Cómo crear una puntuación de salud del cliente que prediga el churn
Crea una puntuación de salud del cliente fiable: elige señales, fija pesos con tu historial de churn, pruébala con el pasado y vincúlala a acciones.

Una puntuación de salud del cliente es un único número por cliente que dice qué probabilidad tiene de quedarse. Muchos equipos crean una eligiendo unas cuantas señales, asignando pesos que parecen razonables y coloreando las cuentas de verde, amarillo y rojo. El resultado parece preciso y a menudo predice poco.
Esta guía la construye al revés: parte de tu propio historial de churn, conserva las señales que de verdad separan a los clientes perdidos de los retenidos, comprueba la puntuación con el pasado antes de fiarte de ella y vincula cada banda a una acción. Todas las cifras son hipotéticas.
- 01 Define qué predice la puntuación Un resultado concreto y un horizonte: churn en los próximos 90 días
- 02 Lista las señales candidatas Uso, adopción, facturación, relación, perfil, cada una en un momento fijo
- 03 Prueba cada señal con el historial Compara las tasas de churn con y sin la señal: el riesgo relativo
- 04 Combina las señales en una puntuación Puntos proporcionales al riesgo relativo, o un modelo estadístico
- 05 Haz un backtest antes de fiarte La tasa de churn debe bajar de forma constante de la banda más baja a la más alta
- 06 Asocia cada banda a una acción Haz que dependa del motivo y repite el backtest cada trimestre
Paso 1: define qué predice la puntuación
“Salud” es vago. Elige un resultado concreto y un horizonte temporal:
target = customer churns (voluntarily or through failed payment)
within the next 90 days
Decide si cuenta el churn por pagos fallidos. Normalmente debería, porque son ingresos perdidos igualmente, pero las señales difieren: el uso del producto predice la cancelación; la caducidad de la tarjeta y los fallos anteriores predicen el churn por pagos. Muchos equipos mantienen una sola puntuación con señales para ambos, o dos subpuntuaciones.
El horizonte debe ser lo bastante largo para poder actuar. Una puntuación que predice el churn en los próximos 7 días no deja tiempo para nada más que una oferta de última hora.
Paso 2: enumera las señales candidatas
Agrúpalas para cubrir más que el uso del producto:
| Familia | Señales de ejemplo |
|---|---|
| Uso | Días activos en los últimos 30, número de acciones clave, tendencia frente a los 30 días anteriores, puestos usados ÷ puestos pagados |
| Adopción | Hito de activación alcanzado, número de funciones usadas, integraciones conectadas |
| Facturación | Pagos fallidos en los últimos 90 días, tarjeta que caduca antes de la próxima renovación, bajadas de plan, descuento que termina |
| Relación | Tickets de soporte, tickets sin resolver, respuestas de satisfacción o NPS, salida del defensor del producto |
| Perfil | Plan, intervalo de facturación, tamaño de empresa, origen del registro, tipo de método de pago, antigüedad |
Dos reglas para las señales candidatas:
- Mide cada una en un momento fijo. Para un cliente que se fue en mayo, calcula las señales como estaban en febrero, no como estaban cuando se fue. Si no, estás describiendo el churn, no prediciéndolo.
- Prefiere tendencias a niveles. Un cliente que pasó de 20 días activos a 5 es un caso distinto de uno que siempre ha usado el producto 5 días al mes.
Para saber qué atributos recoger en primer lugar, consulta cómo encontrar qué predice el churn.
Paso 3: prueba cada señal con el historial
Toma una fecha de referencia pasada, por ejemplo hace 6 meses. Para cada cliente activo en esa fecha, anota el valor de cada señal en ese momento y si se fue en los 90 días siguientes.
Para cada señal, divide a los clientes en grupos y compara las tasas de churn:
relative risk = churn rate in the group with the signal
÷ churn rate in the group without it
Ejemplo (cifras hipotéticas)
| Señal en la fecha de referencia | Clientes | Perdidos en 90 días | Tasa de churn | Riesgo relativo |
|---|---|---|---|---|
| Días activos en los últimos 30 caídos a la mitad o más | 120 | 30 | 25,0% | 3,6 |
| Días activos estables o al alza | 880 | 61 | 6,9% | (referencia) |
| Pago fallido en los últimos 90 días | 60 | 15 | 25,0% | 3,1 |
| Sin pago fallido | 940 | 76 | 8,1% | (referencia) |
| Puestos usados por debajo de la mitad de los pagados | 200 | 28 | 14,0% | 1,8 |
| Puestos usados la mitad o más | 800 | 63 | 7,9% | (referencia) |
Conserva las señales con un riesgo relativo significativo y suficientes clientes en cada grupo. Un riesgo relativo de 4 basado en 6 clientes es ruido. Mira los intervalos de confianza, y desconfía cuando pruebes decenas de señales: algunas parecerán fuertes por azar. La guía para predecir el churn cubre el tamaño de muestra y las comparaciones múltiples.
