Subscrição · UE

Previsão de churn que salvou milhões

Um negócio europeu de subscrição perdia clientes sem aviso. Tarefa: prever quem está prestes a sair, explicar porquê e dirigir o gasto de retenção onde realmente compensa.

Dados: 1,8 M clientes · 24 meses Stack: Python · XGBoost · SHAP · dbt Prazo: 4 semanas
churn_model · BI
atualizado hoje
Churn mensal
−34%
após ações de retenção
Desempenho do modelo
0.91
AUC
Receita retida
€2.4M
anualizada
ROI das campanhas
5.8×
sobre o gasto de retenção

Risco de churn por segmento

probabilidade média de sair

Base de clientes por segmento

parte de todos os clientes

◆ Conclusões
  • Dois segmentos — em risco e inativos — concentravam quase todo o churn.
  • O sinal mais forte era uma queda de uso, semanas antes do cancelamento.
  • O orçamento de retenção era distribuído por igual em vez de ir onde muda o desfecho.
✓ A nossa solução
  • Cada cliente pontuado semanalmente com um motivo de risco claro e explicável.
  • Ofertas de retenção dirigidas apenas a contas de alto risco e alto valor.
  • Um painel para a equipa seguir o risco e medir cada campanha.

Tem um projeto assim?

Conte-nos o que está a construir. Respondemos num dia útil com um plano claro e um orçamento fechado.

Iniciar o seu projeto