Cómo descubrir qué predice el churn con tus propios datos de clientes
Qué atributos y eventos de clientes recoger, cómo hacer análisis de cohortes y de riesgo relativo y cómo evitar falsos positivos y cifras inventadas por IA.

Todo negocio de suscripción tiene una teoría sobre por qué se van los clientes. “Los clientes que vienen de anuncios de pago cancelan más.” “Los equipos que no invitan a un segundo usuario nunca se quedan.” Algunas de estas teorías son ciertas. Muchas no, y la única forma de saberlo es comprobarlas con tus propios datos.
Esta guía cubre qué recoger, cómo comparar grupos con análisis de cohortes y de riesgo relativo, cómo evitar las trampas estadísticas que hacen que el ruido aleatorio parezca un hallazgo y cómo usar la IA para explicar los resultados sin dejar que se invente números.
Paso 1: decide qué significa “churn”
Antes de cualquier análisis, escribe una definición. Por ejemplo:
- Perdido: suscripción cancelada o terminada sin pagar, y no reactivada en 30 días.
- Ventana de observación: los primeros 90 días del cliente, o un periodo del calendario.
- Quién cuenta: solo los clientes de pago, o también las pruebas (analízalas por separado; la conversión de las pruebas es otra pregunta).
Separa el churn voluntario (el cliente canceló) del churn involuntario (un pago falló y nunca se recuperó). Tienen causas distintas. Una tarjeta prepago y un usuario decepcionado no son el mismo problema. Nuestro artículo sobre el churn involuntario cubre la parte de los pagos.
Paso 2: recoge los atributos y eventos adecuados
Quieres datos que existían antes de que el cliente se fuera y sobre los que podrías actuar. Un buen conjunto inicial:
| Campo | Tipo | Valores de ejemplo | Por qué importa |
|---|---|---|---|
signup_date |
Atributo | 2026-06-12 | Cohortes; estacionalidad |
signup_source |
Atributo | google_ads, facebook_ads, organic, referral |
Calidad del canal, no solo volumen |
plan |
Atributo | starter, team |
Encaje entre plan y necesidad |
seats |
Atributo | 1, 5, 20 | Las cuentas de un solo usuario suelen comportarse de otra forma |
company_size / country / industry |
Atributo | 11-50, DE, agency |
Encaje del segmento |
trial_length_days |
Atributo | 7, 14 | Si las pruebas más largas ayudan |
coupon_at_signup |
Atributo | LAUNCH50, ninguno |
Clientes captados con descuento |
payment_method |
Atributo | card_credit, card_prepaid, sepa, link |
Riesgo de churn involuntario |
activated_at |
Evento / fecha | 2026-06-14 | ¿Llegaron al primer momento de valor? |
last_active_at |
Atributo | 2026-09-30 | Lo reciente del uso |
key_feature_used |
Recuento de eventos | reports_created: 4 |
Profundidad de uso |
support_tickets |
Recuento | 0, 3 | Fricción |
nps_score |
Atributo | 0 a 10 | Satisfacción declarada |
Algunas notas para hacerlo bien:
- Define la activación de forma concreta. “Creó un primer proyecto e invitó a un compañero en 7 días” se puede medir. “Obtuvo valor” no.
- Registra los valores en un momento dado. Si comparas el
last_active_atde los clientes perdidos con el de los activos, el grupo perdido parecerá inactivo porque se fue. Eso no te dice nada. Usa un punto fijo, como la actividad en los primeros 14 días. - Mantén categorías amplias. Veinte fuentes de registro con tres clientes cada una no se pueden analizar. Agrúpalas (búsqueda de pago, redes sociales de pago, orgánico, recomendación, otros).
- Datos del método de pago desde Stripe. Los objetos de tarjeta en Stripe incluyen un campo
funding(credit, debit, prepaid o unknown) (referencia de la API de Stripe), que puedes usar sin manejar números de tarjeta. - Cuida la privacidad. Recoge lo que necesitas, documenta por qué y sigue tu política de privacidad y la ley local.
Paso 3: crea cohortes y compara las tasas de churn
El análisis útil más sencillo compara las tasas de churn entre grupos que difieren en un atributo.
