Una cuenta que ha bajado su uso a la mitad puede estar a punto de irse. También puede estar de vacaciones, haber terminado un proyecto o haber cambiado de responsable. La señal es la misma en los cuatro casos.
La respuesta corta. Las señales de churn no predicen bajas, ordenan una lista de cuentas a las que merece la pena mirar. Tratarlas como predicción lleva a dos errores caros: confiar demasiado en las que aparecen y no mirar a las que no. El objetivo razonable no es acertar, es llegar antes.
Por qué "predicción" es la palabra equivocada
Un modelo de churn produce una probabilidad, y una probabilidad no es un pronóstico sobre un caso concreto. Decir que una cuenta tiene un 70% de riesgo significa que, entre cuentas parecidas, aproximadamente siete de cada diez se fueron. Sobre esa cuenta en particular no dice nada definitivo.
Hay además un problema estructural con el que conviene contar. Las bajas suelen ser una fracción pequeña del total, y en poblaciones desequilibradas la mayoría de las alertas apuntan a cuentas que se habrían quedado igualmente. Esto no es un defecto de una herramienta concreta, es aritmética.
La consecuencia práctica es que el valor no está en la precisión, está en el orden. Si tienes capacidad para hablar con veinte cuentas este mes, lo único que necesitas es que esas veinte sean mejores candidatas que veinte al azar.
Las señales que se pueden observar sin modelo
| Familia | Ejemplos | Fiabilidad | Falso positivo típico |
|---|---|---|---|
| Uso | Caída de sesiones, funciones abandonadas | Media | Estacionalidad del cliente |
| Soporte | Más tickets, o silencio tras muchos | Media | Cambio de canal de contacto |
| Sentimiento | Lenguaje de frustración, quejas repetidas | Alta como aviso | Un mal día puntual |
| Facturación | Fallos de pago, bajada de plan | Alta | Incidencia con la tarjeta |
| Cuenta | Se va el usuario que la impulsaba | Alta | Sustitución interna normal |
Dos observaciones sobre esta tabla.
La primera es que el silencio en soporte puede ser tan significativo como el exceso. Una cuenta que escribía cada semana y lleva dos meses sin decir nada puede haber dejado de intentarlo.
La segunda es que el sentimiento es la señal más temprana y la más ignorada, porque vive en texto y no en un panel. FlagUp analiza el lenguaje de cada envío de feedback y marca las cuentas donde se acumulan señales negativas, que es exactamente el dato que las herramientas de uso no capturan. La página de detección de churn detalla cómo se calcula.
Ninguna señal aislada aguanta el peso de una decisión. Dos o tres a la vez sobre la misma cuenta es un patrón que merece atención.
Falsos positivos: presupuestarlos, no eliminarlos
El instinto es subir el umbral hasta que casi no haya falsas alarmas. Eso reduce las alertas inútiles y también las útiles, y suele dejar el sistema avisando solo cuando ya es tarde.
Es más productivo aceptar una proporción alta de falsos positivos y abaratar mucho el coste de comprobarlos. Un correo breve y humano a una cuenta que estaba perfectamente no hace ningún daño. Una llamada formal de retención a esa misma cuenta puede plantear un problema que no existía.
Esto define el tipo de intervención adecuada: ligera, útil por sí misma, y que no dé por hecho que la cuenta está descontenta. Preguntar si algo va mal a alguien a quien no le va mal es raro. Preguntar qué tal está funcionando cierta parte del producto no lo es.
Del aviso a la intervención
Una lista de cuentas en riesgo sin un siguiente paso escrito no cambia nada. Conviene decidir de antemano qué se hace con cada tipo de señal.
- Señal de sentimiento. Responder al mensaje concreto que la generó. Es lo que el usuario está esperando, y a menudo lleva semanas esperándolo.
- Señal de uso. Mirar si hay un fallo antes de escribir. Preguntar "¿va todo bien?" a alguien bloqueado por un error resulta molesto.
- Señal de facturación. Casi siempre es operativa. Resolverla como tal antes de leerla como descontento.
- Señal de cambio de responsable. Es la más accionable de todas: hay que ganarse a una persona nueva que no eligió el producto.
En los cuatro casos el contexto de lo que esa cuenta ya te contó cambia por completo la calidad del mensaje. Es la diferencia entre "hemos visto que usas menos el producto" y "sobre el problema de exportación que nos comentaste en marzo".
Comprobar si la intervención funciona
Aquí es donde la mayoría de programas de retención dejan de medir, justo antes de la parte que importa.
El error habitual es contar cuántas cuentas señaladas se quedaron. Ese número no significa nada por sí solo, porque la mayoría se habrían quedado sin hacer nada.
La comparación honesta necesita un grupo de contraste: cuentas con la misma señal con las que no se hizo nada, o al menos el mismo tramo del periodo anterior a poner el programa en marcha. Sin eso, cualquier resultado se puede atribuir al programa.
Ejemplo hipotético. Un equipo contacta durante un trimestre a las cuentas con dos o más señales y conserva un grupo de contraste con el mismo perfil. Al cierre, el grupo contactado retiene mejor que el de contraste. Esa diferencia sí es atribuible. La cifra de "cuentas salvadas" sin contraste no lo habría sido.
Merece la pena revisar también qué proporción de las bajas del trimestre nunca dispararon ninguna señal. Es la medida de lo que el sistema no ve, y suele ser la parte más instructiva.
Preguntas frecuentes
¿Hace falta aprendizaje automático?
No para empezar. Un par de reglas simples sobre uso, sentimiento y antigüedad de las peticiones sin responder suele ordenar la lista casi tan bien como un modelo, y es explicable, que importa cuando alguien tiene que actuar sobre ella.
¿FlagUp predice el churn?
No. Analiza el lenguaje de los envíos de feedback, marca señales de frustración y ordena las cuentas por acumulación de esas señales. Es una señal cualitativa temprana, no un pronóstico sobre una cuenta concreta.
¿Cuántas señales antes de actuar?
Dos independientes sobre la misma cuenta es un umbral razonable para empezar. Con una sola, el ruido domina; esperar a tres suele llegar tarde.
¿Y las cuentas que se van sin ningún aviso?
Existen siempre y conviene contarlas. Si son la mayoría, el problema no está en el umbral, está en que las señales que recoges no cubren el motivo real de las bajas.
Artículos relacionados
- Análisis de cohortes para detectar y reducir el churn SaaS
- Estrategias de Customer Success para retener usuarios SaaS
- Cómo usar los votos de funcionalidades para reducir el churn
La señal más temprana suele estar escrita en un mensaje que ya recibiste. Mira la detección de churn y consulta los planes.