Predicción de churn con IA: cómo funciona y cómo usarla
Cómo el machine learning predice qué clientes se irán: los datos, los modelos, cómo evaluar un modelo, las trampas a evitar y cómo pasar de scores a acciones.

La predicción de churn con IA usa machine learning para estimar, para cada cliente, la probabilidad de que cancele, no renueve o deje de pagar en un periodo determinado. El resultado es un score de riesgo. El score solo sirve cuando dispara una acción concreta: una oferta de retención, un nuevo intento de un pago fallido, un mensaje del equipo de customer success. Esta guía explica cómo funcionan los modelos, qué datos los alimentan, cómo saber si son buenos y cómo convertir los scores en ingresos retenidos.
En resumen
- La predicción de churn responde a una pregunta: con lo que sabemos hoy de este cliente, ¿qué probabilidad hay de que se vaya en un periodo futuro definido?
- Empieza por definir el churn con precisión. La cancelación voluntaria, los pagos fallidos y los downgrades se comportan de forma distinta y conviene modelarlos por separado.
- Los datos de facturación, de uso del producto y de soporte juntos predicen mejor que cualquier fuente sola. Los modelos basados en árboles, como el gradient boosting, son una buena opción por defecto.
- Evalúa un modelo con precisión, recall y AUC, no con exactitud (accuracy), porque los clientes que se van son una pequeña parte del total.
- Un score solo tiene valor cuando cada nivel de riesgo está ligado a una acción definida.
¿Qué significa la predicción de churn con IA?
Hay churn cuando un cliente termina la relación: cancela una suscripción, deja vencer un contrato o deja de pagar. La predicción de churn consiste en identificar a esos clientes antes de que se vayan.
Aquí los términos «IA» y «machine learning» se usan casi como sinónimos. En la práctica, el sistema es un modelo supervisado entrenado con clientes pasados cuyo desenlace se conoce (se quedaron o se fueron). Aprende qué patrones de comportamiento precedieron a la salida, luego aplica esos patrones a los clientes actuales y devuelve una probabilidad para cada uno.
Para un negocio de suscripción, la versión útil tiene tres partes: una definición clara de churn, un modelo que puntúa a los clientes activos con una frecuencia fija y un conjunto de acciones que se disparan a partir de esos scores.
- 01 Definir el churn El evento, el historial que puede ver el modelo, con cuánta antelación avisar
- 02 Puntuar a cada cliente Un modelo entrenado con clientes pasados, ejecutado periódicamente
- 03 Actuar por nivel Reintento, oferta, contacto o recuperación, según el nivel de riesgo
Si todavía no estás listo para un modelo, dos métodos más simples usan los mismos datos: encontrar lo que predice el churn con cohortes y riesgo relativo y un health score de clientes que combina unas pocas señales en un solo número.
¿Cómo definir el churn antes de construir nada?
Muchos proyectos de churn fracasan en la definición, no en el algoritmo. Lo que cuenta como churn depende del negocio: una suscripción cancelada en SaaS, una no renovación en un negocio de contratos, un gasto que se reduce en un modelo basado en uso. Si la definición es mala, el modelo puede ser matemáticamente correcto y comercialmente inútil.
Antes de escribir una línea de código del modelo, fija tres cosas:
- El evento. Qué marca exactamente a un cliente como perdido: una solicitud de cancelación, el fin del periodo pagado o el último reintento fallido.
- La ventana de observación. Cuánto historial puede mirar el modelo para cada cliente.
- El horizonte de predicción. Con cuánta antelación quieres un aviso, por ejemplo 30 o 60 días.
Después decide si modelas por separado la cancelación voluntaria, el fallo de pago involuntario y los downgrades. Piden respuestas distintas. Un cliente que ha decidido irse necesita una conversación o una oferta. Un cliente cuya tarjeta ha caducado necesita un reintento limpio y un recordatorio para actualizar la tarjeta. Mezclarlos en una sola etiqueta difumina ambas señales.
¿Qué datos predicen el churn en SaaS?