Toma a todos los que se registraron en un periodo lo bastante largo para que aparezca el churn (por ejemplo, registrados en el T1, observados durante 90 días). Para cada valor de un atributo, cuenta los clientes y los clientes perdidos.
Ejemplo ilustrativo (no son datos reales):
| Fuente de registro | Clientes | Perdidos en 90 días | Tasa de churn |
|---|---|---|---|
| Orgánico | 400 | 60 | 15 % |
| Redes sociales de pago | 200 | 50 | 25 % |
| Recomendación | 100 | 10 | 10 % |
Riesgo relativo
El riesgo relativo (RR) compara la tasa de churn de cada grupo con una referencia. Usando el orgánico como referencia:
- Redes sociales de pago: 25 % / 15 % = RR 1,67. Los clientes de redes sociales de pago se fueron unas 1,7 veces más a menudo.
- Recomendación: 10 % / 15 % = RR 0,67. Los clientes por recomendación se fueron alrededor de un tercio menos.
El riesgo relativo es fácil de explicar a cualquiera en la empresa, que es su principal ventaja frente a modelos más complejos. Consulta riesgo relativo para la definición formal.
Paso 4: comprueba si la diferencia es real
Una diferencia en una tabla no es automáticamente un hallazgo. Con grupos pequeños, el azar por sí solo produce grandes diferencias.
Tamaño de la muestra
Mira los recuentos, no solo los porcentajes. Si las redes sociales de pago tuvieran 20 clientes y 5 se hubieran ido, su tasa del 25 % podría ser fácilmente del 10 % o del 45 % con un mes más de registros. Una regla práctica: desconfía de cualquier grupo con menos de unas pocas decenas de clientes o menos de unos diez eventos de churn, y dilo en el informe.
Intervalos de confianza
Da un rango, no solo un número. Un intervalo de confianza del 95 % para un riesgo relativo te indica el rango de valores coherentes con tus datos. Con la tabla ilustrativa anterior, el intervalo para las redes sociales de pago sale aproximadamente de 1,2 a 2,3, así que el mayor riesgo es bastante claro. Si fuera de 0,8 a 3,4, no sabrías si las redes sociales de pago son peores en absoluto. El método estándar usa el logaritmo del riesgo relativo; la mayoría de las librerías de estadística lo calculan por ti.
Una versión rápida en Python, para una comparación:
import math
def relative_risk(a_churn, a_total, b_churn, b_total, z=1.96):
rr = (a_churn / a_total) / (b_churn / b_total)
se = math.sqrt(1/a_churn - 1/a_total + 1/b_churn - 1/b_total)
low = math.exp(math.log(rr) - z * se)
high = math.exp(math.log(rr) + z * se)
return rr, low, high
# Paid social vs organic, illustrative numbers from the table above
print(relative_risk(50, 200, 60, 400)) # about (1.67, 1.19, 2.33)
Comparaciones múltiples
Esta es la trampa en la que caen la mayoría de los dashboards. Si pruebas 40 atributos con un nivel de significación del 5 %, deberías esperar que unos 2 parezcan “significativos” por puro azar, aunque ninguno importe. Cuanto más segmentas, más falsos hallazgos obtienes.
Formas de manejarlo:
- Decide primero una lista corta de hipótesis, y trata todo lo demás como exploración.
- Ajusta por el número de pruebas. La corrección de Bonferroni (divide tu umbral de significación por el número de pruebas) es sencilla y estricta. El procedimiento de Benjamini-Hochberg controla la tasa de falsos descubrimientos y es menos conservador.
- Confirma con datos nuevos. Encuentra un patrón en los registros del T1 y comprueba si se mantiene en el T2. Un hallazgo que se repite merece que actúes.
Paso 5: correlación, no causalidad
Incluso un riesgo relativo sólido y replicado te dice que un atributo va de la mano del churn. No te dice que el atributo cause el churn.
Formas habituales en que esto sale mal:
- Factores de confusión. Los clientes de redes sociales de pago podrían irse más porque son sobre todo freelancers que trabajan solos, y los freelancers solos se van más sea cual sea el canal. Comprueba la relación dentro de los segmentos (redes sociales de pago frente a orgánico, solo entre cuentas de un usuario).
