Cómo saber qué clientes van a churnear antes de que sea tarde

La mayoría de los equipos de Customer Success se enteran de que una cuenta está en riesgo cuando ya es tarde para salvarla. Este es el camino que me llevó, entre un semáforo de Excel y una maestría en datos, a entender por qué el health score estático no alcanza, y cómo un modelo predictivo como Pendo Predict cambia la unidad de trabajo de "revisar cuentas" a "responder señales".

De qué habla este post

Todo equipo de Customer Success tiene una versión de la misma escena: una cuenta grande avisa que se quiere ir, y cuando alguien mira para atrás, las señales estaban ahí desde hacía meses. Nadie las estaba mirando.

Este post es sobre por qué pasa eso. Por qué la mayoría de los equipos se sigue enterando tarde de que un cliente se va, por qué juntar más datos no resuelve el problema (spoiler: nunca fue un problema de falta de datos), y por qué recién ahora, con IA, es posible pasar de "revisar cuentas" a "responder señales".

Para explicarlo bien, primero tengo que contarte cómo llegué yo a entenderlo. Me llevó dos intentos fallidos, separados por cuatro años, y una maestría de por medio.

2015. Mi primer modelo estático en Excel.

En 2015 trabajaba en el equipo de performance marketing de una startup de marketplace de productos usados, en Brasil. Nuestro trabajo era decidir dónde poner la plata: invertíamos bastante en Google Ads, en Search.

Y ahí aparecía siempre la misma pregunta: de todos los avisos que teníamos corriendo, ¿cuáles valía la pena seguir pusheando, y cuáles había que apagar?

Bajábamos toda la data de Google Ads a una planilla. Mirábamos el CTR de cada aviso, la tasa de conversión, y el volumen de impresiones, para saber si ese CTR era un dato real o pura casualidad de una muestra chica. Con eso armábamos algo que en ese momento nos parecía sofisticadísimo: un semáforo. Verde los que mejor andaban, rojo los que peor, amarillo los del medio.

Mirado con la distancia de hoy, era todo menos predictivo. Era una foto de lo que ya había pasado la semana anterior. Si un aviso se rompía un martes, nosotros nos enterábamos el lunes siguiente, cuando armábamos de nuevo la planilla. Completamente estático. Completamente reactivo.

Ese semáforo me duró hasta que quise hacer las cosas en serio. Y para eso tuve que volver a estudiar.

2019. Predecir clicks para mover la facturación real de una empresa.

Cuatro años después estaba haciendo una maestría en datos, y ahí empecé a aprender modelos predictivos de verdad: regresión logística, árboles de decisión, random forest, redes neuronales. Toda una caja de herramientas que en mi cabeza de performance marketer ni existía.

En una de las materias, el profesor armó una competencia adentro de la clase: nos dividió en grupos y nos compartió un dataset con información real de anuncios, de una empresa real de la industria. El objetivo era predecir si un anuncio iba a generar click o no. Suena chico, pero para esa empresa era plata concreta: mejor predicción, más ingresos.

Con mi grupo, lo primero que tuvimos que hacer fue limpiar ese dataset: variables con valores que no tenían ningún sentido, categorías rarísimas, mucho ruido para filtrar antes de poder hacer cualquier otra cosa. Después armamos las variables que le íbamos a dar de comer al modelo, elegimos un modelo, lo entrenamos con una parte de los datos, y lo corrimos contra el resto para ver qué tan bien predecía. Ese fue el loop que repetimos durante semanas: entrenar, correr, mirar qué tan bien predijo, ajustar, volver a entrenar.

Terminamos con un modelo sólido. Pero entre limpiar los datos, elegir las variables, entrenar y volver a entrenar, nos llevó semanas enteras, entre varias personas, para resolver un solo problema, con el dataset ya armado y entregado en un solo archivo.

Durante años pensé que esta era mi historia personal. No lo es.