No hay una lista universal de variables, pero un modelo de churn SaaS suele apoyarse en tres familias de datos:
| Familia de datos | Ejemplos | Lo que te dice |
|---|---|---|
| Facturación | Pagos fallidos, caducidad de tarjeta, solicitudes de downgrade, disputas de facturas, descuentos, plan e intervalo de facturación | Fricción en el pago y nivel de compromiso |
| Uso del producto | Frecuencia de inicio de sesión, adopción de funcionalidades, asientos activados, profundidad de sesión, tendencia en el tiempo | Si el cliente obtiene valor |
| Customer success y soporte | Volumen y tono de los tickets, puntuaciones NPS y CSAT, health scores, notas de cuenta | Cómo se siente el cliente |
La desconexión suele aparecer en los registros de soporte o de facturación antes que en el uso del producto, por eso combinar fuentes suele superar al uso por sí solo.
Dos puntos prácticos sobre las variables:
- Prefiere tendencias a fotos fijas. Que un cliente haya iniciado sesión 12 veces este mes dice poco. Que sus inicios de sesión hayan caído a la mitad en tres meses dice mucho.
- Trata los fallos de pago como una señal real. La guía técnica de modelos de predicción de churn de Lago indica que los clientes con dos o más intentos de pago fallidos en un ciclo de facturación muestran una probabilidad del 45% de cancelar en 60 días. Tómalo como un benchmark publicado y no como una regla para todos los negocios, pero vale la pena probar esa dirección con tus propios datos.
Si tu help desk o tu CRM guardan señales útiles, hemos escrito sobre cómo sacarlas: señales de churn en los tickets de HubSpot, en los tickets de Gorgias, en los chats de Crisp y encuestas NPS y CSAT de HubSpot frente a cancelaciones reales.
¿Cómo funciona el pipeline de machine learning?
Un modelo de churn es más que un script de entrenamiento. El ebook de Cloudera Accelerating customer churn prediction recorre todo el camino, desde reunir los datos y etiquetarlos hasta entrenar y servir el modelo en producción, y señala que los pasos de producción son los que los tutoriales habituales omiten.
Una versión simple tiene seis pasos:
- Recoge y une los datos de los sistemas de facturación, producto y soporte con un ID de cliente común.
- Construye la etiqueta. Elige una fecha de corte, toma a todos los clientes activos en esa fecha y marca cada uno como perdido o retenido según una ventana de resultado futura. El tutorial de churn de PyCaret describe este enfoque y advierte que usar información posterior al corte filtra la respuesta al modelo.
- Construye las variables a partir del periodo anterior al corte.
- Entrena y compara modelos con una validación adecuada.
- Puntúa la base activa con una frecuencia fija, por ejemplo diaria o mensual.
- Envía los scores a las herramientas que usa tu equipo para que puedan disparar acciones.
El paso 5 importa más de lo que parece. En el flujo de PyCaret, la base de clientes activos pasa por el modelo cada mes para obtener la probabilidad de churn de cada cliente. Ordenar esa lista permite a un equipo de retención trabajar primero a los clientes más arriesgados y dejar tranquilos a los de muy bajo riesgo.
¿Qué modelos funcionan mejor?
No necesitas una red neuronal profunda para empezar. La investigación sobre datos SaaS apunta a los métodos basados en árboles:
- Un benchmark de 2025 de 17 modelos de machine learning para churn SaaS, publicado en Future Internet, concluyó que XGBoost y LightGBM ofrecían un buen equilibrio entre rendimiento predictivo, tiempo de entrenamiento y de predicción, y emisiones.
- Una revisión de 212 artículos de 2015 a 2023, publicada en IEEE Access, recomienda los ensembles, el deep learning y los métodos explicables, y pide una evaluación basada en la rentabilidad y no solo en la exactitud.
Existen arquitecturas más profundas. Un artículo de ingeniería de Microsoft describe un modelo híbrido que combina un LSTM bidireccional para las series temporales de uso con una CNN 1D para el texto de las incidencias de soporte. Diseños así tienen sentido cuando tienes historiales de eventos largos y texto libre a gran escala. Para la mayoría de los equipos SaaS, un modelo de gradient boosting con variables bien construidas es la opción práctica, con la regresión logística como base que puedes explicar a cualquiera.
¿Cómo saber si las predicciones son buenas?
El churn suele ser un resultado minoritario. Si 3 de cada 100 clientes se van en un periodo, un modelo que predice «nadie se irá» acierta un 97% y no sirve para nada.
Modelo que predice «nadie cancela»97 %exactitud
Cancelaciones que detecta0 / 3sensibilidad 0 %
se quedacancela
La guía de Statsig para comparar modelos dice lo mismo: las etiquetas desequilibradas hacen que la exactitud parezca mejor de lo que es. Para una etiqueta de churn con una tasa positiva del 3%, recomienda la validación k-fold estratificada, para que cada fold mantenga la misma proporción de churn.
