Previsão de churn com IA: como funciona e como a usar
Como o machine learning prevê que clientes vão sair: os dados, os modelos, como avaliar um modelo, as armadilhas a evitar e como passar dos scores às ações.
Por Florian
A previsão de churn com IA usa machine learning para estimar, para cada cliente, a probabilidade de cancelar, não renovar ou deixar de pagar num determinado período. O resultado é um score de risco. O score só compensa quando desencadeia uma ação concreta: uma oferta de retenção, uma nova tentativa de um pagamento falhado, uma mensagem da equipa de customer success. Este guia explica como funcionam os modelos, que dados os alimentam, como avaliar se são bons e como transformar scores em receita retida.
Em resumo
- A previsão de churn responde a uma pergunta: com o que sabemos hoje sobre este cliente, qual é a probabilidade de sair numa janela futura definida?
- Comece por definir o churn com precisão. O cancelamento voluntário, os pagamentos falhados e os downgrades comportam-se de forma diferente e é melhor modelá-los em separado.
- Os dados de faturação, de utilização do produto e de suporte, em conjunto, preveem melhor do que qualquer fonte isolada. Os modelos baseados em árvores, como o gradient boosting, são uma boa escolha por defeito.
- Avalie um modelo com a precisão (precision), a sensibilidade (recall) e a AUC, não com a exatidão (accuracy), porque os clientes que saem são uma pequena parte do total.
- Um score só tem valor quando cada nível de risco está ligado a uma ação definida.
O que significa previsão de churn com IA?
O churn acontece quando um cliente termina a relação: cancela uma subscrição, deixa caducar um contrato ou deixa de pagar. A previsão de churn é a prática de identificar esses clientes antes de saírem.
Os termos “IA” e “machine learning” usam-se aqui quase como sinónimos. Na prática, o sistema é um modelo supervisionado, treinado com clientes antigos cujo desfecho é conhecido (ficou ou saiu). Aprende que padrões de comportamento vieram antes da saída, aplica-os depois aos clientes atuais e devolve uma probabilidade para cada um.
Para um negócio de subscrições, a versão útil tem três partes: uma definição clara de churn, um modelo que avalia os clientes ativos com uma frequência regular e um conjunto de ações que são desencadeadas por esses scores.
- 01 Definir o churn O evento, o histórico visível, com que antecedência avisar
- 02 Pontuar cada cliente Um modelo treinado com clientes antigos, executado com regularidade
- 03 Agir por nível Nova tentativa, oferta, contacto ou reconquista, conforme o risco
Se ainda não está pronto para um modelo, dois métodos mais simples usam os mesmos dados: descobrir o que prevê o churn com coortes e risco relativo e um health score de cliente que combina alguns sinais num único número.
Como deve definir o churn antes de construir o que quer que seja?
Muitos projetos de churn falham na definição, não no algoritmo. O que conta como churn depende do negócio: uma subscrição cancelada num SaaS, uma não renovação num negócio por contrato, uma despesa que encolhe num modelo por utilização. Se a definição for fraca, o modelo pode estar matematicamente correto e não servir de nada comercialmente.
Antes de escrever qualquer código de modelo, fixe três coisas:
- O evento. O que marca exatamente um cliente como perdido: um pedido de cancelamento, o fim do período pago ou a última nova tentativa falhada?
- A janela de observação. Quanto histórico o modelo pode ver para cada cliente.
- O horizonte de previsão. Com quanta antecedência quer um aviso, por exemplo 30 ou 60 dias.
Depois decida se modela em separado o cancelamento voluntário, as falhas de pagamento involuntárias e os downgrades. Pedem respostas diferentes. Um cliente que decidiu sair precisa de uma conversa ou de uma oferta. Um cliente cujo cartão expirou precisa de uma nova tentativa bem feita e de um lembrete para atualizar o cartão. Misturá-los numa só etiqueta esbate os dois sinais.
Que dados preveem o churn num SaaS?
Não existe uma lista universal de variáveis, mas um modelo de churn para SaaS costuma recorrer a três famílias de dados:
| Família de dados | Exemplos | O que lhe diz |
|---|---|---|
| Faturação | Pagamentos falhados, expiração do cartão, pedidos de downgrade, contestações de faturas, descontos, plano e periodicidade de faturação | Atrito no pagamento e nível de compromisso |
| Utilização do produto | Frequência de login, adoção de funcionalidades, licenças ativadas, profundidade das sessões, tendência ao longo do tempo | Se o cliente tira valor do produto |
| Customer success e suporte | Volume e sentimento dos tickets, scores de NPS e CSAT, health scores, notas de conta | O que o cliente sente |
O desinteresse aparece muitas vezes nos registos de suporte ou de faturação antes de aparecer na utilização do produto, e é por isso que combinar fontes tende a ser melhor do que usar só a utilização.
Dois pontos práticos sobre as variáveis:
- Prefira tendências a fotografias. Um cliente que fez login 12 vezes este mês diz pouco. Um cliente cujos logins caíram para metade em três meses diz muito.
