Predicción de abandono de clientes

El problema

Casi toda empresa con clientes recurrentes tiene una fórmula de riesgo. Cuatro o cinco señales, un peso para cada una, un umbral que separa a los clientes en riesgo del resto. Alguien la construyó con buen criterio y durante un tiempo funcionó.

Después el negocio cambió y la fórmula no. Trata igual a un cliente de tres meses y a uno de cuatro años, no distingue al que se va del que atraviesa un bache, y sus pesos siguen siendo los que alguien eligió aquella vez. La lista de riesgo termina llena de gente que no se iba a ir, y los que sí se van no aparecen. El equipo ejecuta bien sobre una lista mal armada.

Es un problema caro en un momento en que casi nadie puede permitírselo. En la encuesta de Gartner de 2025 a responsables de ingresos, el 73% declaró estar priorizando el crecimiento sobre la base de clientes que ya tiene.

La solución

Un modelo que calcula, para cada cliente, la probabilidad de darse de baja dentro de una ventana de tiempo definida, y las señales que más pesan en ese caso concreto.

El motivo se usa tanto como la probabilidad. Un cliente en riesgo por precio y otro por caída de actividad necesitan acciones distintas, y es el motivo lo que enruta a cada uno. La lista llega ordenada, así que se recorta por presupuesto y no por umbral. Si esta semana alcanza para trescientos contactos, son los trescientos primeros.

Lo que el modelo no hace es decidir a quién contactar. Eso depende del margen de cada cliente, del coste de la acción y de la capacidad del equipo. Son cosas que tu equipo sabe y el modelo no, y que pueden sumarse después como una capa de decisión por encima del modelo.

Por qué un modelo y no una fórmula mejor

Porque el problema no es que la fórmula tenga pocas señales. Es que las señales interactúan. Una caída de frecuencia no pesa lo mismo si vino después de una subida de precio, y ese efecto combinado cambia según el segmento y el momento del ciclo. Una suma ponderada no captura eso sin volverse inmanejable.

Y porque una fórmula fija envejece. El modelo se reentrena con el histórico que se sigue acumulando, aprende los patrones nuevos a medida que aparecen, y admite ajustes rápidos cuando entra una fuente de datos que antes no estaba.

Cómo se integra

El resultado se entrega donde el equipo ya trabaja, sea el CRM, la herramienta de campañas o el almacén de datos. Cada predicción viene con las señales que la explican, que es lo que permite elegir la acción y, en sectores regulados, justificar por qué un cliente entró en una lista.

El modelo queda vigilado. Un estudio de investigadores de MIT, Harvard y la Universidad de Monterrey encontró que el 91% de los modelos de machine learning se degrada con el tiempo. No es un defecto de construcción. Es lo que pasa cuando el mundo que el modelo aprendió deja de parecerse al que tiene delante. Por eso se mide de forma continua tanto la deriva de los datos como el acierto, y el reentrenamiento se dispara antes de que la caída llegue a los resultados.

El mismo modelo, otras aplicaciones

Un modelo de abandono predice el final de una relación recurrente a partir de señales de deterioro. Cambian los datos, no la estructura.