IA para predição de churn e LTV

O que são propensão a churn e LTV preditivo

Antes de qualquer ferramenta, três conceitos precisam estar separados na cabeça do gestor. Confundir os três é a origem de boa parte das frustrações em projetos de modelagem.

Propensão a churn. Probabilidade, expressa entre 0 e 1, de um cliente específico cancelar nos próximos N dias (30, 60, 90, conforme negócio). Modelo de classificação binária: entrada são variáveis sobre o cliente (transações, engajamento, suporte, contratualidade), saída é o escore. Operação usa o escore para priorizar quem entra em campanha de retenção, quem recebe ligação de customer success, quem ganha oferta.

LTV preditivo. Estimativa do valor financeiro futuro que um cliente vai gerar — receita, margem, contribuição — em horizonte definido (12 meses, 36 meses, vida útil). Modelo de regressão: entrada são variáveis similares; saída é número em reais. Diferente de LTV histórico, que apenas soma o que já aconteceu.

LTV histórico. Soma de receita ou margem que o cliente gerou até hoje. Útil para diagnóstico e segmentação retrospectiva; não orienta decisão futura por si só. Muito uso de "LTV" em painéis é, na verdade, LTV histórico.

O par propensão a churn e LTV preditivo dá poder operacional grande: a operação prioriza retenção de clientes com alta propensão a sair e alto LTV preditivo, não desperdiça esforço com clientes de baixo valor que sairiam mesmo com investimento.

Tipos de modelo e quando usar cada um

Três famílias de modelo cobrem a maior parte dos casos práticos.

Classificação binária. "Cliente vai cancelar nos próximos 30 dias: sim ou não?" Algoritmos: regressão logística, árvores de decisão (random forest, gradient boosting — XGBoost, LightGBM, CatBoost), redes neurais quando há volume e variáveis complexas. Saída é probabilidade. Adequado para a maior parte das operações; é o que vem out-of-the-box em Salesforce Einstein, HubSpot AI, RD Station IA.

Regressão para LTV. "Quanto este cliente vai gerar de receita nos próximos 12 meses?" Algoritmos: regressão linear, gradient boosting de regressão, modelos probabilísticos (BG/NBD para frequência de compra, Gamma-Gamma para valor monetário em comércio eletrônico). Mais complexa que classificação porque a variável de saída é contínua e tipicamente assimétrica (poucos clientes geram a maior parte da receita).

Modelos de sobrevivência (survival). "Quanto tempo até o cliente cancelar?" Algoritmos: Cox proportional hazards, modelos paramétricos (Weibull), implementações como lifelines em Python. Vantagem sobre classificação binária: modela explicitamente o tempo, lida bem com observações que ainda não terminaram (cliente ativo de 6 meses pode cancelar daqui a 4). Usado em operações com ciclo de vida longo (assinatura, telecom, serviços financeiros).

Modelos de uplift, mais sofisticados, vão um passo além: predizem não apenas quem vai cancelar, mas quem vai mudar o comportamento por receber a intervenção. Util para campanhas de retenção, onde acionar quem vai cancelar de qualquer jeito desperdiça orçamento. Exigem dado de testes randomizados anteriores e time de ciência de dados.

Dados necessários para predição

Modelo só vale o que vale o dado. Cinco famílias de variável tipicamente entram em modelos de churn e LTV.

Histórico de transações. Frequência de compra (ou de pagamento, em assinatura), valor médio, valor total no último período, dias desde a última compra (recência), variação de valor no tempo. Em comércio eletrônico, recência é a variável mais preditiva isolada — cliente que não compra há 90 dias tem probabilidade significativamente maior de cancelar.

Engajamento. Frequência de uso do produto ou serviço, profundidade de uso (quantas funcionalidades usa), variação no tempo. Em SaaS, sessões por semana, ações executadas, recursos chave acessados. Em comércio eletrônico, aberturas de email, visitas ao site, conteúdo consumido.

Suporte e atendimento. Volume de chamados, severidade, tempo até resolução, NPS verbatim, sentimento expresso em conversas. Cliente que abriu 5 chamados nos últimos 30 dias com tom negativo tem padrão diferente de cliente sem chamados.

Variáveis contratuais. Data de fim de contrato, ciclo de cobrança, modalidade (anual, mensal), upgrades e downgrades históricos, status do pagamento. Cliente em ciclo mensal cancela com mais facilidade que cliente em ciclo anual.