Los dos caminos que casi todas las empresas usan para atacar el churn

El semáforo en Excel y el equipo de data science son, casi textual, los dos caminos que la mayoría de las empresas usa para hacer seguimiento a sus cuentas e intentar predecir cuáles van a churnear.

El enfoque de la medición manual estática (el Excel) es rápido de armar, no depende de nadie. Pero usa una fracción mínima de los datos que en realidad hay disponibles, y se desactualiza solo: cambia algo en el producto y la planilla ya está mintiendo. Hay que estar corrigiéndola a mano todo el tiempo.

El enfoque de data science (lo que hice en la maestría, lo que hoy hace un equipo interno) es potente de verdad. Pero la construcción promedio lleva nueve meses, y el 85% de estos proyectos nunca llega a producción.

Uno es rápido y débil. El otro es fuerte y lentísimo. Ninguno de los dos sirve un lunes a la mañana.

¿Y por qué fallan los dos? Por la misma razón, y no es la que la mayoría piensa.

El problema no es falta de datos

Todos quieren ser más data-driven. Y el dato no falta. Lo que falta es dato limpio, centralizado, que se pueda convertir en algo usable. Y eso es rarísimo de tener, por cuatro razones:

1. Los datos viven en silos entre herramientas y equipos: el producto por un lado, el CRM por otro, el sistema de tickets por otro. Cada herramienta con su propia verdad.

2. La preparación y la limpieza se comen el 80% del esfuerzo, antes de sacar un solo insight. Con el dataset de la maestría, que ya nos habían entregado armado en un solo archivo, la mayor parte de esas semanas no se nos fue en el modelo: se nos fue en entender y limpiar los datos. Con los datos repartidos en cinco sistemas distintos, es peor.

3. Cada cambio depende de un data scientist. Querés agregar una variable, cambiar una regla, y entrás en una cola de prioridades que no controlás.

4. Cuando por fin sale algo, el resultado es tan complejo, y vive tan lejos de las herramientas donde el equipo trabaja, que nadie lo puede accionar.

No falta el dato. Falta el camino del dato a la acción. Y cuando ese camino está roto, el costo no es técnico: es que hay preguntas de negocio clave que no se pueden contestar.

¿Qué cuentas están en riesgo, hoy? ¿Cómo priorizás tu cartera cuando llega el lunes? ¿A quién le hacés upsell, y por qué a ese y no a otro? ¿Dónde tenés que invertir más en soporte? Las cuatro se pueden responder con datos de uso de producto que la mayoría de los equipos ya tiene. El problema es que, sin las señales correctas, ninguna tiene respuesta.

Y esto no es un problema de eficiencia, es un problema de plata: en Estados Unidos se estima que el churn de clientes le cuesta 136 mil millones de dólares al año a la industria. El punto de fondo aplica igual en cualquier mercado: el costo de conseguir un cliente nuevo siempre va a ser más alto que el de retener y expandir uno que ya está. Se habla mucho de net retention, pero para llegar ahí primero hay que sostener la gross retention: no perder lo que ya está.

La pregunta honesta

Pensá en la última cuenta que se te quiso dar de baja este trimestre. Una de verdad, con nombre y apellido. ¿La viste venir? ¿O reaccionaste?

Para la mayoría de los equipos, cuando el riesgo por fin aparece en el dashboard, ya no es una conversación de rescate: ya es una conversación de renovación. Y son dos conversaciones muy distintas.

El que trabajó en Customer Success sabe de qué hablo: la sensación de abrir el mail un martes cualquiera y encontrarte con un aviso de cancelación de una cuenta grande que no viste venir. Y lo peor no es perder la cuenta: es darte cuenta, mirando para atrás, de que las señales estaban. Estaban hace meses. Pero nadie las estaba mirando.

De esto se trata todo lo que sigue: no de reaccionar mejor, sino de tener margen. Enterarte con tiempo suficiente para poder hacer algo.

