Como saber quais clientes vão cancelar antes que seja tarde demais

A maioria dos times de Customer Success só descobre que uma conta está em risco quando já é tarde para salvá-la. Este é o caminho que me levou, entre um semáforo estático no Excel e um mestrado em dados, a entender por que o health score estático não é suficiente, e como um modelo preditivo como o Pendo Predict muda a unidade de trabalho de "revisar contas" para "responder a sinais".

Do que fala este post

Todo time de Customer Success já viveu uma versão da mesma cena: uma conta grande avisa que vai cancelar, e quando alguém olha para trás, os sinais estavam lá há meses. Ninguém estava olhando para eles.

Este post é sobre por que isso acontece. Por que a maioria dos times ainda descobre tarde demais que um cliente está saindo, por que juntar mais dados não resolve o problema (spoiler: nunca foi um problema de falta de dados), e por que só agora, com IA, é possível passar de "revisar contas" para "responder a sinais".

Para explicar isso direito, primeiro preciso contar como cheguei até aqui. Levei duas tentativas frustradas, com quatro anos de intervalo, e um mestrado no meio do caminho.

2015. Meu primeiro modelo estático, no Excel.

Em 2015 eu trabalhava no time de performance marketing de uma startup de marketplace de produtos usados, no Brasil. Nosso trabalho era decidir onde colocar a verba: investíamos bastante em Google Ads, em Search.

E surgia sempre a mesma pergunta: de todos os anúncios que estavam rodando, quais valia a pena continuar impulsionando, e quais precisavam ser desligados?

A gente baixava todos os dados do Google Ads para uma planilha. Olhava o CTR de cada anúncio, a taxa de conversão, e o volume de impressões, para saber se aquele CTR era um dado real ou pura coincidência de uma amostra pequena. E com isso montávamos algo que na época parecia sofisticadíssimo: um semáforo. Verde para os que performavam melhor, vermelho para os piores, amarelo para o meio-termo.

Olhando com a distância de hoje, aquilo era tudo, menos preditivo. Era uma foto do que já tinha acontecido na semana anterior. Se um anúncio quebrava numa terça-feira, só íamos descobrir na segunda seguinte, quando remontávamos a planilha. Completamente estático. Completamente reativo.

Esse semáforo durou até eu querer fazer as coisas a sério. E para isso, tive que voltar a estudar.

2019. Prever cliques para mexer no faturamento real de uma empresa.

Quatro anos depois eu estava fazendo um mestrado em dados, e foi aí que realmente comecei a aprender modelos preditivos de verdade: regressão logística, árvores de decisão, random forest, redes neurais. Toda uma caixa de ferramentas que nem existia na minha cabeça de performance marketer.

Em uma das matérias, o professor organizou uma competição dentro da turma. Ele nos dividiu em grupos e compartilhou um dataset com dados reais de anúncios, de uma empresa real do setor. O objetivo era prever se um anúncio ia gerar clique ou não. Parece pouco, mas para aquela empresa era dinheiro de verdade: melhor previsão, mais receita.

Com meu grupo, a primeira coisa que tivemos que fazer foi limpar aquele dataset: variáveis com valores sem nenhum sentido, categorias estranhíssimas, muito ruído para filtrar antes de fazer qualquer outra coisa. Depois montamos as variáveis que iam alimentar o modelo, escolhemos um modelo, treinamos com uma parte dos dados, e rodamos contra o resto para ver o quão bem ele previa. Esse foi o loop que repetimos durante semanas: treinar, rodar, ver o quão bem previu, ajustar, treinar de novo.

Terminamos com um modelo sólido, que funcionava bem. Mas entre limpar os dados, escolher as variáveis, treinar e retreinar, levamos semanas inteiras, com várias pessoas envolvidas, para resolver um único problema, com o dataset já pronto e entregue em um único arquivo.

Durante anos achei que essa era só a minha história pessoal. Não é.

Os dois caminhos que quase toda empresa usa para atacar o churn

O semáforo no Excel e o time de data science são, quase literalmente, os dois caminhos que a maioria das empresas usa para acompanhar suas contas e tentar prever quais vão dar churn.

A abordagem de medição manual estática (o Excel) é rápida de montar, não depende de ninguém. Mas usa uma fração mínima dos dados que realmente existem, e fica desatualizada sozinha: muda algo no produto e a planilha já está mentindo. É preciso corrigi-la na mão, o tempo todo.

A abordagem de data science (o que eu fiz no mestrado, o que hoje um time interno faz) é realmente poderosa. Mas a construção leva, em média, nove meses, e 85% desses projetos nunca chegam à produção.

Uma é rápida e fraca. A outra é forte e lentíssima. Nenhuma das duas serve numa segunda-feira de manhã.

E por que as duas falham? Pelo mesmo motivo, e não é o que a maioria pensa.

O problema não é falta de dados

Todo mundo quer ser mais data-driven. E dado não falta. O que falta é dado limpo, centralizado, que possa virar algo utilizável. E isso é raríssimo de se ter, por quatro razões:

1. Os dados vivem em silos entre ferramentas e times: o produto de um lado, o CRM de outro, o sistema de tickets de outro. Cada ferramenta com sua própria verdade.

