Análise Preditiva de Churn

Adquirir um cliente custa dinheiro; perdê-lo em silêncio custa mais. O cliente que deixa de comprar raramente avisa: ele simplesmente some, e a empresa só percebe quando a receita recorrente cai e os anúncios precisam trabalhar mais para repor a base. A análise preditiva de churn propõe um caminho diferente: identificar, antes que a saída aconteça, quais clientes têm maior chance de deixar de comprar, para agir enquanto ainda há relacionamento.

Neste guia, mostramos como aplicar a ideia em empresas de comércio e de serviços, com ou sem assinatura. Explicamos como definir churn em negócios em que o cliente não cancela formalmente, quais dados são necessários, quais métodos funcionam do mais simples ao mais avançado, como avaliar um modelo sem se enganar, como transformar a previsão em ações com resultado mensurável e quais erros evitar. Os números dos exemplos são hipotéticos e servem para treinar o raciocínio com a sua base.

Um alerta importante antes de começar: prever churn não reduz churn. O que reduz é a ação tomada com base na previsão, e essa ação só vale a pena se custar menos do que a margem que se espera preservar. Por isso, o texto trata a previsão e a decisão como um único problema.

O que é churn e por que a definição muda tudo

Churn é a perda de clientes em um período. Em negócios de assinatura, a definição é simples: o cliente cancela. Em e-commerce e em muitos serviços, a relação é não contratual: o cliente compra quando precisa e nada o obriga a voltar. Nesses casos, não existe evento de cancelamento, e a empresa precisa decidir a partir de qual inatividade considera que o cliente foi perdido.

Uma forma prática de definir o limite é olhar o comportamento histórico de recompra. Calcule o intervalo mediano entre a primeira e a segunda compra dos clientes que voltaram a comprar e, depois, os intervalos seguintes. Se o intervalo mediano é de 75 dias e 90% dos clientes que recompram o fazem em até 150 dias, um cliente sem compras há mais de 150 dias tem baixa probabilidade de voltar. Esse limite varia por categoria: itens de consumo recorrente, como cosméticos e suplementos, têm janelas curtas; itens duráveis, como móveis, têm janelas longas, e a lógica de churn pode nem fazer sentido.

• Assinatura: churn é o cancelamento ou o não pagamento após o período de tolerância.
• Recompra recorrente: churn é a ausência de compra além do intervalo habitual, por exemplo duas vezes o intervalo mediano.
• Compra rara: o conceito de churn perde sentido. O foco passa a ser indicação, upsell e acompanhamento pós-venda.

O custo de perder clientes: a conta em reais

Você não precisa de estatística de terceiros para dimensionar o problema; os dados da própria empresa bastam. Suponha uma loja com 12.000 clientes ativos nos últimos doze meses e margem de contribuição média de R$ 52 por pedido. Se cada cliente ativo compra, em média, 2,4 vezes por ano, a base gera cerca de R$ 1,50 milhão de margem anual (12.000 × 2,4 × R$ 52 = R$ 1.497.600). Perder 5% da base por ano em churn evitável representa algo próximo de R$ 75 mil de margem que precisa ser reposta com novos clientes, cujo custo de aquisição será pago em mídia.

Compare com o CAC. Se repor esses 600 clientes custa R$ 80 cada, são R$ 48 mil em mídia, além do tempo da equipe. A conta mostra duas coisas. A primeira é que o churn tem preço mensurável. A segunda é que qualquer ação de retenção deve ser medida contra o que ela preserva: gastar R$ 20 para segurar um cliente que deixa R$ 100 de margem anual é bom negócio; gastar R$ 60 para segurar um que deixa R$ 52 não é.

Dados necessários para a previsão

A boa notícia é que a maioria das empresas já tem os dados básicos no ERP e na loja virtual. O que importa é organizá-los por cliente, com histórico de pedidos e de comportamento.

