01What it isQué es
Churn prediction scores every active customer on the likelihood that they will stop buying, combining purchase behavior with VoC signals, so that retention effort goes first to the customers who are both at risk and worth keeping.
La predicción de churn califica a cada cliente activo según la probabilidad de que deje de comprar, combinando el comportamiento de compra con señales de VoC, para que el esfuerzo de retención se dirija primero a los clientes que están en riesgo y que vale la pena conservar.
02Why it mattersPor qué importa
Customers rarely announce they are leaving; they buy less often, complain, then go quiet. Small gains in retention can raise profits disproportionately (Reichheld and Sasser, 1990 — Harvard Business Review), and the accuracy of churn models translates directly into money saved by better-targeted retention (Neslin, Gupta, Kamakura, Lu and Mason, 2006 — Journal of Marketing Research).
Los clientes rara vez avisan que se van: compran con menos frecuencia, se quejan y luego desaparecen. Pequeñas mejoras en la retención pueden elevar las utilidades de forma desproporcionada (Reichheld and Sasser, 1990 — Harvard Business Review), y la precisión de los modelos de churn se traduce directamente en dinero ahorrado por una retención mejor dirigida (Neslin, Gupta, Kamakura, Lu and Mason, 2006 — Journal of Marketing Research).
03How it is doneCómo se hace
1
Define churn per customer. Set the inactivity threshold relative to each customer's own buying rhythm, not one fixed number of days for everyone.
2
Blend behavior and voice. Train the model on frequency, ticket, NPS, service contacts and sentiment, and test it on a hold-out period.
3
Match action to value. Give the highest-value, highest-risk customers a personal call and lower tiers cheaper automated offers, then measure recovery by tier.
1
Define el churn por cliente. Fija el umbral de inactividad según el ritmo de compra de cada cliente, no un número fijo de días para todos.
2
Combina comportamiento y voz. Entrena el modelo con frecuencia, ticket, NPS, contactos con servicio y sentimiento, y pruébalo en un periodo de validación.
3
Ajusta la acción al valor. Da una llamada personal a los clientes de mayor valor y mayor riesgo, y ofertas automatizadas más baratas a los demás niveles; luego mide la recuperación por nivel.
04The concept in depthEl concepto a fondo
Churn prediction: identifying at-risk customers before they leave›
Acquiring a new customer is commonly estimated to cost several times more (often cited as ~5×) than retaining an existing one. Predictive indicators: (1) Decrease in purchase frequency. (2) NPS detractor score. (3) CS contact with negative sentiment. (4) Repeated cart abandonment. (5) Last purchase was low ticket. The combination of behavioral and VoC signals generates the most accurate models.
The churn prediction model: how to build it›
(1) Define the target variable (the customer has not purchased in the last X days for their historical pattern). (2) Select predictive variables (frequency, historical NPS, CS contacts, average ticket). (3) Train the model (logistic regression, random forest). (4) Churn score 0–100: customers with score >70 enter the retention program.
The ROI of the retention program›
A well-designed retention program can deliver a high ROI because the marginal cost of retaining an existing customer is small compared with the LTV preserved — the exact multiple depends on margins and on the cost of the offer.
Intermediate vs. Advanced›
Intermediate: identifies at-risk customers using defined indicators, executes assigned retention actions.
Advanced: designs the churn prediction model; implements the automated retention program; measures program ROI.
Advanced: designs the churn prediction model; implements the automated retention program; measures program ROI.
Predicción de churn: identificar a los clientes en riesgo antes de que se vayan›
Se estima comúnmente que adquirir un cliente nuevo cuesta varias veces más (con frecuencia se cita ~5×) que retener a uno existente. Indicadores predictivos: (1) Disminución de la frecuencia de compra. (2) Calificación de detractor en NPS. (3) Contacto con servicio al cliente con sentimiento negativo. (4) Abandono repetido del carrito. (5) Última compra de ticket bajo. La combinación de señales de comportamiento y de VoC genera los modelos más precisos.
