Predecir cancelaciones no mejora la retención

Predecir quién cancelará un servicio es un problema estadístico relativamente simple. Decidir qué debe hacer la operación con esa información es un problema económico complejo. La mayoría de los proyectos de retención que utilizan inteligencia artificial fracasa no por la calidad del algoritmo, sino por la incapacidad de distinguir predicción de intervención.

Saber que un cliente tiene una alta probabilidad de cancelación no responde a la pregunta que realmente importa: ¿este cliente cambiará de comportamiento si la empresa interviene?

El error de tratar el riesgo como respuesta

Un modelo tradicional de cancelación genera un ranking de riesgo. La reacción estándar de la gestión comercial es activar al equipo de atención o ventas para abordar las cuentas en la cima de la lista. El paquete de acciones suele incluir descuentos contractuales, llamadas de ejecutivos o concesiones de alcance.

Considere una empresa de software B2B. El modelo identifica cuentas con riesgo inminente de terminación de contrato. El equipo entra en contacto ofreciendo condiciones comerciales más favorables en la renovación. Ocurren dos problemas económicos simultáneamente. Primero, parte de esas cuentas ya planeaba renovar y acepta la concesión de buen grado, transfiriendo margen de la empresa al cliente sin una contrapartida real. Segundo, otra parte del grupo enfrenta problemas de producto o atención que ningún alivio de precio compensa; cancelan de todos modos.

Al final del período, la precisión del modelo parece excelente. Las cuentas marcadas como de alto riesgo de hecho concentraron la mayoría de las salidas. Sin embargo, la política basada en él consumió margen bruto, sobrecargó al equipo y no comprobó ninguna preservación de ingresos netos.

Variables económicas ignoradas por el ranking

El indicador de probabilidad aislado desconsidera la estructura de costos de la retención. Una intervención comercial tiene costo directo, costo de oportunidad y límites claros de capacidad física del equipo.

Para que una acción tenga sentido económico, el valor preservado necesita superar el costo del abordaje sumado a la pérdida de margen de cualquier concesión. Esta cuenta depende del margen de contribución de la cuenta, del canal utilizado para el contacto, del momento del ciclo de facturación y de la capacidad del equipo para intervenir sin perjudicar a otros clientes.

Cuando el algoritmo solo señala el riesgo, trata cuentas con márgenes distintos y potenciales de recuperación distintos como prioridades idénticas. Abordar a un cliente de margen bajo con un proceso costoso de retención genera pérdidas incluso cuando la cuenta permanece. De la misma forma, activar cuentas con problemas operativos sin capacidad de resolución solo anticipa la fricción.

Grupos de control y modelado de uplift

Métricas técnicas de aprendizaje automático no miden el impacto financiero. La única forma de comprobar si la intervención generó retorno es comparar grupos de tratamiento con grupos de control.

Si cien clientes con riesgo alto reciben una oferta y veinte cancelan, la tasa observada fue del veinte por ciento. Sin mantener un grupo similar sin oferta, es imposible saber si la tasa en el grupo intacto habría sido igual, mayor o menor. Si la tasa de cancelación del grupo sin intervención fuera idéntica, la acción de la empresa solo quemó margen sin alterar el comportamiento de los clientes.

El modelado de uplift, enfocado en la estimación del efecto del tratamiento, busca resolver esta brecha. En lugar de estimar la probabilidad de cancelación, estima la variación de esa probabilidad provocada por la intervención. El objetivo pasa a ser dirigir el esfuerzo solo a los clientes sensibles a la acción comercial, excluyendo a los que se irían de cualquier manera y a los que se quedarían sin incentivos adicionales.

Este enfoque no elimina la complejidad práctica. Exige un diseño experimental riguroso, historial estructurado de acciones comerciales y conexión directa entre lo que se recomendó, lo que se ejecutó y el resultado financiero obtenido.

La decisión antes del modelo

Antes de poner modelos predictivos en producción para retención, el liderazgo ejecutivo necesita responder a cuatro preguntas operativas:

• ¿Qué decisión concreta alterará este score en el día a día del equipo?
• ¿Qué perfiles de cliente comprobadamente cambian de comportamiento ante las intervenciones disponibles?
• ¿Cuál es el resultado incremental generado después de deducir el costo operativo y el descuento concedido?
• ¿Cómo sabrá la operación qué habría sucedido si no se hubiera tomado ninguna acción?

La inteligencia artificial aplicada a los negocios no comienza por la elección del modelo estadístico. Comienza por la definición clara de la decisión económica y por el diseño de los mecanismos de medición. Sin esto, la tecnología solo confiere precisión matemática al desperdicio operativo.