- Causalidad inversa. Los clientes que abren muchos tickets de soporte podrían irse más, o los clientes que ya no consiguen obtener valor abren más tickets.
- Selección. Los clientes que eligieron el plan anual ya están más comprometidos. La facturación anual puede no causar la retención; los clientes comprometidos pueden elegir la facturación anual.
La forma de establecer la causa es un experimento: cambia una cosa para un grupo aleatorio y compara. Por ejemplo, si la activación parece predecir la retención, prueba un cambio de onboarding que aumente la activación en una mitad aleatoria de los nuevos registros y mira si la retención le sigue. Nuestra guía sobre cómo probar ofertas de retención cubre la misma lógica de grupo de control para las ofertas del flujo de cancelación.
Paso 6: convierte los hallazgos en acciones
| Hallazgo (ejemplo) | Acción posible | Cómo verificarlo |
|---|---|---|
| Los registros de redes sociales de pago se van más | Cambiar la segmentación o la landing page; comparar cohortes | La cohorte de redes sociales de pago del siguiente trimestre |
| Las cuentas de un usuario se van más | Sugerir invitar a un compañero durante el onboarding | Test A/B de la sugerencia |
| Los no activados el día 7 se van más | Recordatorios los días 3 y 5, ayuda con la configuración | Test A/B de los recordatorios |
| Las tarjetas prepago fallan más en las renovaciones | Pedir un método de pago de respaldo, recordatorios antes | Comparar la tasa de renovaciones fallidas |
| Un NPS bajo precede a la cancelación | Hacer seguimiento de las puntuaciones bajas en una semana | Comparar el churn de los seguidos frente a los no seguidos |
Usar la IA para explicar los resultados, de forma segura
Los modelos de lenguaje son buenos convirtiendo una tabla de resultados en un resumen claro y una lista de ideas. Son malos en aritmética y producen números verosímiles que son falsos. El reparto seguro es:
- Calcula cada número en código. Las tasas de churn, los riesgos relativos, los intervalos, los tamaños de muestra y los p-valores ajustados salen de un script determinista o de una consulta SQL.
- Da al modelo solo los resultados calculados, como datos estructurados, y pídele que los explique.
- Prohíbe números nuevos. Indica al modelo que use solo las cifras presentes en la entrada, y comprueba la salida: cada número del resumen debe coincidir con un número de los resultados.
- Exige advertencias. Pídele que señale las muestras pequeñas, los intervalos amplios y que los hallazgos son correlaciones.
- Mantén a una persona en el proceso para cualquier cosa que cambie los precios, la segmentación o el producto.
Una estructura de prompt corta que funciona:
You are given churn analysis results as JSON. Each row has an attribute,
a value, customers, churned, relative_risk, ci_low, ci_high and
adjusted_p. Explain the three strongest findings for a non-technical
founder. Use only numbers that appear in the JSON. Mention sample size
for each finding. Say these are correlations, not causes. Suggest one
experiment per finding.
Lista de comprobación
- Churn definido por escrito, voluntario e involuntario separados.
- Atributos registrados en un momento fijo.
- Categorías agrupadas para que cada una tenga suficientes clientes.
- Riesgo relativo con intervalos de confianza para cada comparación.
- Tamaños de muestra junto a cada resultado.
- Corrección por comparaciones múltiples, o resultados confirmados con datos nuevos.
- Factores de confusión comprobados dentro de los segmentos.
- Los resúmenes de la IA usan solo números calculados.
- Los principales hallazgos convertidos en experimentos.
Cómo ayuda NoChurn
Con los datos propios de NoChurn, envías cualquier atributo de cliente o evento de uso a través de la API, por lotes, por CSV o con el SDK. NoChurn calcula las estadísticas en código (riesgo relativo, tamaño de muestra y confianza) para encontrar qué atributos van con el churn, y luego usa la IA para explicar los resultados y sugerir acciones, marcados como correlación, no causa. Los mismos datos, junto con el método de pago y la fuente de registro, alimentan el score de churn que se da a cada cliente al registrarse. Consulta la referencia de la API y los precios.