Predicción de churn y win-back en postpago.
Anticipar la baja antes de la portabilidad, recuperar al que ya se fue.
Modelos de baja combinados con valor del cliente y propensión a aceptar oferta. Retención que se enfoca en quien la necesita y la acepta, y journeys de win-back en la ventana de los primeros sesenta días tras la baja.
La retención reacciona tarde y gasta donde no toca.
Campañas disparadas por ARPU solamente
La retención se segmenta por nivel de gasto, sin considerar quién está realmente decidido a irse ni quién aceptaría una oferta. El descuento se reparte sin foco.
Aviso después del primer paso de baja
El churn aparece en el reporte cuando el cliente ya inició la portabilidad. La ventana para hacer algo útil se cerró antes de detectarlo.
Sin estrategia de win-back
El ex-abonado se pierde de vista al día siguiente de la baja. Los primeros sesenta días, donde la conversión todavía es alta, pasan sin contacto.
Score de baja combinado con valor y con propensión a aceptar.
Feature store del abonado
Tenure, ARPU promedio, tendencia de consumo, reclamos, demoras de pago, NPS, estado del bundle y propagación de baja en el hogar se consolidan a nivel abonado y hogar.
Modelos de propensión
Gradient boosting o redes neuronales en Einstein Studio, Databricks o Vertex AI calculan score de baja con horizonte de 30 a 90 días, score de valor y score de aceptación de oferta.
Triple intersección
Solo se contacta a la intersección de los tres scores: alto riesgo, alto valor, alta probabilidad de aceptar. El resto entra en otras estrategias o, en algunos casos, se deja ir.
Cierre operativo end-to-end
Marketing Cloud y Service Cloud Voice ejecutan la oferta. La integración con el sistema de facturación aplica el descuento, modifica la suscripción y confirma por SMS sin pasos manuales.
Antes y después de Data Cloud
Foco de la retención
Descuentos a clientes ya decididos a irse y a clientes que igual se quedaban.
Presupuesto puesto donde el ROI se puede medir y defender.
Anticipación
Detectás la baja cuando ya empezó la portabilidad.
Score con horizonte de 30 a 90 días, con tiempo real de armar oferta.
Win-back
El ex-cliente desaparece del radar el día después de la baja.
Journeys diferenciados durante la ventana de los primeros sesenta días.
Cierre operativo
Días de gestión manual entre la aceptación y el cambio efectivo.
Aceptación, ajuste en facturación y confirmación al cliente en el mismo flujo.
La semana de retención cuando el modelo se adelanta a la portabilidad.
Score semanal sobre toda la base
Imaginate un operador móvil con 6 millones de abonados postpago. El modelo corre semanal y deja el decil superior de riesgo identificado, con score de valor y de aceptación calculados al lado.
Segmentación accionable
El equipo de retención mira la intersección de los tres scores. Un grupo entra en outbound proactivo con oferta diferenciada, otro queda para retención reactiva y otro se deja ir conscientemente.
Contacto multicanal coordinado
Tele-ventas, email, SMS y push trabajan sobre la lista priorizada. La oferta cambia según el segmento, no según el canal. La frecuencia y el orden están bajo control.
Win-back sobre bajas recientes
El equipo paralelo trabaja a los ex-abonados de los últimos sesenta días con una propuesta de regreso. El cierre se hace en la misma llamada, con la integración aplicando el cambio en minutos.
Cómo se mueve la línea de baja cuando la decisión se anticipa.
Tasa de baja postpago más baja
La curva del segmento de alto valor empieza a separarse del control en las primeras semanas y se traduce directo en margen retenido.
Costo por save controlado
La retención deja de gastar en clientes equivocados y el presupuesto rinde donde la decisión todavía está abierta.
Win-back con tasa de éxito relevante
La ventana de los primeros sesenta días post-baja deja de ser ciega. Una porción del ex-parque vuelve con propuesta diferenciada.
Tiempo de ciclo en minutos
El flujo de retención que antes tomaba días pasa a cerrarse durante la misma llamada cuando el cliente acepta.
Preguntas frecuentes
Las dos cosas funcionan. Einstein Studio cubre los modelos estándar de churn y propensity con buen costo-beneficio. Databricks, Vertex AI o SageMaker se usan cuando hay equipo de ciencia de datos maduro y modelos custom complejos. Data Cloud actúa como feature store y como destino del score, independientemente de dónde se entrene el modelo.
Combinando tres scores: riesgo de baja, valor del cliente y propensión a aceptar oferta. La regla de negocio sobre la intersección define a quién contactar, a quién dejar para retención reactiva y a quién dejar ir. Es contraintuitivo, pero no toda retención genera valor: en clientes con alta probabilidad de impago, retener extiende mora.
La cohorte trabajada con la nueva lógica se compara contra el grupo de control desde el primer mes de activación. La curva de baja del segmento de alto valor empieza a separarse en las primeras semanas. El impacto agregado en EBITDA se mide a partir del segundo o tercer trimestre.
¿Querés implementar este caso?
Hablemos del estado de tus datos y diseñamos juntos el roadmap.