• Histórico de compras: datas, valores, itens e categorias de cada pedido.
• Margem por pedido: para priorizar clientes pelo valor que deixam, e não apenas pelo faturamento.
• Devoluções e reclamações: clientes insatisfeitos costumam ter maior risco de saída.
• Canal de origem: clientes vindos de promoções agressivas tendem a recomprar menos.
• Interações: aberturas de e-mail, visitas ao site, uso do aplicativo, quando disponíveis.
• Atrasos de entrega: experiências ruins de logística costumam anteceder a perda do cliente.

A identificação do cliente é o ponto mais frágil. Se a loja registra o mesmo cliente com e-mails diferentes ou vende em marketplaces que não repassam dados de contato, a base fica fragmentada. Antes de modelar, vale unificar cadastros por documento, e-mail e telefone, respeitando a legislação de proteção de dados.

Do mais simples ao mais avançado: quatro métodos

Não é preciso começar por modelos complexos. Em muitos casos, métodos simples resolvem a maior parte do problema, com a vantagem de serem explicáveis para a equipe. Uma escada de quatro degraus ajuda a escolher.

• Regra de intervalo: marcar como em risco o cliente cuja inatividade ultrapassa uma fração do limite de churn, por exemplo 80% de 150 dias. É simples, rápida e ainda assim útil.
• RFM: classificar os clientes por recência, frequência e valor monetário e agir por segmento.
• Curvas de sobrevivência por coorte: acompanhar, para cada grupo de clientes que comprou pela primeira vez no mesmo mês, quantos continuam ativos ao longo do tempo.
• Modelos estatísticos e de aprendizado de máquina: estimar a probabilidade individual de saída a partir de várias variáveis, como regressão logística ou árvores de decisão.

A regra do degrau é: só suba se o anterior estiver funcionando e se houver ganho esperado. Um modelo de aprendizado de máquina mal alimentado pode ser pior do que uma regra de intervalo bem calibrada, e dá muito mais trabalho para manter.

RFM na prática

O RFM atribui a cada cliente uma nota de 1 a 5 em recência (há quanto tempo comprou), frequência (quantas vezes comprou) e valor (quanto deixou de margem). As combinações formam segmentos que pedem abordagens diferentes. Veja uma segmentação simplificada para a base hipotética de 12.000 clientes.

O grupo mais valioso para ação preventiva é o dos clientes em risco, porque ainda respondem e já mostraram valor. Os hibernando exigem avaliação de custo: parte deles voltaria sozinha, e oferecer desconto a quem voltaria de qualquer forma é prejuízo. É por isso que a medição com grupo de controle, descrita adiante, é indispensável.

Coortes: a leitura mais honesta da retenção

Agrupar clientes pelo mês da primeira compra e acompanhar o percentual que volta a comprar em 30, 60, 90 e 180 dias é a forma mais clara de enxergar a retenção. Considere a coorte hipotética de 1.000 clientes que fizeram a primeira compra em janeiro: 12% compraram novamente em até 30 dias, 22% em até 90 dias e 31% em até 180 dias. Se a coorte de março mostra 9%, 17% e 25% nos mesmos marcos, há uma piora que merece investigação, mesmo que o faturamento total esteja crescendo por causa do volume de novos clientes.

As causas possíveis incluem mudança de público nas campanhas, promoções que atraem compradores oportunistas, problemas de entrega ou mudanças de produto. A leitura por coorte separa a qualidade da aquisição da qualidade da retenção, algo que a receita total mistura. Ela também dá a base para calcular o LTV: a soma da margem acumulada de cada coorte ao longo do tempo.

Modelos de probabilidade individual

Quando há volume suficiente, em geral alguns milhares de clientes e histórico de pelo menos doze meses, um modelo pode estimar a probabilidade de cada cliente deixar de comprar nos próximos 60 ou 90 dias. As variáveis típicas são recência, frequência, valor, intervalo médio entre compras, tendência recente (comprando mais ou menos espaçadamente), uso de cupons, devoluções, canal de origem e categoria preferida.