El modelo de predicción de churn: cómo construirlo›
(1) Definir la variable objetivo (el cliente no ha comprado en los últimos X días según su patrón histórico). (2) Seleccionar las variables predictivas (frecuencia, NPS histórico, contactos con servicio al cliente, ticket promedio). (3) Entrenar el modelo (regresión logística, random forest). (4) Churn score 0–100: los clientes con score >70 entran al programa de retención.
El ROI del programa de retención›
Un programa de retención bien diseñado puede generar un ROI alto porque el costo marginal de retener a un cliente existente es pequeño frente al LTV que se preserva; el múltiplo exacto depende de los márgenes y del costo de la oferta.
Intermedio vs. Avanzado›
Intermedio: identifica a los clientes en riesgo con los indicadores definidos y ejecuta las acciones de retención asignadas.
Avanzado: diseña el modelo de predicción de churn; implementa el programa de retención automatizado; mide el ROI del programa.
Avanzado: diseña el modelo de predicción de churn; implementa el programa de retención automatizado; mide el ROI del programa.
05In practiceEn la práctica
Churn prediction is more profitable than new customer acquisition in mature relationships›
Acquiring a new customer typically costs several times more than retaining an existing one.
Combine VoC churn signals with purchase behavior signals›
A model combining behavioral and VoC signals has significantly higher accuracy than one using a single source.
Personal contact has the greatest retention impact for highest-value customers›
A personal call to a high-value at-risk customer usually has the highest ROI of all retention actions.
Churn rate should be segmented by acquisition cohort — not just as a global average›
If churn is increasing in the most recent cohorts, it may indicate a deterioration in the value proposition.
En relaciones maduras, predecir el churn es más rentable que adquirir clientes nuevos›
Adquirir un cliente nuevo suele costar varias veces más que retener a uno existente.
Combina las señales de churn de la VoC con las señales de comportamiento de compra›
Un modelo que combina señales de comportamiento y de VoC tiene una precisión significativamente mayor que uno que usa una sola fuente.
El contacto personal tiene el mayor impacto de retención en los clientes de mayor valor›
Una llamada personal a un cliente de alto valor en riesgo suele tener el mayor ROI de todas las acciones de retención.
La tasa de churn debe segmentarse por cohorte de adquisición, no solo verse como promedio global›
Si el churn aumenta en las cohortes más recientes, puede indicar un deterioro de la propuesta de valor.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Churn prediction program — e-commerce company, 280,000 active customers
The churn model identifies 42,000 customers with the highest probability of not purchasing again in the next 60 days.
The churn model identifies 42,000 customers with the highest probability of not purchasing again in the next 60 days.
| At-risk customer segment | Retention action | Recovery rate |
|---|---|---|
| Churn score >90 (NPS ≤4 AND >45 days without purchase) | 8,200 customers · Personal call + $200 MXN credit | 48% recovery rate · Revenue recovered: $4.8M MXN/month |
| Churn score 70–90 (>30 days without purchase, NPS <6) | 18,400 customers · Personalized email + 25% reactivation offer | 28% recovery rate · Revenue recovered: $2.1M MXN/month |
| Churn score 50–70 (early signals) | 15,400 customers · "Products you might like" notification | 14% recovery rate · Revenue recovered: $0.8M MXN/month |
Result: Total revenue recovered: $7.7M MXN/month. Program cost: $620K MXN/month. ROI: 12.4×. The highest-ROI segment is churn score >90 with personal call.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: programa de predicción de churn — empresa de e-commerce, 280,000 clientes activos
El modelo de churn identifica a 42,000 clientes con la mayor probabilidad de no volver a comprar en los próximos 60 días.