2. A preparação e a limpeza consomem 80% do esforço, antes de tirar um único insight. Com o dataset do mestrado, que já tinha sido entregue pronto em um único arquivo, a maior parte daquelas semanas não foi para o modelo: foi para entender e limpar os dados. Com os dados espalhados em cinco sistemas diferentes, é pior.

3. Cada mudança depende de um data scientist. Você quer adicionar uma variável, mudar uma regra, e entra numa fila de prioridades que não controla.

4. Quando finalmente sai algo, o resultado é tão complexo, e vive tão longe das ferramentas onde o time trabalha, que ninguém consegue agir sobre ele.

Não falta o dado. Falta o caminho do dado até a ação. E quando esse caminho está quebrado, o custo não é técnico: é que existem perguntas de negócio essenciais que simplesmente não podem ser respondidas.

Quais contas estão em risco, hoje? Como cada rep prioriza sua carteira quando chega a segunda-feira? Para quem eu devo fazer upsell, e por que esse e não outro? Onde eu preciso investir mais em suporte? As quatro podem ser respondidas com dados de uso de produto que a maioria dos times já tem. O problema é que, sem os sinais certos, nenhuma delas tem resposta.

E isso não é um problema de eficiência, é um problema de dinheiro: nos Estados Unidos, estima-se que o churn de clientes custe 136 bilhões de dólares por ano para a indústria. O ponto de fundo vale para qualquer mercado: o custo de conseguir um cliente novo sempre vai ser maior do que o de reter e expandir um que você já tem. Fala-se muito de net retention, mas para chegar lá, primeiro é preciso sustentar a gross retention: não perder o que já está com você.

A pergunta honesta

Pensa na última conta que tentou cancelar com você neste trimestre. Uma de verdade, com nome e sobrenome. Você viu vindo? Ou só reagiu?

Para a maioria dos times, quando o risco finalmente aparece no dashboard, já não é mais uma conversa de resgate: já é uma conversa de renovação. E são duas conversas bem diferentes.

Quem já trabalhou em Customer Success sabe do que estou falando: a sensação de abrir o e-mail numa terça-feira qualquer e encontrar um aviso de cancelamento de uma conta grande que você não viu vir. E o pior não é perder a conta: é perceber, olhando para trás, que os sinais estavam lá. Estavam lá há meses. Mas ninguém estava olhando para eles.

É disso que se trata tudo o que vem a seguir: não reagir melhor, mas ter margem. Descobrir com antecedência suficiente para poder fazer alguma coisa.

Um health score estático é uma autópsia

Ele te diz o que aconteceu, semanas depois, com base em regras que alguém escreveu meses atrás e que ninguém mais tocou. É um olhar para trás: serve para explicar, não para mudar o resultado.

O que falta é o oposto: um estetoscópio. Aquele aparelhinho que escuta o tempo todo, de forma contínua, e avisa quando algo muda, agora.

A diferença entre os dois é concreta, não é filosofia. O health score de ontem usa regras ajustadas manualmente, escritas meses atrás; atualiza uma vez por semana ou por trimestre; aplica a mesma lógica para todas as contas igualmente; e te diz o que aconteceu. O modelo que vem aprende padrões do seu próprio histórico de churn (não de regras que alguém supôs); atualiza todos os dias; se ajusta conta por conta e explica o motivo em palavras que o time entende; e te diz o que está prestes a acontecer.

Esse é o salto: de explicar o passado para antecipar o que vem. E não é trocar de ferramenta: é mudar o que é uma unidade de trabalho para o time.

Da retenção reativa à proteção proativa de receita

No modelo antigo, a unidade de trabalho é a revisão de contas: manual, semanal, exaustiva, e tardia. O CSM abre a segunda-feira de manhã e precisa ler oitenta dashboards para perceber algo que talvez tenha acontecido dez dias atrás, e faz isso igual para as oitenta contas, mesmo que setenta e cinco estejam perfeitas.

No modelo novo, a unidade de trabalho é o sinal: uma única coisa que mudou, detectada no momento em que ocorre, e direcionada diretamente para a pessoa que pode agir sobre ela. O CSM deixa de ser um revisor de dashboards e passa a ser alguém que responde a sinais. É um papel diferente, e bem mais interessante de exercer.

E como isso se parece na prática numa segunda-feira de manhã? Três princípios:

1. Monitoramento contínuo: o sistema observa cada conta todos os dias, para que as pessoas não precisem fazer isso. Não é o check-in semanal em que você descobre algo porque o cliente te contou, o que geralmente já é tarde demais para agir.

2. Priorização contextual: a pergunta não é "quais contas estão em risco" (isso devolve uma lista de trinta contas e você não sabe por onde começar), mas sim "para qual conta eu preciso ligar primeiro, hoje, e por quê".

3. Ação dentro do fluxo de trabalho: o próximo passo aparece onde o trabalho já acontece (CRM, Slack, caixa de entrada), não em outra aba que é preciso lembrar de abrir. E nem tudo precisa passar por uma pessoa: algumas coisas podem ser comunicadas diretamente ao cliente, e o CSM usa esse tempo no que realmente exige critério humano.