O processo segue etapas bem definidas. Defina o evento a prever (sem compra em 90 dias após a data de referência). Monte, para cada data de referência do passado, o retrato do cliente com as variáveis e o resultado observado nos 90 dias seguintes. Treine o modelo com parte das datas e teste em datas posteriores. Avalie a capacidade de ordenar os clientes por risco e confira se as probabilidades previstas se aproximam das taxas observadas.

Como avaliar o modelo sem se enganar

É fácil construir um modelo que parece bom e não serve. Três cuidados evitam os enganos mais comuns.

• Teste no tempo: treine com dados antigos e teste com dados mais recentes, como acontecerá na prática. Misturar datas aleatoriamente infla o resultado.
• Evite vazamento de informação: não use como variável algo que só se saberia depois do evento, como um cancelamento de cadastro posterior à data de referência.
• Meça o ganho sobre a regra simples: compare o modelo com a regra de intervalo. Se o ganho for pequeno, a regra basta.

Duas medidas úteis em linguagem de negócio são a taxa de captura e o lift. A taxa de captura responde: dos clientes que realmente saíram, que percentual estava entre os 20% apontados como mais arriscados? O lift compara a taxa de saída nesse grupo com a taxa média da base. Se o grupo de risco alto tem taxa de saída de 48% e a média é de 20%, o lift é de 2,4 vezes: focar nesse grupo é 2,4 vezes mais eficiente do que abordar a base inteira.

A segunda compra: o ponto de maior alavanca

Em negócios de recompra, a maior perda de clientes acontece logo depois da primeira compra. Quem compra uma segunda vez tende a comprar uma terceira, e a curva de retenção se estabiliza. Por isso, a taxa de segunda compra é o indicador de churn mais acionável para a maioria das lojas. Melhorá-la costuma render mais do que qualquer esforço de reativação de clientes antigos.

As alavancas mais comuns são a experiência da primeira entrega, a comunicação nos primeiros dias e a oferta do produto certo no momento certo. Uma entrega no prazo, com embalagem cuidadosa e rastreamento claro, constrói confiança. Um e-mail de boas-vindas com orientações de uso, e não apenas um cupom, aumenta a satisfação. E um lembrete de reposição no momento em que o produto está acabando converte melhor do que uma promoção genérica.

• Primeiros 7 dias: confirmação clara, acompanhamento da entrega e orientações de uso.
• Entre 20 e 40 dias: pedido de avaliação e recomendação de itens complementares.
• Próximo do fim do ciclo: lembrete de reposição baseado no intervalo típico da categoria.
• Após o limite de churn: campanha de reativação com grupo de controle.

Exemplo completo: uma loja de suplementos

Para juntar as peças, imagine uma loja hipotética de suplementos, em que o intervalo mediano de recompra é de 45 dias e 90% dos clientes que voltam o fazem em até 100 dias. A empresa define o limite de churn em 100 dias sem compra. A base tem 8.000 clientes com ao menos um pedido nos últimos 18 meses e margem de contribuição média de R$ 38 por pedido.

A análise por coorte mostra que 34% dos clientes fazem a segunda compra em até 100 dias. O RFM aponta 1.100 clientes em risco, ou seja, bons clientes que ultrapassaram 80 dias sem comprar mas ainda não atingiram 100. Esses clientes compram, em média, 4,2 vezes por ano, o que representa uma margem anual esperada de R$ 159,60 por pessoa (4,2 × R$ 38). Se nada for feito, a empresa espera perder cerca de 40% deles, ou 440 clientes, nos próximos 60 dias, o que significa aproximadamente R$ 70 mil de margem anual.

A ação definida é um lembrete de reposição por e-mail e mensagem, com cupom de R$ 6, aplicada a 990 clientes, mantendo 110 como controle. O resultado mede-se após 60 dias. Se a perda no grupo de controle for de 40% e no tratado de 33%, a redução é de 7 pontos percentuais, o que preserva cerca de 69 clientes entre os 990 (990 × 7%). Cada cliente preservado vale R$ 159,60 de margem anual, ou cerca de R$ 11 mil no total. O custo foi de R$ 6 por cliente que usou o cupom, mais as ferramentas. Mesmo com premissas conservadoras, o retorno é claramente positivo, e a empresa tem evidência para repetir e ampliar a ação. Os números são hipotéticos e dependem da realidade de cada negócio.