Un health score estático es una autopsia

Te dice qué pasó, semanas tarde, en base a reglas que alguien escribió hace meses y que nadie volvió a tocar. Es una mirada hacia atrás: sirve para explicar, no para cambiar el resultado.

Lo que hace falta es lo opuesto: un estetoscopio. El aparatito que escucha todo el tiempo, de forma continua, y avisa cuando algo cambia, ahora.

La diferencia entre los dos es concreta, no es filosofía. El health score de ayer usa reglas ajustadas a mano, escritas hace meses; se actualiza una vez por semana o por trimestre; aplica la misma lógica a todas las cuentas por igual; y te dice qué pasó. El modelo que viene aprende patrones de tu propio historial de churn (no de reglas que alguien supuso); se actualiza todos los días; se ajusta cuenta por cuenta y te explica el motivo en palabras que el equipo entiende; y te dice qué está por pasar.

Ese es el salto: de explicar el pasado a anticipar lo que viene. Y no es cambiar de herramienta: es cambiar qué es una unidad de trabajo para el equipo.

De la retención reactiva a la protección proactiva de revenue

En el modelo viejo, la unidad de trabajo es la revisión de cuentas: manual, semanal, exhaustiva, y tardía. El CSM abre el lunes a la mañana y tiene que leer ochenta dashboards para darse cuenta de algo que quizás pasó hace diez días, y lo hace igual para las ochenta cuentas aunque setenta y cinco estén perfectas.

En el modelo nuevo, la unidad de trabajo es la señal: una sola cosa que cambió, detectada en el momento en que ocurre, y derivada directamente a la persona que puede hacer algo al respecto. El CSM deja de ser un revisor de dashboards y pasa a ser alguien que responde señales. Es un rol distinto, y bastante más interesante de hacer.

¿Y cómo se ve eso en la práctica un lunes a la mañana? Tres principios:

1. Monitoreo continuo: el sistema mira cada cuenta todos los días, para que las personas no tengan que hacerlo. No es el check-in semanal donde te enterás de algo cuando el cliente te lo dice, que suele ser cuando ya es tarde para intervenir.

2. Priorización contextual: la pregunta no es "qué cuentas están en riesgo" (eso devuelve una lista de treinta cuentas y no sabés por dónde empezar), sino "a qué cuenta tengo que llamar primero, hoy, y por qué".

3. Acción en el flujo de trabajo: el siguiente paso aparece donde el trabajo ya pasa (CRM, Slack, bandeja de entrada), no en otra pestaña que hay que acordarse de abrir. Y no todo tiene que pasar por una persona: hay cosas que se le pueden comunicar directo al cliente, y el CSM usa ese tiempo en lo que sí requiere criterio humano.

Pensemos en lo que le estamos pidiendo a un humano acá: mirar todas las cuentas, todos los días, correlacionando cientos de señales al mismo tiempo, y encima explicando el porqué de cada una. Ningún equipo humano puede hacer eso. No es cuestión de esfuerzo: no dan los números.

Un modelo sí puede. Encontrar patrones entre cientos de variables (patrones que a simple vista un humano no ve) es exactamente el tipo de tarea donde la IA nos supera ampliamente. Y no devuelve solo un puntaje: puede mostrar los drivers, qué está empujando ese número, para que el CSM sepa dónde intervenir. Ahí es donde la IA deja de ser una palabra de moda y pasa a ser la pieza que hace posible este modelo operativo.

Acá entra Pendo Predict

Pendo Predict es un motor de IA que ingiere señales de tres lados: uso de producto (de Pendo o de la fuente que ya tengan), data del CRM (llamadas, actividades, fechas de renovación), y señales de terceros (mails, interacciones de soporte). Con todo eso aprende de tu propio historial de churn, upsells y cross-sells reales (no de reglas que alguien supuso hace un año) y califica cada cuenta todos los días.