Usa en su lugar estas medidas:
- Precisión: de los clientes marcados como de alto riesgo, cuántos se fueron de verdad. Una precisión baja significa que tu equipo malgasta esfuerzo y puede ofrecer descuentos a gente que se habría quedado.
- Recall: de los clientes que se fueron, cuántos marcó el modelo. Un recall bajo significa que pierdes ingresos que se podían evitar.
- ROC AUC y PR AUC: lo bien que el modelo ordena a los clientes arriesgados por encima de los seguros en todos los umbrales. El PR AUC es especialmente informativo cuando el churn es raro.
- Log loss: si las probabilidades en sí están bien calibradas, lo que importa si fijas umbrales por nivel de riesgo.
El coste de cada tipo de error es la pregunta de negocio. Si una oferta de retención te cuesta un mes de descuento, una falsa alarma sale barata. Si la intervención es una hora de un account manager sénior, no. Fija tu umbral teniendo en cuenta ese coste.
¿Qué trampas hacen engañosas las predicciones?
Fuga de datos (data leakage). Ocurre cuando información que no estaría disponible en el momento de la predicción se cuela en el entrenamiento. Produce resultados offline casi perfectos que se hunden en producción. Un ejemplo clásico: usar como variable un «motivo de cancelación» o una «solicitud de downgrade» registrados después de la fecha de corte. Contrasta cada variable con la pregunta: «¿Lo habría sabido en la fecha de corte?»
Fuga oculta entre folds. Si el mismo usuario o la misma cuenta aparece en los datos de entrenamiento y en los de prueba, los resultados parecen mejores que la realidad. Statsig recomienda el group k-fold para datos agrupados por usuario o cuenta, y comprobar que ninguna entidad aparece a la vez en entrenamiento y en prueba.
Desequilibrio de clases. Visto arriba: usa métricas adecuadas y considera pesos por clase o remuestreo.
Una definición de churn vaga. Vista antes. Un modelo entrenado para predecir «inactivo» no te dirá quién cancela.
Ninguna acción ligada al score. Un panel de probabilidades no cambia nada. La siguiente sección es de donde salen los resultados.
¿Cómo convertir los scores de riesgo en acciones de retención?
Asocia cada predicción a un nivel y cada nivel a una intervención. Muestra a las personas que actúan sobre un score los principales factores que lo explican, para que sepan por qué el cliente está en riesgo y qué decirle.
Un diseño de niveles viable:
| Nivel de riesgo | Señal típica | Acción |
|---|---|---|
| Riesgo de pago | Tarjeta caducada, rechazos repetidos | Reintentos inteligentes, recordatorios de actualización de tarjeta, correos de facturación claros |
| Riesgo alto, voluntario | Uso en caída, encuesta negativa, visita a la página de cancelación | Contacto personal, oferta adaptada, opción de pausa o downgrade |
| Cancelado | Suscripción terminada | Mensaje de win-back en el momento adecuado con un motivo relevante para volver |
| Riesgo bajo | Uso sano, pagos a tiempo | Ninguna acción; considera un upsell |
Tres notas sobre la ejecución:
- Separa el churn voluntario del involuntario. Los fallos de pago suelen ser problemas mecánicos con una solución mecánica, por eso merecen su propio flujo. Consulta pagos fallidos.
- Intercepta en el flujo de cancelación. El momento en que alguien hace clic en cancelar es la oportunidad de mayor intención para preguntar por qué y ofrecer una pausa, un downgrade o un plan distinto.
- Sigue en contacto después de la cancelación. Los mensajes de win-back funcionan mejor cuando reflejan el motivo por el que el cliente se fue. Consulta campañas de win-back, correos de win-back en HubSpot y recuperar clientes perdidos en Chargebee.
El intervalo de facturación también influye en el riesgo. La mezcla de clientes mensuales y anuales cambia la frecuencia con la que tienes ocasión de intervenir, algo que tratamos en planes anuales frente a mensuales y churn.
Nuestra perspectiva
La mayoría de los equipos SaaS pequeños y medianos no necesitan un equipo de data science para aprovechar la predicción de churn. Necesitan tres cosas: datos de facturación fiables, una señal de riesgo que se explique sola y acciones automáticas que funcionen sin que nadie revise un panel cada mañana.
