O que é churn prediction e por que importa

Churn prediction é a prática de antecipar, com base em dados, a probabilidade de um cliente encerrar o relacionamento com uma empresa antes que esse cancelamento aconteça. O objetivo é sair da posição reativa, em que o churn é descoberto depois que ocorre, para uma posição preditiva, onde a equipe age enquanto ainda há tempo de intervir.

A diferença entre os dois modos é significativa. No modelo reativo, o time de Customer Success só percebe o problema quando o contrato já foi cancelado ou o cartão foi removido. No modelo preditivo, sinais comportamentais captados semanas antes disparam alertas e permitem intervenções planejadas, com custo e energia alocados onde fazem sentido.

No contexto brasileiro, esse gap tem impacto financeiro direto. Estudos recorrentes de benchmarking em SaaS e fintechs apontam que o custo de adquirir um novo cliente é, em média, cinco a sete vezes maior do que o custo de reter um cliente existente. Em mercados com ciclo de vendas longo, como B2B corporativo, esse múltiplo é ainda mais expressivo. Prever o churn não é um exercício acadêmico: é uma decisão financeira.

Tipos de modelos de churn prediction

Modelos baseados em regras

A abordagem mais simples consiste em definir thresholds fixos de comportamento. Exemplos: clientes que não fazem login há 30 dias entram em alerta, ou usuários que utilizaram menos de 20% das funcionalidades no primeiro mês são sinalizados. Regras assim são fáceis de implementar e explicar para a equipe comercial ou de CS.

A limitação é a rigidez. Um cliente corporativo pode ficar 45 dias sem login por conta de férias coletivas e não representar risco nenhum. Regras fixas geram muito ruído: falsos positivos que desperdiçam o tempo do time e, em alguns casos, criam atrito desnecessário com o cliente abordado.

Modelos de machine learning supervisionado

Regressão logística, Random Forest e Gradient Boosting (como XGBoost ou LightGBM) são os algoritmos mais utilizados em projetos de churn prediction. A regressão logística tem alta interpretabilidade, tornando possível identificar exatamente quais variáveis mais contribuem para o score, mas tende a ter desempenho inferior quando as relações entre variáveis são não-lineares.

Random Forest e Gradient Boosting capturam essas não-linearidades e costumam gerar métricas de acurácia melhores, mas exigem mais cuidado na interpretação. Ferramentas como SHAP (SHapley Additive exPlanations) ajudam a abrir a caixa-preta e explicar por que um cliente específico recebeu um score alto de risco.

Modelos de propensão probabilística

Além dos modelos supervisionados clássicos, existem abordagens probabilísticas, como o modelo BG/NBD (Beta Geometric/Negative Binomial Distribution), mais comuns em contextos de e-commerce ou varejo, onde a definição de churn é menos binária. Esses modelos estimam a probabilidade de um cliente ainda estar “ativo” com base no padrão histórico de compras.

Para empresas menores, com base de clientes abaixo de dois mil contas, modelos baseados em regras ou regressão logística tendem a ser mais adequados. A quantidade de dados rotulados é insuficiente para treinar modelos complexos com confiança estatística. O trade-off entre interpretabilidade e acurácia deve sempre levar em conta a maturidade de dados da organização.

Quais dados alimentam um modelo de churn

Dados comportamentais

São os sinais mais relevantes na maioria dos casos. Frequência de login, páginas ou módulos acessados, funcionalidades ativadas e tempo médio de sessão compõem um retrato do engajamento real com o produto. Um cliente que usa apenas a funcionalidade básica de um software, sem explorar as features que entregam valor diferenciado, é um candidato a churn mesmo que pague em dia.

Dados transacionais

Histórico de pagamentos, atrasos recorrentes, downgrade de plano e ciclos de renovação são sinais transacionais que complementam o comportamento de uso. Um cliente que fez downgrade de plano nos últimos noventa dias apresenta risco diferente de um cliente estável, mesmo que ambos tenham níveis de login similares.

Dados de suporte

Volume de tickets abertos, tempo médio de resolução e, quando disponível, análise de sentimento das mensagens de suporte são indicadores valiosos. Clientes que abrem múltiplos tickets sobre o mesmo problema sem resolução satisfatória têm propensão de churn significativamente maior. Integrar a base do sistema de suporte ao modelo é frequentemente subutilizado em projetos iniciais.

