con 90% bien calibrado para falso positivo — depende del costo de cada error para el negocio.
Como en cualquier proyecto de dato en 2026, el problema rara vez está en la técnica. Está en lo que se le pidió a la técnica antes de aplicarla. El análisis de churn sigue esa regla: equipo que define pérdida en alineación con estrategia de retención entrega modelo que reduce cancelación. Equipo que se saltea esa etapa entrega ejercicio de ML que se vuelve diapositiva de "lecciones aprendidas".