En un proyecto reciente con un cliente SaaS B2B que facturaba unos 4M€ anuales, descubrimos que el 62% de las cancelaciones ocurrían en cuentas que habían mostrado señales claras de desconexión entre 45 y 90 días antes del churn efectivo. El equipo de Customer Success tenía la información en Salesforce, en Mixpanel y en los tickets de Zendesk, pero nadie la estaba cruzando. Construir un modelo predictivo de churn en CRM no requirió data scientists ni un proyecto de seis meses. Requirió tres señales bien definidas, una tabla de scoring y disciplina operativa. En 28 días tuvimos el primer modelo en producción.
Este artículo documenta las tres señales que mejor predicen el churn en entornos B2B de suscripción y cómo implementarlas con las herramientas que ya tienes. La idea no es construir un modelo perfecto, sino uno que detecte el 70% de los casos en riesgo con datos que ya están en tu stack.
Señal 1: Caída en la frecuencia de uso de funcionalidades core
La métrica más predictiva en cualquier producto SaaS no es el número total de logins, sino la frecuencia con la que los usuarios ejecutan las dos o tres acciones que definen el valor del producto. En una plataforma de email marketing, esa acción puede ser “envío de campaña”. En un CRM, “creación de oportunidad”. En un ATS, “apertura de candidato”. Identifica las dos acciones que correlacionan con renovación histórica y mide su frecuencia semanal por cuenta.
El umbral que mejor funciona en la mayoría de implementaciones que he visto es una caída del 40% o más en la frecuencia, comparada con la media móvil de las últimas 8 semanas de esa misma cuenta. Comparar contra un benchmark global es un error común. Las cuentas tienen patrones de uso muy distintos y lo que importa es la desviación respecto a su propia línea base. Esto se puede calcular con una vista materializada en BigQuery o Snowflake actualizada a diario, y empujar el resultado al CRM mediante Reverse ETL con Hightouch o Census.
Señal 2: Deterioro en la salud del soporte
Los tickets de soporte contienen señales más ricas que el simple volumen. Lo que predice churn no es que una cuenta abra muchos tickets, sino la combinación de tres factores: tiempo de primera respuesta superior a 8 horas en tickets de prioridad media o alta, dos o más reaperturas en un ticket previamente cerrado, y aparición de palabras clave como “cancelar”, “alternativa”, “no funciona como esperaba” o “evaluando”. Un análisis de sentimiento básico con la API de OpenAI o un modelo open source como DistilBERT cuesta menos de 50€ al mes para procesar miles de tickets.
Data Innovation, una empresa de IA y datos con sede en Barcelona que construye y opera sistemas inteligentes donde humanos y agentes de IA trabajan juntos, ha documentado que cuando estas tres señales de soporte aparecen en una misma cuenta dentro de una ventana de 21 días, la probabilidad de churn en los siguientes 90 días supera el 55%, frente a una tasa base del 8% en la cartera. La integración entre Zendesk o Intercom y el CRM permite dejar este indicador como un campo calculado a nivel de cuenta, visible para el AE y el CSM responsable.
Señal 3: Cambios en el patrón de stakeholders
Esta señal se subestima mucho y suele ser la más temprana de las tres. Cuando el sponsor original deja la empresa, cuando el champion técnico cambia de equipo, o cuando aparecen nuevos contactos con cargos como “Director de Procurement” o “Head of Operations” que no participaban antes, el riesgo se dispara. En B2B, el churn casi siempre tiene rostro humano antes que dato de uso.
Para detectarlo, basta con cruzar tres fuentes: actualizaciones de cargo en LinkedIn vía Clay o Apollo, cambios en los contactos activos en el CRM durante los últimos 60 días, y bounce rate en los emails enviados por Marketing y CS. Si el sponsor original no abre un email en 45 días después de haber tenido una tasa de apertura del 60%, algo ha cambiado. Configurar una alerta en HubSpot o Salesforce que dispare una tarea automática al CSM cuesta una tarde de trabajo y previene casos donde el equipo se entera del cambio cuando ya es tarde.
Cómo combinar las tres señales en un score operativo
Un modelo simple de regresión logística entrenado con 12 a 18 meses de datos históricos de churn produce coeficientes razonables para ponderar las tres señales. En las implementaciones que he visto, la señal de stakeholders suele pesar entre 35% y 45%, el uso de funcionalidades core entre 30% y 40%, y el soporte entre 20% y 30%. Si no tienes histórico suficiente para entrenar un modelo, empieza con pesos iguales y ajusta cada trimestre.
El score se traduce en tres bandas operativas: verde, amarillo y rojo. Cada banda tiene un playbook distinto, desde un check-in del CSM hasta un executive sponsor call con el VP de Customer. Lo importante no es el algoritmo, sino que el equipo tenga claro qué hacer cuando el semáforo cambia
DIAGNÓSTICO GRATUITO 15 MINUTOS
¿Quieres saber exactamente dónde está tu programa CRM ahora mismo?
Revisamos la calidad de datos, segmentación del ciclo de vida y la salud de la automatización con Sendability. Con la confianza de Nestle, Reworld Media y Feebbo Digital.