Sinais indiretos

NPS respondido versus NPS ignorado, taxa de abertura e clique em e-mails do produto, tempo acumulado sem login e respostas a pesquisas de satisfação compõem uma camada de sinais indiretos. Isolados, cada um tem baixo poder preditivo. Combinados com dados comportamentais e transacionais, contribuem para um score mais preciso.

Dados esparsos em bases menores

Empresas com menos de dois mil clientes ativos frequentemente enfrentam o problema de dados esparsos: poucos eventos de churn confirmados para treinar o modelo, variáveis com alta proporção de valores nulos e sazonalidades que distorcem padrões. Nesses casos, feature engineering criativo, como criar índices compostos de engajamento em vez de usar cada métrica bruta separadamente, ajuda a compensar a escassez.

Como construir um modelo de churn prediction do zero

Definir o evento de churn

Antes de qualquer linha de código, é necessário definir o que conta como churn no contexto específico do negócio. Cancelamento formal é a definição mais clara, mas muitos produtos têm clientes que param de usar sem cancelar formalmente, o chamado churn silencioso. Definir inatividade como proxy de churn (por exemplo, zero eventos de uso em 60 dias) é válido, mas exige validação com o time de negócio para evitar falsos positivos.

Preparar o dataset

A estrutura mais comum envolve duas janelas temporais: a janela de observação, onde os dados de comportamento são coletados, e a janela de performance, onde se verifica se o cliente churnou ou não. Por exemplo: observa-se o comportamento dos meses 1 a 3 e verifica-se o status no mês 4.

O desbalanceamento de classes é um problema quase universal em churn prediction. Bases com taxa de churn de 5% a 10% terão 90% a 95% dos registros rotulados como “não churn”, o que pode levar modelos a simplesmente prever a classe majoritária. Técnicas como SMOTE (para oversampling da classe minoritária) ou ajuste de pesos nas classes de treinamento são abordagens padrão para lidar com isso.

Treinar, validar e interpretar

Métricas como acurácia simples são enganosas em datasets desbalanceados. AUC-ROC mede a capacidade do modelo de separar churners de não-churners em diferentes thresholds. A curva precision-recall é ainda mais informativa quando o custo de um falso positivo (abordar cliente desnecessariamente) é diferente do custo de um falso negativo (perder um cliente em risco). Definir qual erro é mais caro para o negócio guia a escolha do threshold de corte.

Colocar o score em produção

Um modelo que gera scores em um notebook Jupyter e nunca é integrado ao fluxo operacional não gera valor. O score de risco de churn precisa chegar onde a equipe trabalha: CRM, plataforma de CS ou CDP. A integração pode ser feita via API (o modelo fica hospedado como serviço e é consultado em tempo real ou em batch), ou via exportação periódica de scores para uma tabela consumida pelo CRM. A frequência de atualização (diária, semanal) depende da velocidade com que o comportamento do cliente muda no produto.

O que fazer depois de identificar clientes em risco

Segmentar por nível de risco

Nem todo cliente com score elevado exige a mesma resposta. Clientes com score muito alto e alto valor de contrato (ARR elevado) devem ser prioridade absoluta do time de CS, com contato direto. Clientes com risco médio podem ser tratados com automações: sequências de e-mail, webinars de reengajamento ou notificações in-product. Segmentar evita que o time gaste energia com contas de baixo valor ou risco baixo.

Playbooks de retenção

Cada segmento de risco deve ter um playbook definido antes da intervenção. Contato proativo do CS para entender o contexto do cliente, oferta de onboarding complementar para quem nunca ativou funcionalidades-chave, ou revisão de contrato para clientes com histórico de reclamação de preço são exemplos de ações distintas para perfis distintos. O playbook evita que o contato de retenção pareça genérico ou despersonalizado.

