Predecir clientes insatisfechos con datos transaccionales
Cómo predecir qué clientes están por irse usando datos transaccionales, cómo se implementa un modelo de churn y por qué es el siguiente paso del CX.
Un programa de CX maduro mide muy bien lo que ya pasó: NPS, CSAT, reclamos, comentarios. El siguiente paso es más ambicioso y más rentable: anticipar lo que está por pasar. Es decir, predecir qué clientes están por irse o quedar insatisfechos antes de que lo digan, usando algo que la empresa ya tiene: sus datos transaccionales.
Por qué la conducta habla aunque el cliente calle
La encuesta es indispensable, pero tiene un límite: la mayoría de los clientes molestos nunca responde ni reclama.
La buena noticia es que el cliente insatisfecho deja rastro mucho antes de irse: compra menos seguido, baja el ticket, deja de usar un producto, aumenta los reclamos o los tiempos sin actividad. Esos patrones se pueden modelar.
Qué señales predicen insatisfacción y fuga
Un modelo de churn (fuga) se alimenta de variables derivadas de la transacción y la interacción:
- Recencia, frecuencia y monto (RFM): cuánto hace que no compra, cada cuánto compra y cuánto gasta. Es la base.
- Tendencias y quiebres: caídas de frecuencia o de ticket respecto a su propio histórico.
- Uso y adopción: del producto o servicio contratado.
- Señales de servicio: reclamos, tickets de soporte, devoluciones, tiempos de respuesta.
- Experiencia declarada: NPS, CSAT o CES cuando existen, sumados como una variable más.
Cómo se implementa un modelo, paso a paso
1. Define el objetivo y la etiqueta
Antes del algoritmo, define qué quieres predecir y en qué ventana: por ejemplo, “probabilidad de que un cliente deje de comprar en los próximos 90 días”. Sin una definición clara de “fuga” o “insatisfacción”, no hay modelo.
2. Reúne y prepara los datos
Consolida el histórico transaccional con las interacciones de servicio y, si existe, la voz del cliente. La calidad de esta capa determina el techo del modelo.
3. Construye las variables (feature engineering)
Aquí está el verdadero valor. Se transforman las transacciones en señales: RFM, deltas, promedios móviles, rachas sin compra, ratios. Buenas variables superan a cualquier algoritmo sofisticado con datos pobres.
4. Entrena el modelo
Se usan clasificadores como regresión logística, árboles de decisión o gradient boosting. Y el método importa: un torneo académico de modelos de churn demostró que las diferencias de precisión entre enfoques pueden cambiar la rentabilidad de una campaña de retención en cientos de miles de dólares (Neslin, Gupta, Kamakura, Lu y Mason, Journal of Marketing Research, 2006).
5. Valida con rigor
Se evalúa sobre datos que el modelo no vio, con métricas como AUC, precisión, recall y lift. El mayor riesgo técnico es la fuga de información (usar datos que no estarían disponibles al momento de predecir), que infla la precisión en la prueba y decepciona en producción.
6. Pon el score en producción
El modelo asigna a cada cliente una probabilidad de fuga. Ese puntaje se integra al CRM y dispara alertas, igual que un detractor de encuesta. El mismo estudio encontró que los modelos mantienen su desempeño al predecir sobre datos recogidos hasta tres meses después de su calibración (Neslin et al., 2006), así que no hay que reentrenar a diario.
7. Mide el impacto y reentrena
Compara la retención de los clientes gestionados contra un grupo de control, y reentrena cuando el desempeño baje o cambie el negocio.
La predicción sin acción no sirve
Un score de fuga es tan útil como el close the loop que gatilla. Predecir quién se va sin un protocolo para contactarlo y resolver su problema es solo un reporte más sofisticado. El valor aparece cuando el puntaje activa una gestión sobre los clientes en riesgo.
El siguiente paso natural del CX
La evolución de un programa de experiencia sigue una línea clara:
- Reactivo: mides lo que pasó (encuestas, reclamos).
- Predictivo: anticipas quién está en riesgo (modelos sobre datos transaccionales).
- Prescriptivo: actúas antes, sobre el cliente correcto y con la acción correcta.
La materia prima de los pasos 2 y 3 es la misma que ya genera tu operación. Un buen programa de Customer Experience une la voz del cliente, el análisis de texto con IA y la conducta transaccional en un solo sistema: escuchar, entender y, ahora, anticipar.
Medir la satisfacción te dice quién está molesto hoy. Predecirla te dice quién lo estará mañana, que es justo cuando todavía puedes hacer algo.