Churn em serviços e em vendas para empresas

Em serviços recorrentes e em vendas B2B, o churn tem características próprias. O cliente é menos numeroso e mais valioso, a decisão de sair costuma envolver vários interlocutores, e os sinais de risco aparecem de forma diferente: queda no uso do serviço, redução de pedidos, atrasos de pagamento, troca do contato responsável e aumento de chamados de suporte. Como cada cliente representa muita receita, o acompanhamento pode ser individual, com um responsável de conta, e o modelo estatístico dá lugar a um painel de sinais.

• Uso: queda de volume em relação à média dos últimos meses.
• Financeiro: atrasos recorrentes e pedidos de renegociação.
• Relacionamento: menor frequência de contato e mudança de interlocutor.
• Suporte: aumento de chamados ou de reclamações sem solução.

A abordagem prática é pontuar cada sinal e definir um nível de alerta. Contas com três ou mais sinais acionam uma conversa estruturada do responsável com o cliente, com foco em entender o problema e propor soluções, e não em oferecer desconto de imediato. Preços reduzidos são difíceis de reverter, e muitas vezes o motivo da insatisfação é outro.

Sazonalidade e eventos que distorcem a leitura

Datas como Black Friday, Natal e Dia das Mães atraem compradores ocasionais que não repetem o comportamento depois. Uma coorte formada em novembro costuma ter retenção menor do que a de março, não por falha da empresa, mas pelo perfil do cliente. Para não tirar conclusões erradas, compare coortes do mesmo período do ano e, quando possível, separe clientes vindos de promoções dos demais.

Da mesma forma, uma queda da taxa de recompra logo após uma campanha agressiva de aquisição pode indicar que o público atraído tem menor fidelidade. Essa leitura ajuda a calibrar quanto vale a pena pagar por clientes de promoção: se a recompra é baixa, o LTV é menor, e o CAC aceitável também.

Da previsão à ação: a régua de retenção

Prever sem agir não muda nada. A régua de retenção organiza as ações por nível de risco e por valor do cliente, evitando tanto o excesso de contato quanto a omissão. Uma estrutura simples tem quatro faixas.

• Risco baixo: comunicação normal, conteúdo útil e lançamentos, sem incentivo financeiro.
• Risco médio e valor alto: contato personalizado, lembrete de reposição no momento previsto e recomendação de itens complementares.
• Risco alto e valor alto: atendimento humano, pesquisa de satisfação e oferta pensada, com teto de custo definido.
• Risco alto e valor baixo: ações automáticas e baratas, sem desconto profundo, porque o retorno esperado é pequeno.

A pergunta que guia a régua é: qual o menor incentivo que muda o comportamento deste cliente? Muitos clientes em risco reagem a um lembrete oportuno, a um conteúdo relevante ou à resolução de um problema pendente. Reservar descontos para quando nada mais funciona protege a margem.

Medir com grupo de controle

O erro mais caro em campanhas de retenção é atribuir ao incentivo uma recompra que teria ocorrido de qualquer jeito. Para saber o efeito real, separe aleatoriamente uma parcela dos clientes em risco, em geral 10%, que não recebe a ação. Compare a taxa de recompra do grupo tratado com a do grupo de controle. A diferença é o efeito incremental.

Considere uma campanha para 2.000 clientes na faixa de risco alto, sendo 1.800 tratados e 200 no grupo de controle. No grupo tratado, 6% voltam a comprar (108 clientes); no controle, 3% (6 clientes). O efeito incremental é de 3 pontos percentuais, o que equivale a 54 clientes adicionais entre os 1.800 tratados. Com margem de contribuição de R$ 52 por pedido, a margem incremental é de R$ 2.808. Os custos foram R$ 8 de cupom para cada um dos 108 que voltaram (R$ 864) e R$ 300 de disparos e ferramentas, totalizando R$ 1.164. O resultado líquido é de R$ 1.644 positivos.