Tres números importan acá:

- Más de 150 data points por cuenta. Para comparar: un health score armado a mano se alimenta de cinco o seis variables, las que a alguien le pareció que importaban.

- Cuando marca una cuenta como crítica, esa cuenta es 3 veces más propensa a churnear que el resto de la cartera. Ya no es una lista genérica de riesgo: es un orden real de a quién llamar primero.

- Se actualiza todos los días, no una vez por trimestre.

En implementaciones más maduras, el volumen de señales sube bastante más allá de los 150 típicos: en el caso de Emburse, que cuento abajo, se llegó a más de 700.

Pensalo como tener a un data scientist y un analista de datos con IA, trabajando juntos las 24 horas, automatizando exactamente la parte que a mí me llevó semanas en 2019: limpiar los datos, encontrar los patrones, mantener el modelo actualizado cuando algo cambia. Eso libera el tiempo del equipo para la parte que sí necesita criterio humano: qué hacer con la predicción, cuál es el playbook, qué le van a pedir al equipo. Eso es lo que termina moviendo el número. La predicción sola no salva ninguna cuenta.

Por dentro, el flujo es: conectar las fuentes (Pendo, CRM, BI), dejar que la IA limpie, normalice y optimice todo eso (la caja que se come el 80% del esfuerzo del que hablé antes), armar el modelo predictivo con pasos guiados y sin código, y activar la predicción directo en el flujo de trabajo: notificaciones en Slack, guías embebidas en el CRM, journeys automáticos in-app o por mail. El rep no tiene que ir a buscar el dato: el dato le llega, con la próxima acción recomendada.

El caso de Emburse

Emburse, una empresa de software de gestión de gastos y viajes de negocio (500 a 1.000 empleados), tenía la data de salud de sus clientes repartida en cuatro sistemas desconectados. Sus CSMs tenían que unir esas señales a mano, sin una vista unificada. Para cuando el riesgo de churn aparecía, ya era tarde para actuar: el equipo vivía apagando incendios, y el liderazgo estaba a ciegas en las renovaciones.

Como dijo Kelly Causey, VP de Customer Success de Emburse: "Pasaba mis días explicándole sorpresas al liderazgo en vez de prevenirlas."

Pendo Predict unificó más de 700 señales en un solo modelo predictivo y empezó a mandar los risk scores directo a Salesforce, dándole al equipo 90 días de visibilidad hacia adelante sobre las cuentas en riesgo, sin sumar una sola persona al equipo. El resultado: 3,1 veces más rápido el tiempo de reacción sobre cuentas en riesgo, y un costo de servicio que bajó al 2% (venía de 3-4% del ARR).

Tres preguntas para llevarte a tu próxima reunión

No son para responder acá. Son para tu próxima reunión de equipo o con tu liderazgo:

1. ¿Cómo descubre realmente un CSM de tu equipo que una cuenta está en problemas? No cómo debería: cómo lo descubre hoy. Y sobre todo, ¿cuántos días de anticipación le da eso para hacer algo?

2. Si mañana duplicaras la cartera de cada CSM (algo que puede pasar perfectamente este año), ¿qué parte de su semana se rompe primero?

3. ¿Qué haría tu equipo si cada lunes a la mañana, en vez de un dashboard, recibiera una lista priorizada de cuentas, con el motivo?

Ahí está el diagnóstico de qué tan lejos están del modelo del que hablé en este post.

El salto que no tiene por qué tardar años

Tardé años en pasar del semáforo en Excel a entender que esto se podía hacer de otra forma. Vos no tenés por qué tardar lo mismo: hoy, con herramientas como Pendo Predict, ese salto se hace en semanas, no en años, y sin depender de armar un equipo de data science interno.

En Bildung implementamos Pendo (y el resto del stack de growth y retención) para equipos de Customer Success y Producto en LatAm. Si te reconocés en alguna de las tres preguntas de arriba, escribime a guido@bildungdata.com y lo vemos juntos.