Variáveis demográficas e firmográficas. Em B2C: idade, região, gênero quando relevante e com base legal. Em B2B: porte da empresa, setor, cargo do tomador. Menos preditivas isoladamente, mas úteis em combinação com as anteriores.

Volume mínimo realista: para modelo out-of-the-box em ferramenta SaaS, alguns milhares de clientes ativos com histórico de pelo menos 6 a 12 meses. Para modelo próprio em ambiente analítico, dezenas de milhares. Operações com base muito pequena ou histórico muito curto deveriam começar com regras heurísticas claras e aguardar volume.

Plataformas e implementação

O mercado oferece três caminhos com perfis de custo e flexibilidade diferentes.

Out-of-the-box em ferramenta existente. Salesforce Einstein Predictions, HubSpot AI Predictive Lead Scoring, RD Station IA, Klaviyo Predictive Analytics. Modelo é treinado automaticamente com dados que a ferramenta já tem (transações, engajamento, suporte registrados no CRM e plataforma de marketing). Vantagem: tempo até primeiro resultado em dias, sem time de ciência de dados. Limitação: caixa-preta — pouca visibilidade sobre quais variáveis pesam e como.

Plataforma de aprendizado de máquina com modelo gerenciado. Google BigQuery ML (treina modelos com SQL diretamente em armazém de dados), Vertex AI (Google Cloud), Amazon SageMaker, Azure ML. Combinam infraestrutura com modelos pré-construídos (incluindo templates para predição de churn e LTV). Exigem analista ou engenheiro de dados, mas não necessariamente cientista de dados sênior. Custo escala com uso. Vantagem: flexibilidade e auditoria.

Modelo customizado. Time de ciência de dados constrói modelo do zero em Python ou R (scikit-learn, XGBoost, LightGBM, lifelines, PyMC). Justifica-se em operações com escala, dado abundante e caso de uso crítico. Operação completa exige MLOps — pipeline de treinamento, validação, implantação, monitoramento de deriva, retreinamento periódico. Plataformas como MLflow, Weights & Biases, Kubeflow apoiam essa operação.

A maturidade tipicamente segue gradiente: começar com out-of-the-box em ferramenta existente, validar valor de negócio, evoluir para modelo gerenciado quando customização passa a ser limitação, considerar customizado quando operação tem volume e capacidade analítica.

Como acionar a predição: do escore à ação

Modelo sem acionamento é exercício acadêmico. Quatro padrões dominam a operacionalização.

Campanha de retenção dirigida. Clientes com escore de churn acima de limite entram em fluxo automatizado: sequência de email com oferta personalizada, contato ativo do time, conteúdo dirigido para uso melhor da plataforma. Integração: modelo grava escore como propriedade no CRM; CRM dispara fluxo. Crítico para o cálculo de retorno: ter grupo de controle — clientes elegíveis que não recebem intervenção para medir uplift real, não apenas correlação.

Priorização de customer success. Carteira do time de customer success é priorizada por escore. Contas com alta propensão a cancelar e alto LTV preditivo recebem mais horas de atenção; contas com baixo risco e baixo LTV recebem atendimento mais leve. Eficiência alocativa significativa.

Oferta personalizada. Cliente com sinal de cancelamento recebe desconto, upgrade gratuito, plano mais leve ou outro caminho de fricção menor. Decisão automatizada que afeta o cliente — exige trilha de revisão humana sob LGPD art. 20 quando o impacto é material.

Alocação de orçamento de aquisição. LTV preditivo orienta quanto se pode pagar por novo cliente em mídia paga. Operação que sabe que cliente do segmento X gera R$ 1.800 de margem em 12 meses pode pagar mais por aquisição nesse segmento — alimentando lances de Google Ads e Meta Ads com sinal qualificado de valor.

Métricas: o que o modelo faz e o que o negócio sente

Duas camadas de mensuração precisam coexistir.

Métricas técnicas do modelo. AUC (área sob a curva ROC) mede capacidade de discriminação — 0,5 é aleatório, 1,0 é perfeito; entre 0,7 e 0,85 é típico para modelos de churn aplicados. Lift mede quanto melhor o modelo é em escolher quem vai cancelar comparado a escolha aleatória — lift de 3x na top decil significa que entre os 10% com maior escore há 3 vezes mais cancelamentos que na média. Precisão e recall em ponto de corte específico dizem quantos dos preditos como prováveis cancelantes realmente cancelam (precisão) e quantos dos que cancelaram foram identificados (recall).