También creemos que el precio no debería castigarte por recuperar ingresos. NoChurn no se queda ningún porcentaje de lo recuperado: el precio lo fija tu MRR, así que tu coste es predecible a medida que creces.
¿Cómo predice NoChurn el churn?
NoChurn se conecta a Stripe en un clic, y a Chargebee, Paddle, Recurly y otras herramientas de facturación, o a cualquier facturación mediante la API. Su predicción funciona en dos capas:
- Un churn score de 0 a 100 para cada cliente, desde el registro. Lee el tipo de medio de pago, el país de la tarjeta, el origen del registro y los atributos que envíes, y muestra los factores detrás de cada score con su peso. Los primeros scores usan valores por defecto; cuando tu cuenta tiene suficiente historial, los pesos se aprenden de tus propios clientes y se muestran con el número de clientes en que se basan. Una tarjeta retirada unos días antes de la renovación dispara un aviso temprano. Consulta churn score.
- Tus propios datos, analizados. Envía atributos como el plan, el origen del registro o el uso clave mediante la API. La estadística encuentra cuáles van con el churn, con el riesgo relativo, un intervalo de confianza del 95% y el tamaño de la muestra, y la IA explica los hallazgos con palabras sencillas: correlación, no causalidad. Consulta datos propios e IA.
El score puede elegir después la oferta en el flujo de cancelación, el tono de los correos de pagos fallidos o el momento de los correos de win-back, y puedes leerlo desde la API o recibirlo por webhook.
Todas las funcionalidades están en todos los planes. Es gratis hasta 300 € de MRR, después desde 19 € al mes, y el precio depende solo de tu MRR, sin comisión. Tu propio dominio para correos y páginas alojadas es una opción de 14,99 € al mes en cualquier plan. Consulta precios.
Preguntas frecuentes
¿Qué es la predicción de churn de clientes con IA?
Es el uso de machine learning para estimar la probabilidad de que cada cliente cancele o deje de pagar en una ventana de tiempo elegida. El modelo aprende de clientes pasados cuyo desenlace se conoce y después puntúa a los actuales. El resultado suele ser una probabilidad que los equipos usan para priorizar el trabajo de retención.
¿Qué es la predicción de churn en machine learning?
Es un problema de clasificación supervisada. Cada cliente pasado se etiqueta como perdido o retenido según una ventana definida después de una fecha de corte, y el modelo aprende qué variables, como las tendencias de uso, la actividad de soporte y los fallos de pago, precedieron al churn. Después devuelve una probabilidad de churn para los clientes activos.
¿Qué algoritmo es el mejor para predecir el churn?
No hay un ganador único, pero los ensembles basados en árboles son una buena opción por defecto para datos SaaS tabulares. Un benchmark de 2025 de 17 modelos sobre churn SaaS concluyó que XGBoost y LightGBM equilibran rendimiento y eficiencia. Mantén la regresión logística como base sencilla.
¿Cuántos datos necesito para que valga la pena construir un modelo?
Necesitas suficientes clientes pasados, y suficientes eventos de churn, para que el modelo aprenda patrones, y la cantidad adecuada depende de tu producto y de tu tasa de churn. Si tienes pocos eventos de churn, empieza con reglas simples y un health score, como fallos de pago repetidos o inicios de sesión en caída, y pasa a un modelo a medida que crece tu historial.
¿Los pagos fallidos deben formar parte del modelo de churn?
Sí, pero etiquétalos por separado de la cancelación voluntaria. Los fallos de pago son una señal útil: Lago indica una probabilidad de cancelación del 45% en 60 días después de dos o más intentos fallidos en un ciclo. También tienen su propia solución: reintentos y recordatorios de actualización de tarjeta.
Fuentes
Todas consultadas en noviembre de 2026.
- Lago: Churn prediction models, a technical guide for SaaS
- Cloudera: Accelerating customer churn prediction (ebook)
- PyCaret: Predict customer churn using PyCaret
- Mavridou et al., Beyond accuracy: benchmarking machine learning models for SaaS decision support, Future Internet, 2025
- Manzoor et al., A review on machine learning methods for customer churn prediction, IEEE Access, 2024
- Microsoft ISE: A hybrid multi-input churn prediction model with Azure Machine Learning
- Statsig: Cross-model evaluation, fair comparison methods