Pense no que estamos pedindo para um humano fazer aqui: olhar todas as contas, todos os dias, correlacionando centenas de sinais ao mesmo tempo, e ainda explicar o porquê de cada um. Nenhum time humano consegue fazer isso. Não é uma questão de esforço: a conta não fecha.

Um modelo, sim, consegue. Encontrar padrões entre centenas de variáveis (padrões que um humano não enxerga a olho nu) é exatamente o tipo de tarefa em que a IA nos supera amplamente. E ela não devolve só uma pontuação: consegue mostrar os drivers, o que está empurrando aquele número, para que o CSM saiba onde intervir. É aí que a IA deixa de ser uma palavra da moda e passa a ser a peça que torna esse modelo operacional possível.

Aqui entra o Pendo Predict

O Pendo Predict é um motor de IA que ingere sinais de três frentes: uso de produto (do Pendo ou da fonte que você já tiver), dados do CRM (ligações, atividades, datas de renovação), e sinais de terceiros (e-mails, interações de suporte). Com tudo isso, ele aprende com o seu próprio histórico real de churn, upsell e cross-sell (não com regras que alguém supôs há um ano) e pontua cada conta todos os dias.

Três números importam aqui:

- Mais de 150 data points por conta. Para comparar: um health score feito à mão se alimenta de cinco ou seis variáveis, as que alguém achou que importavam.

- Quando marca uma conta como crítica, essa conta tem 3 vezes mais chance de dar churn do que o resto da carteira. Já não é mais uma lista genérica de risco: é uma ordem real de para quem ligar primeiro.

- Atualiza todos os dias, não uma vez por trimestre.

Em implementações mais maduras, o volume de sinais sobe bem além dos 150 típicos: no caso da Emburse, que conto abaixo, chegou a mais de 700.

Pense nisso como ter um data scientist e um analista de dados com IA, trabalhando juntos 24 horas por dia, automatizando exatamente a parte que me custou semanas em 2019: limpar os dados, encontrar os padrões, manter o modelo atualizado quando algo muda. Isso libera o tempo do time para a parte que realmente precisa de critério humano: o que fazer com a previsão, qual é o playbook, o que pedir para o time fazer. Isso é o que realmente move o número. A previsão sozinha não salva nenhuma conta.

Por dentro, o fluxo é: conectar as fontes (Pendo, CRM, BI), deixar a IA limpar, normalizar e otimizar tudo isso (a caixa que consome os 80% do esforço de que falei antes), montar o modelo preditivo com passos guiados e sem código, e ativar a previsão direto no fluxo de trabalho: notificações no Slack, guias embutidos no CRM, jornadas automáticas in-app ou por e-mail. O rep não precisa ir atrás do dado: o dado chega até ele, com a próxima ação recomendada.

O caso Emburse

A Emburse, uma empresa de software de gestão de despesas e viagens corporativas (500 a 1.000 funcionários), tinha os dados de saúde dos clientes espalhados em quatro sistemas desconectados. Seus CSMs precisavam costurar esses sinais manualmente, sem uma visão unificada. Quando o risco de churn finalmente aparecia, já era tarde para agir: o time vivia apagando incêndio, e a liderança estava no escuro em relação às renovações.

Como disse Kelly Causey, VP de Customer Success da Emburse: "Eu passava meus dias explicando surpresas para a liderança, em vez de preveni-las."

O Pendo Predict unificou mais de 700 sinais em um único modelo preditivo e passou a enviar os risk scores diretamente para o Salesforce, dando ao time 90 dias de visibilidade futura sobre as contas em risco, sem adicionar uma única pessoa ao time. O resultado: 3,1 vezes mais rápido no tempo de ação sobre contas em risco, e um custo de atendimento que caiu para 2% (vindo de 3-4% do ARR).

Três perguntas para levar para sua próxima reunião

Elas não são para responder aqui. São para a sua próxima reunião de time, ou com a sua liderança:

1. Como um CSM do seu time realmente descobre que uma conta está com problemas? Não como deveria ser: como ele descobre hoje. E, mais importante, quantos dias de antecedência isso dá para fazer alguma coisa?

2. Se amanhã você dobrasse a carteira de cada CSM (algo que pode perfeitamente acontecer este ano), que parte da semana dele quebra primeiro?

3. O que o seu time faria se, toda segunda-feira de manhã, em vez de um dashboard, recebesse uma lista priorizada de contas, com o motivo?

Aí está o diagnóstico de quão longe você está do modelo descrito aqui.

O salto que não precisa levar anos

Levei anos para sair do semáforo no Excel e entender que isso podia ser feito de outra forma. Você não precisa levar o mesmo tempo: hoje, com ferramentas como o Pendo Predict, esse salto acontece em semanas, não em anos, e sem depender de montar um time interno de data science.

Na Bildung, implementamos o Pendo (e o resto do stack de growth e retenção) para times de Customer Success e Produto na América Latina. Se você se reconheceu em alguma das três perguntas acima, me escreve para guido@bildungdata.com e vamos ver isso juntos.