Volver a casos
Caso de éxito · IA / Predictivo Retail multicanal

De 22% a 7% de churn en tres meses

Un modelo que avisa qué clientes vas a perder 30 días antes — y dispara solo las acciones para retenerlos.

22% → 7%
churn mensual, en 3 meses desde producción
>85%
de precisión prediciendo quién se va a los 30 días
~15 de 100
clientes retenidos por mes que antes se perdían
Por qué nos llamaron

La puerta

«¿Sabés cuáles de tus clientes vas a perder el mes que viene?» La empresa los perdía en silencio: el cliente no avisa, simplemente deja de comprar, y cuando la caída se ve en los reportes ya es tarde y recuperarlo cuesta mucho más.
El desafío

Antes y después

Antes
  • Pérdida silenciosa y gradual de clientes.
  • Reacción tardía: se ve cuando el cliente ya decidió irse.
  • Campañas de retención masivas con bajo ROI.
  • ERP, CRM y ecommerce llenos de señales que nunca se cruzaron.
Después
  • Riesgo de fuga visible 30 días antes.
  • Retención que se dispara sola según el score.
  • Campañas segmentadas, no masivas.
  • Cada vendedor sabe a quién llamar hoy y por qué.
La solución

Qué hicimos

Un modelo de Machine Learning que aprende de los clientes que efectivamente se fueron y reconoce a quién sigue ese mismo camino hoy. Se alimenta a la vez de ERP, CRM y ecommerce, se reentrena solo cada semana, publica un ranking de riesgo en Power BI y dispara automáticamente los flujos de retención.

Diferenciador: El valor no está en el modelo solo, sino en que el dato dispara la acción: datos + IA + automatización conectados.

Aprende de quién se fue

El modelo reconoce el patrón de los clientes que ya se fueron y lo detecta en quienes hoy empiezan a seguirlo.

Score de riesgo en Power BI

Un ranking de riesgo por cliente, actualizado, para que comercial sepa a quién priorizar.

Retención automática

Emails, alerta al vendedor y descuento segmentado se disparan solos según el score, sin intervención.

Cómo funciona

El pipeline

1

Ingesta y consolidación

Más de 50 variables por cliente desde ERP, CRM y ecommerce en un mismo dataset.

2

Feature engineering

Construcción de las señales que anticipan la fuga a partir del comportamiento del cliente.

3

Scoring ensemble

Random Forest + XGBoost estiman el riesgo de que cada cliente se vaya en los próximos 30 días.

4

Activación y reentrenamiento

Publicación en dashboard y disparo automático de flujos, con reentrenamiento semanal sobre los resultados.

Resultados

El impacto de negocio

Churn 22% → 7% en 3 meses

Con ticket medio relevante, el ROI llega en las primeras semanas.

Retención automatizada

Las campañas se activan por score, sin que el equipo de ventas mueva un dedo.

Equipo comercial más efectivo

Cada vendedor sabe a quién llamar hoy y por qué cambió ese cliente.

El cierre

Por qué importa

Entró por un dolor de datos (no veo venir la pérdida), pero la solución sola no servía: el valor apareció cuando el dato disparó una acción automática. Datos + IA + automatización conectados — exactamente lo que un tablero suelto o una automatización aislada no logran por separado.
Tecnología

Stack

Pythonscikit-learnXGBoostRandom ForestPower BI EmbeddedSQL Server / PostgreSQLETL automatizadoIntegración ERP+CRM+ecommerce
Tu caso es el próximo

¿Tenés un problema parecido?

Contanos qué querés resolver y te decimos con franqueza si podemos ayudarte — y cómo.

Pedir diagnóstico gratuito