Predictibilidad en los programas de 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. La misma información transaccional que genera tu operación permite responder tres preguntas al mismo tiempo: ¿qué clientes están por irse?, ¿cuáles están listos para un upselling o cross-selling?, y ¿quiénes tienen necesidades que aún no han expresado? Todo esto antes de que el cliente lo diga.

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.

En el caso de los clientes en riesgo de fuga, el cliente 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. Pero esos mismos datos también revelan el lado opuesto: el cliente que compra con mayor frecuencia, que sube su ticket o que ya agotó lo que su plan actual puede ofrecerle. Esos patrones son igualmente modelables.

Qué señales predicen el estado del cliente

Un modelo predictivo se alimenta de variables derivadas de la transacción y la interacción. Las señales no son neutrales: algunas apuntan a riesgo y otras a oportunidad.

Señales de riesgo (churn e insatisfacción)

• Recencia, frecuencia y monto (RFM) en caída: cuánto hace que no compra, cada cuánto compra y cuánto gasta, comparado con su propio histórico.
• Tendencias y quiebres: caídas sostenidas de frecuencia o de ticket.
• Uso y adopción: baja utilización del producto o servicio contratado.
• Señales de servicio: reclamos, tickets de soporte, devoluciones, tiempos de respuesta prolongados.
• Experiencia declarada: NPS, CSAT o CES bajos, cuando existen, sumados como una variable más.

Señales de oportunidad (upselling y cross-selling)

• Ticket y frecuencia en alza respecto al histórico propio del cliente.
• NPS o CSAT positivo combinado con baja penetración de portafolio: el cliente está satisfecho pero usa solo una parte de lo que la empresa puede ofrecerle.
• Adopción parcial: contrata el producto A pero no el B, que es complementario o de tier superior.
• Recencia alta con amplitud baja de categorías: compró recientemente pero concentrado en una sola categoría.
• Ausencia de reclamos más comportamiento exploratorio: sin fricción y con patrones de consulta o solicitudes de información sobre otros productos.

Tres preguntas, un mismo flujo

El pipeline de implementación es idéntico para los tres objetivos. Lo único que cambia es la etiqueta (label) que defines en el primer paso:

• Churn: “el cliente dejó de comprar en los próximos 90 días”.
• Upselling: “el cliente contrató un plan o producto de tier superior en los próximos 60 días”.
• Cross-selling: “el cliente compró en una categoría nueva en los próximos 60 días”.

En la práctica se entrena un clasificador separado por objetivo, pero los tres comparten el mismo feature store: las variables construidas a partir de transacciones, señales de servicio y experiencia declarada. Una sola infraestructura de datos alimenta modelos que producen tres puntajes distintos para cada cliente: probabilidad de fuga, propensión al upselling y propensión al cross-selling.

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 de tiempo. Sin una definición clara de “fuga”, “upselling” o “cross-selling”, no hay modelo. La ventana típica es 60 a 90 días; muy corta y el modelo no alcanza a alertar a tiempo, muy larga y la señal se diluye.

2. Reúne y prepara los datos

Consolida el histórico transaccional con las interacciones de servicio y, si existe, la voz del cliente (NPS, CSAT, comentarios). 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 de uso, diversidad de categorías, variación de ticket. 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 un puntaje. El score de churn se integra al CRM y dispara alertas, igual que un detractor de encuesta. El score de upselling o cross-selling activa campañas segmentadas de marketing directo o una cola de contacto comercial. 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 por churn, y la tasa de conversión de los contactados por upselling o cross-selling, contra un grupo de control. Reentrena cuando el desempeño baje o cambie el negocio.

La predicción sin acción no sirve

Un score es tan útil como la gestión que activa. Un modelo de churn sin un protocolo de close the loop es solo un reporte más sofisticado. Un score de upselling sin una campaña segmentada o un contacto comercial es una oportunidad perdida. El valor aparece cuando el puntaje activa una gestión concreta sobre el cliente correcto, con la oferta o el gesto correctos.

El siguiente paso natural del CX

La evolución de un programa de experiencia sigue una línea clara:

1. Reactivo: mides lo que pasó (encuestas, reclamos).
2. Predictivo: anticipas quién está en riesgo de irse y quién está listo para crecer (modelos sobre datos transaccionales).
3. Prescriptivo: actúas antes, sobre el cliente correcto y con la acción correcta, tanto para retener como para expandir la relación comercial con la oferta adecuada en el momento justo.

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, y también quién está listo para una conversación distinta: la de hacer más juntos.