Paso 4: combina las señales en una puntuación
Opción A: puntos (sencilla, explicable)
Da a cada señal conservada unos puntos más o menos proporcionales a su riesgo relativo, y limita el total a 100:
score = 100 − (points for each risk signal present)
Pesos de ejemplo de la tabla anterior: uso a la mitad −30, pago fallido −25, puestos por debajo de la mitad −10. Un cliente con un pago fallido y el uso a la mitad obtiene 45.
Los puntos son fáciles de explicar a un equipo de customer success, y eso importa: una puntuación en la que nadie confía se ignora.
Opción B: un modelo estadístico
Una regresión logística sobre los mismos datos de referencia da a cada señal un peso aprendido del historial y tiene en cuenta las señales que se solapan (los clientes con el uso a la mitad pueden ser también los que tienen puestos sin usar). Necesita más datos y alguien que pueda revisarlo. Sea cual sea el modelo, mantenlo lo bastante explicable como para decir por qué un cliente concreto obtuvo una puntuación baja.
Paso 5: pruébala con el pasado antes de fiarte
Puntúa a cada cliente en una fecha de referencia más antigua que no se usó para construir los pesos, y luego comprueba qué pasó en los 90 días siguientes.
Tasa de churn por banda
| Banda | Clientes | Perdidos en 90 días | Tasa de churn |
|---|---|---|---|
| 0–39 | 80 | 26 | 32,5% |
| 40–69 | 260 | 31 | 11,9% |
| 70–100 | 660 | 30 | 4,5% |
Cifras hipotéticas de nuevo. Lo que quieres ver: la tasa de churn baja de forma constante de la banda más baja a la más alta, y las bandas están bien separadas. Si la banda intermedia se va como la banda alta, los umbrales están mal o la puntuación aporta poco.
Captura
capture (lowest band) = churned customers in the lowest band
÷ all churned customers
Aquí 26 ÷ 87 ≈ 30%: la banda más baja contiene el 8% de los clientes y el 30% del churn. Eso es útil. Pero el 70% del churn vino de clientes que no parecían en riesgo, lo que te dice que la puntuación es una ayuda, no un radar. Díselo con claridad a quien la use.
Paso 6: vincula cada banda a una acción
Una puntuación sin acción es un adorno del panel. Escribe el playbook:
| Banda | Acción |
|---|---|
| Baja (0–39) | Contacto personal en una semana; revisa la facturación; ofrece ayuda o un plan que encaje mejor |
| Media (40–69) | Empujón automático y concreto según la señal que bajó la puntuación |
| Alta (70–100) | Nada más; tenla en cuenta para expansión o recomendaciones |
Haz que la acción dependa del motivo, no solo del número. Una puntuación baja por un pago fallido necesita un enlace para actualizar la tarjeta. Una puntuación baja por un uso a la baja necesita ayuda para usar el producto. El mismo correo de “te echamos de menos” para ambos no ayuda a ninguno.
Paso 7: mantenla
- Repite la prueba con el pasado cada trimestre. Los productos, los precios y los clientes cambian; los pesos se desvían.
- Vigila que la puntuación cambie el comportamiento. Si el equipo se esfuerza con las cuentas de puntuación baja, su churn baja y las señales parecen más débiles la próxima vez. Eso es un éxito, no una puntuación rota; conserva un pequeño grupo de control sin tocar si quieres medirlo.
- Registra los cambios de puntuación. “La puntuación bajó de 72 a 41 porque los días activos se redujeron a la mitad” es algo sobre lo que una persona puede actuar. “Puntuación: 41” no lo es.
Errores frecuentes
- Pesos elegidos por opinión. Pruébalos con el historial.
- Señales medidas en el momento del churn. Eso es descripción, no predicción.
- Ninguna prueba con el pasado. No sabes si la puntuación funciona.
- Demasiadas bandas. Tres bastan si cada una tiene una acción distinta.
- Tratar la correlación como causa. Una señal que predice el churn puede no causarlo. Los clientes que conectan una integración pueden irse menos porque ya estaban más comprometidos desde el principio. Prueba las intervenciones con un grupo de control antes de invertir mucho.
Hacerlo con NoChurn
NoChurn da a cada cliente una puntuación de churn de 0 a 100 al registrarse y en cada cambio, usando señales como el método de pago y el historial de pagos. Puedes enviar tus propios atributos y eventos por API (uso, activación, origen del registro, datos de soporte) y NoChurn muestra cuáles van de la mano del churn: factores de churn, correlación y no causalidad. Para actuar sobre la puntuación, ejecuta la recuperación de pagos fallidos, flujos de cancelación con una oferta por motivo y la cancelación en un clic siempre visible, y correos de recuperación a los días 30, 60 y 90 según el motivo. Todas las funciones están en todos los planes (tu propio dominio para correos y páginas alojadas como opción de 14,99 € al mes en cualquier plan), con un precio que depende solo del MRR (precios).