Evitar a armadilha do desconto indiscriminado

Um erro clássico é enviar cupom de desconto para todos os clientes com score alto de churn. Parte desses clientes não cancelaria de qualquer forma, e o desconto apenas corrói margem sem necessidade. Clientes que já decidiram cancelar raramente mudam de posição por causa de um desconto enviado por e-mail automático. O desconto faz mais sentido como último recurso em negociação direta, não como primeira resposta automatizada.

Medir o impacto com grupos de controle

A única forma de saber se a intervenção funcionou é comparar os resultados de quem recebeu a ação com um grupo de controle equivalente que não recebeu. Sem esse grupo, é impossível separar o efeito do playbook da recuperação natural de clientes que teriam ficado de qualquer jeito. Testes A/B de intervenção de retenção são tão importantes quanto os testes A/B de produto.

Limitações e boas práticas para times brasileiros

Modelos treinados em dados internacionais

Datasets públicos de churn, muito utilizados para benchmarking e aprendizado, costumam refletir padrões de comportamento de mercados norte-americanos ou europeus. O comportamento de inadimplência, a elasticidade ao preço e os gatilhos de cancelamento do consumidor brasileiro têm particularidades relevantes, especialmente em segmentos como varejo, telecomunicações e fintechs. Modelos pré-treinados ou features derivadas de estudos internacionais devem ser revalidados com dados locais antes de entrar em produção.

LGPD e uso de dados comportamentais

O uso de dados comportamentais para gerar scores de risco se enquadra no escopo da LGPD, especialmente quando envolve decisões que afetam diretamente o cliente. É necessário garantir que a base legal para tratamento desses dados está documentada, geralmente legítimo interesse ou execução de contrato, e que o cliente tem ciência de que seus dados de uso são processados para personalização do relacionamento. Scoring de churn não é, em si, proibido, mas o processo precisa estar mapeado no ROPA (Registro de Operações de Tratamento).

Concept drift e sazonalidade

Um modelo treinado em um período de estabilidade econômica pode perder precisão rapidamente em um cenário de alta de juros, desemprego ou crise de crédito, situações que o Brasil conhece com frequência. Esse fenômeno é chamado de concept drift: os padrões que o modelo aprendeu deixam de refletir a realidade atual. Monitorar métricas de performance do modelo em produção mensalmente e retreinar periodicamente, ou quando a AUC-ROC cair abaixo de um threshold pré-definido, é parte essencial do ciclo de vida do modelo.

Terceirizar ou construir internamente

Para startups early-stage com equipe de dados pequena ou inexistente, soluções de churn prediction embarcadas em plataformas de CS ou CDP, que já trazem modelos pré-configurados, fazem mais sentido do que construir do zero. O time pode começar a agir sobre os scores enquanto a maturidade de dados cresce.

Empresas de médio porte com cientista de dados e base acima de cinco mil clientes ganham mais construindo modelos próprios: o controle sobre as features, o threshold de corte e a lógica de segmentação compensa o investimento. O critério principal não é o porte, mas a existência de dados suficientes para treinar, validar e manter o modelo ao longo do tempo.

Como avaliar se você está pronto para começar

Antes de iniciar um projeto de churn prediction, responda a estas perguntas de forma honesta:

• Você consegue rotular eventos de churn históricos? Se o sistema não registrou cancelamentos com data e motivo, não há dataset para treinar.
• Você tem dados comportamentais armazenados? Logs de uso, eventos de produto e histórico de sessões precisam existir e estar acessíveis, não apenas no front-end, mas em um banco ou data warehouse consultável.
• A taxa de churn da sua base é conhecida? Se a própria taxa não está clara, o problema é de instrumentação antes de ser de modelagem.
• O time de CS ou comercial tem capacidade de agir sobre os scores? Um modelo sem processo de resposta é desperdício. Defina quem faz o quê antes de colocar o modelo em produção.
• Existe governança para dados comportamentais? Mapeie a base legal e garanta que o uso está documentado conforme a LGPD antes de ampliar a coleta de eventos para fins preditivos.

Se a maioria das respostas for positiva, o próximo passo concreto é montar o dataset histórico, definir a janela de observação e calcular a taxa base de churn por segmento. Esse diagnóstico inicial, feito em uma ou duas semanas, já entrega valor suficiente para priorizar onde o modelo terá mais impacto antes de qualquer linha de código de machine learning.