El modelo de churn identifica a 42,000 clientes con la mayor probabilidad de no volver a comprar en los próximos 60 días.
| Segmento de clientes en riesgo | Acción de retención | Tasa de recuperación |
|---|---|---|
| Churn score >90 (NPS ≤4 Y >45 días sin compra) | 8,200 clientes · Llamada personal + crédito de $200 MXN | 48% de recuperación · Ingreso recuperado: $4.8M MXN/mes |
| Churn score 70–90 (>30 días sin compra, NPS <6) | 18,400 clientes · Correo personalizado + oferta de reactivación de 25% | 28% de recuperación · Ingreso recuperado: $2.1M MXN/mes |
| Churn score 50–70 (señales tempranas) | 15,400 clientes · Notificación "Productos que te pueden gustar" | 14% de recuperación · Ingreso recuperado: $0.8M MXN/mes |
Resultado: Ingreso total recuperado: $7.7M MXN/mes. Costo del programa: $620K MXN/mes. ROI: 12.4×. El segmento de mayor ROI es el de churn score >90 con llamada personal.
07How it is measuredCómo se mide
Churn Rate %›
Churn Rate %
(Active customers who make no purchase in the following [X days] / Total active customers) × 100
Benchmark: <3% monthly churn with an active retention program · >8% indicates significant experience or competitiveness problems
⚠️ A monthly churn of 5% implies the company loses 46% of its customer base in 12 months — and needs to replace them through new acquisition to maintain revenue.
Customer Retention Program ROI›
Customer Retention Program ROI
Revenue recovered by the retention program / Program cost
Benchmark: >10× ROI in well-designed retention programs
🔑 The retention program ROI justifies investment in the churn prediction model and in the VoC.
Tasa de churn %›
Tasa de churn %
(Clientes activos que no realizan ninguna compra en los siguientes [X días] / Total de clientes activos) × 100
Benchmark: <3% de churn mensual con un programa de retención activo · >8% indica problemas significativos de experiencia o competitividad
⚠️ Un churn mensual de 5% implica que la empresa pierde 46% de su base de clientes en 12 meses, y necesita reemplazarlos con adquisición nueva para mantener el ingreso.
ROI del programa de retención de clientes›
ROI del programa de retención de clientes
Ingreso recuperado por el programa de retención / Costo del programa
Benchmark: >10× de ROI en programas de retención bien diseñados
🔑 El ROI del programa de retención justifica la inversión en el modelo de predicción de churn y en la VoC.
08What you would useQué se usa
📌 Churn Analytics
Salesforce Einstein / Adobe Experience Cloud›
Module: AI-Powered Churn Prediction + Retention Automation
CRM platforms with integrated churn prediction models.
CRM platforms with integrated churn prediction models.
Python (scikit-learn / XGBoost)›
Module: Custom Churn Prediction Models
For teams with internal analytical capabilities: churn prediction models in Python.
For teams with internal analytical capabilities: churn prediction models in Python.
📌 Analítica de churn
Salesforce Einstein / Adobe Experience Cloud›
Módulo: Predicción de churn con IA + automatización de retención
Plataformas de CRM con modelos de predicción de churn integrados.
Plataformas de CRM con modelos de predicción de churn integrados.
Python (scikit-learn / XGBoost)›
Módulo: Modelos de predicción de churn a la medida
Para equipos con capacidades analíticas internas: modelos de predicción de churn en Python.
Para equipos con capacidades analíticas internas: modelos de predicción de churn en Python.
The bottom lineEn corto
Find the customers who are quietly leaving while they can still be won back, and spend the most on the ones worth the most.
Encuentra a los clientes que se están yendo en silencio mientras aún se pueden recuperar, e invierte más en los que más valen.
← PreviousAnteriorCX root cause analysis & operational improvement loopAnálisis de causa raíz de CX y ciclo de mejora operativaNextSiguiente →Competitive benchmarking of CX: NPS, delivery & service metricsBenchmarking competitivo de CX: NPS, entrega y métricas de servicio
All D09 componentsTodos los componentes de D09D09 artifactsArtifacts de D09SCRA