Métricas de negócio. Mais importantes. Taxa de retenção mensal entre clientes tratados e grupo de controle (uplift); receita preservada; custo da campanha contra valor preservado; eficiência alocativa de customer success. Sem grupo de controle, métrica de negócio é correlação — clientes acionados retêm mais, mas talvez retivessem mesmo sem ação.

Painel de modelo deveria mostrar as duas camadas: AUC e estabilidade técnica para a operação saber se o modelo está saudável; uplift e retenção para o patrocinador saber se o investimento entrega.

LGPD art. 20: decisão automatizada exige revisão humana

Predição de cancelamento aciona, em muitos casos, decisão automatizada que afeta o cliente: enviar oferta com desconto, mover para fluxo diferente, mudar plano, excluir de campanha. A Lei 13.709/18 art. 20 estabelece que o titular tem direito à revisão por pessoa humana de decisão tomada exclusivamente com base em tratamento automatizado, especialmente quando afeta seus interesses.

Implicações operacionais: trilha auditável da decisão (qual escore, qual modelo, qual ação acionada, em qual momento); canal claro para o titular solicitar revisão (acessível na política de privacidade); processo interno para receber, avaliar e responder solicitações de revisão em tempo razoável; capacidade de explicar a decisão em linguagem acessível ao titular (explicabilidade — tema crescente em modelos preditivos).

Casos sensíveis (crédito, seguro, contratação) já têm tratamento mais rigoroso por regulação setorial. Predição de churn em produto comum costuma ter exposição menor, mas a estrutura mínima continua valendo. Empresas com volume relevante de tratamento devem ter encarregado de proteção de dados e apoio jurídico especializado no caminho.

Cuidados que separam modelo útil de armadilha

Três armadilhas conceituais arruínam projetos de predição. Conhecer as três antes de assinar a primeira ferramenta poupa meses de retrabalho.

Vies histórico. Modelo aprende com o passado. Se a operação atendeu certos perfis pior, esses perfis cancelaram mais; modelo aprende que aquele perfil cancela e recomenda investir menos. Profecia autocumprida — perfil discriminado historicamente continua sendo discriminado, agora com aparência de objetividade. Auditoria periódica em variáveis sensíveis (gênero, região, idade quando relevante) e métricas de equidade são prática mínima.

Modelo desatualizado (deriva ou drift). Padrões mudam — mudança de produto, de público, de cenário econômico. Modelo treinado há um ano pode estar errado hoje. Monitoramento de deriva (mudanças na distribuição de variáveis e nas predições) e retreinamento periódico (trimestral ou semestral) são parte do trabalho. Operação que treina e nunca retreina vê AUC cair silenciosamente.

Variável proxy de tempo. Erro técnico mas frequente: usar como entrada variável que só existe perto do cancelamento — diminuição abrupta de uso, abertura de chamado específico — pode levar modelo a "ver o futuro" no treinamento e desempenhar muito mal em produção. Validação correta com janela temporal (treinar com período anterior, validar com período posterior) protege contra esse erro.

Erros comuns na implantação

Ignorar variável de tempo. Treinar com aleatoriedade pura, sem respeitar ordem temporal; modelo parece bom no treino e quebra em produção.

Modelar churn como evento único. Em assinatura, cliente pode pausar, reduzir plano, mudar produto — não só cancelar. Modelo binário cancelou contra ativo perde nuance. Modelos de sobrevivência ou múltiplas saídas capturam melhor.

Treinar e nunca retreinar. Modelo de doze meses atrás em produção hoje sofreu deriva e ninguém percebeu. Pipeline de retreinamento periódico evita.

Decisão 100% automatizada sem revisão. Cliente sai do produto, é excluído de campanhas, recebe oferta agressiva sem que pessoa humana valide. Risco regulatório (LGPD art. 20) e risco operacional (decisão errada em escala). Trilha de revisão humana, mesmo amostral, é proteção.

Saída do modelo não chega à operação. Cientista entrega "modelo com AUC 0,82" e ninguém usa porque escore não está no CRM, no fluxo, na ferramenta que o operador mexe. Integração técnica é metade do projeto.

Não medir uplift. Campanha de retenção roda, retenção sobe, time celebra. Sem grupo de controle, atribuição é ilusão — pode ser sazonalidade, lançamento, melhoria de produto.

Confundir LTV histórico com LTV preditivo. Painel chama "LTV" o que é apenas soma do que cliente já gerou. Decisão estratégica baseada nesse número é olhar para o retrovisor.