Sem o grupo de controle, a empresa acreditaria que 108 clientes foram reativados e calcularia uma margem de R$ 5.616, quase o dobro do efeito real. Com ele, descobre que metade do trabalho aparente era recompra espontânea, e pode calibrar o valor do cupom e a segmentação com base em evidência.

Integração com ERP, loja e comunicação

Para que a previsão chegue à operação, três sistemas precisam conversar. O ERP fornece pedidos, custos e margem; a loja ou o CRM fornece o comportamento e os canais de contato; e a ferramenta de comunicação executa os disparos. Uma rotina semanal costuma bastar: atualizar a base, recalcular o risco, gerar as listas por faixa e enviá-las para as plataformas de comunicação, registrando quais clientes entraram no grupo de controle.

Registre cada ação com data, segmento e resultado. Esse histórico permite aprender, por exemplo, que clientes de determinada categoria respondem melhor a um lembrete de reposição do que a um cupom, ou que o atendimento humano compensa apenas acima de certo valor de margem. Com o tempo, a régua deixa de ser uma intuição e passa a ser um conjunto de regras testadas.

Alertas e acompanhamento contínuo

A análise de churn não é um projeto único, e sim um acompanhamento. Alguns alertas ajudam a manter a atenção no que importa: aumento da taxa de saída de uma coorte recente, queda da taxa de segunda compra, concentração de risco em clientes de alto valor e aumento de reclamações ligadas a entrega ou a produto.

• Taxa de segunda compra em 90 dias por coorte, comparada com as anteriores.
• Percentual de clientes de alto valor em faixa de risco alto.
• Receita e margem em risco, somando o valor esperado dos clientes mais arriscados.
• Resultado líquido das campanhas de retenção em relação ao grupo de controle.

A margem em risco é um indicador especialmente útil para decisões. Ele multiplica a probabilidade de saída de cada cliente pelo valor esperado de margem nos próximos doze meses e soma o total. Se a margem em risco sobe de R$ 180 mil para R$ 240 mil em dois meses, há um alerta claro de que algo mudou e vale investigar.

Privacidade e uso responsável dos dados

Modelar o comportamento de clientes envolve dados pessoais, e a Lei Geral de Proteção de Dados exige finalidade clara, minimização e segurança. Na prática, trabalhe com identificadores internos em vez de nomes e documentos sempre que possível, limite o acesso aos dados de comportamento a quem precisa, e respeite as preferências de comunicação: clientes que pediram para não receber mensagens não devem entrar nas campanhas, mesmo que o modelo os aponte como de risco alto.

Há também uma questão de bom senso. Mensagens que sugerem que a empresa observa o cliente de forma invasiva, como "sentimos sua falta, faz 143 dias que você não compra", podem gerar desconforto. Prefira abordagens úteis e contextuais, como lembretes de reposição de um produto que o cliente costuma comprar.

Como apresentar o churn para a diretoria

Um relatório de churn útil cabe em uma página. No topo, a taxa de retenção da coorte mais recente comparada com as anteriores e a margem em risco do mês. Em seguida, os segmentos de RFM com o número de clientes e o valor esperado de cada um. Depois, as ações em andamento, com o resultado líquido medido contra o grupo de controle. Por fim, as causas identificadas, como atrasos de entrega ou queda de qualidade em uma linha de produtos, e os responsáveis por cada correção.

Evite mostrar apenas a taxa média de churn, que esconde diferenças entre segmentos e coortes. Prefira números em reais, como a margem em risco e a margem preservada, que conectam a análise à decisão. Quando a diretoria vê que uma ação de R$ 1.200 preservou R$ 11 mil de margem anual, o investimento em dados e em processos de retenção deixa de ser visto como custo e passa a ser entendido como proteção do resultado.

