Score de churn tem um defeito que quase ninguém comenta: ele aponta quem vai sair, não quem dá para segurar.
São perguntas diferentes. E a diferença custa dinheiro.
A literatura de uplift modeling divide a base em quatro grupos:
- os que ficam de qualquer jeito
- os que saem de qualquer jeito
- os persuadíveis, que só ficam se você agir
- os "cães adormecidos", que saem justamente porque você mexeu com eles
Um modelo de propensão mistura os quatro no topo da lista. Num white paper da Stochastic Solutions, de Nicholas Radcliffe, a ação típica de retenção é contraproducente para cerca de 30% dos clientes abordados. A empresa paga para empurrar cliente para fora.
Vi um parente disso num SaaS B2B. A resposta padrão para a queda da base era cupom, e o cupom trazia de volta justamente quem só voltava por cupom. Usava uma vez e sumia.
Na escada da causalidade do Judea Pearl, propensão fica no primeiro degrau, a associação. Saber quem responde à ação exige o segundo: intervenção.
Por isso, no Signals, o score separa a lista e o efeito é medido contra um grupo de controle que não recebe nada.
Prever risco é a parte fácil. Provar que a ação causou a retenção é o que justifica o orçamento.
No seu time, o modelo de churn escolhe quem recebe a oferta, ou também mede quem nem precisava dela?
Referências
- Nicholas Radcliffe, Uplift Modelling for Retention (Stochastic Solutions)
- Judea Pearl e Dana Mackenzie, The Book of Why (Basic Books, 2018), a escada da causalidade
- Case: Signals