Por fim, trate a análise como um ciclo de aprendizado. Registre hipóteses, teste, meça e ajuste. Em poucos trimestres, a empresa acumula um conhecimento próprio sobre o que funciona com seus clientes, algo que nenhum material genérico consegue entregar. Esse acervo, somado a dados bem organizados, é o que sustenta uma retenção previsível e rentável ao longo dos anos.

Erros comuns em projetos de churn

• Definir churn sem olhar o ciclo de compra: um limite arbitrário de 90 dias classifica como perdidos clientes que compram a cada seis meses.
• Tratar todos os clientes como iguais: gastar o mesmo esforço com quem deixa R$ 30 e com quem deixa R$ 600 de margem.
• Dar desconto sem controle: pagar incentivo a quem voltaria sozinho e erodir a margem.
• Não medir o efeito incremental: confundir recompra espontânea com resultado da campanha.
• Modelar sem preparar os dados: cadastros duplicados e pedidos sem cliente identificado distorcem a base.
• Ignorar a causa do churn: se a perda vem de atrasos na entrega ou de qualidade do produto, nenhuma campanha resolve.
• Parar no modelo: entregar uma lista de clientes sem processo de ação e sem responsável.

Checklist para começar

• Definir o limite de churn a partir do intervalo real de recompra.
• Unificar o cadastro de clientes e vincular pedidos e margem.
• Calcular a retenção por coorte nos últimos doze meses.
• Segmentar a base por RFM e estimar a margem em risco.
• Escolher uma faixa e montar uma ação com grupo de controle.
• Definir teto de custo por cliente reativado, com base na margem esperada.
• Registrar resultados e ajustar a régua a cada ciclo.
• Só avançar para modelos de probabilidade se a regra simples estiver funcionando.

Perguntas frequentes

Preciso de ciência de dados para começar?

Não. Regra de intervalo, RFM e análise por coorte podem ser feitas em planilha. Modelos de probabilidade ajudam quando há grande volume de clientes e dados ricos, mas só compensam se os métodos simples já estiverem em uso.

Qual a diferença entre churn e queda de vendas?

Queda de vendas pode ter várias causas, como menor tráfego, preço ou sazonalidade. Churn mede a perda de clientes que já compraram. As duas coisas se misturam na receita, e por isso a análise por coorte é útil para separá-las.

Vale oferecer desconto para segurar o cliente?

Às vezes, mas com limite. Compare o custo do incentivo com a margem esperada do cliente e meça sempre com grupo de controle. Em muitos casos, um lembrete de reposição ou a solução de um problema pendente funciona melhor e custa menos.

E se meus clientes vêm de marketplaces?

Muitos marketplaces não repassam dados de contato, o que limita ações diretas. Nesses casos, foque em recompra dentro do próprio canal, por meio de avaliações, kits e anúncios de reposição, e em levar clientes para canais próprios dentro das regras de cada plataforma.

Para estimar a margem por pedido que alimenta o cálculo do valor do cliente, use a calculadora de margem do CFOai.

A Fortunato Soluções ajuda empresas a unificar a base de clientes e a montar painéis de retenção, e o CFOai fornece a margem por pedido que torna o valor do cliente mensurável.

Conclusão: prever é o começo, agir com medida é o resultado

A análise preditiva de churn é, antes de tudo, uma disciplina de priorização. Ela mostra quais clientes merecem atenção, quanto vale cada um e qual ação compensa. Os métodos mais simples, como regra de intervalo, RFM e coortes, entregam a maior parte do valor e podem ser aplicados em semanas. Modelos de probabilidade individual refinam o resultado, mas só quando a base e o volume justificam.

O caminho recomendado é definir churn com base no seu ciclo de compra, medir a retenção por coorte, estimar a margem em risco e testar ações com grupo de controle. Assim, cada campanha de retenção deixa de ser um gasto de fé e passa a ser um investimento com retorno comprovado, que protege a margem e reduz a dependência de novos anúncios para repor clientes perdidos.