- Trate as falhas de pagamento como um sinal real. O guia técnico sobre modelos de previsão de churn da Lago indica que os clientes com duas ou mais tentativas de pagamento falhadas num ciclo de faturação mostram uma probabilidade de 45% de cancelar nos 60 dias seguintes. Trate isto como um valor de referência publicado e não como uma regra para todos os negócios, mas vale a pena testar a tendência com os seus próprios dados.
Se o seu helpdesk ou CRM guarda sinais úteis, já escrevemos sobre como os extrair: sinais de churn nos tickets do HubSpot, nos tickets do Gorgias, nas conversas do Crisp e inquéritos NPS e CSAT do HubSpot comparados com os cancelamentos reais.
Como funciona o pipeline de machine learning?
Um modelo de churn é mais do que um script de treino. O ebook da Cloudera Accelerating customer churn prediction percorre o caminho completo, desde reunir os dados e etiquetá-los até treinar e servir o modelo em produção, e sublinha que os passos de produção são os que os tutoriais comuns deixam de fora.
Uma versão simples tem seis passos:
- Recolher e juntar os dados dos sistemas de faturação, de produto e de suporte através de um ID de cliente comum.
- Construir a etiqueta. Escolha uma data de corte, pegue em todos os clientes ativos nessa data e marque cada um como perdido ou retido com base numa janela de desempenho futura. O tutorial de churn do PyCaret descreve esta abordagem e avisa que usar informação posterior à data de corte faz passar a resposta para dentro do modelo.
- Construir as variáveis a partir do período anterior à data de corte.
- Treinar e comparar modelos com uma validação adequada.
- Avaliar a base ativa com uma frequência definida, por exemplo diária ou mensal.
- Enviar os scores para as ferramentas que a sua equipa usa, para que possam desencadear ações.
O passo 5 conta mais do que parece. No fluxo de trabalho do PyCaret, a base de clientes ativos é passada ao modelo todos os meses para obter a probabilidade de churn de cada cliente. Ordenar essa lista permite a uma equipa de retenção tratar primeiro os clientes de maior risco e deixar em paz os de risco muito baixo.
Que modelos funcionam melhor?
Não precisa de uma rede neuronal profunda para começar. A investigação sobre dados de SaaS aponta para os métodos baseados em árvores:
- Um benchmark de 2025 com 17 modelos de machine learning para o churn em SaaS, publicado na Future Internet, concluiu que o XGBoost e o LightGBM ofereciam um bom equilíbrio entre desempenho preditivo, tempo de treino e de previsão, e emissões.
- Uma revisão de 212 artigos de 2015 a 2023, publicada na IEEE Access, recomenda ensembles, deep learning e métodos explicáveis, e defende uma avaliação baseada na rentabilidade e não apenas na exatidão.
Existem arquiteturas mais profundas. Um artigo técnico da Microsoft descreve um modelo híbrido que combina um LSTM bidirecional para as séries temporais de utilização com uma CNN 1D para o texto dos incidentes de suporte. Desenhos como este fazem sentido quando tem históricos de eventos longos e texto livre em grande escala. Para a maioria das equipas de SaaS, um modelo de gradient boosting com variáveis bem construídas é a escolha prática, com a regressão logística como base de comparação que pode explicar a qualquer pessoa.
Como sabe se as previsões são boas?
O churn é normalmente um desfecho minoritário. Se 3 em cada 100 clientes saem num período, um modelo que prevê “ninguém vai sair” tem 97% de exatidão e é completamente inútil.
Modelo que prevê “ninguém cancela”97%exatidão
Cancelamentos detetados0 / 3sensibilidade 0%
ficacancela
O guia da Statsig sobre como comparar modelos diz o mesmo: etiquetas desequilibradas fazem a exatidão parecer melhor do que é. Para uma etiqueta de churn com uma taxa de positivos de 3%, recomenda a validação k-fold estratificada, para que cada fold mantenha a mesma proporção de churn.
Use antes estas medidas:
- Precisão (precision): dos clientes assinalados como de alto risco, quantos saíram de facto. Uma precisão baixa significa que a sua equipa desperdiça esforço e pode oferecer descontos a pessoas que teriam ficado.
- Sensibilidade (recall): dos clientes que saíram, quantos o modelo assinalou. Uma sensibilidade baixa significa que perde receita que era evitável.
- ROC AUC e PR AUC: até que ponto o modelo ordena os clientes em risco acima dos seguros, em todos os limiares. A PR AUC é especialmente informativa quando o churn é raro.
- Log loss: se as próprias probabilidades estão bem calibradas, o que conta se definir limiares por nível de risco.
O custo de cada tipo de erro é a pergunta de negócio. Se uma oferta de retenção lhe custa um mês de desconto, um falso alarme é barato. Se a intervenção é uma hora de um account manager sénior, não é. Defina o seu limiar com esse custo em mente.
Que armadilhas tornam as previsões enganadoras?
Fuga de dados (data leakage). Acontece quando informação que não estava disponível no momento da previsão entra no treino. Produz resultados offline quase perfeitos que colapsam em produção. Um exemplo clássico: usar como variável um “motivo de cancelamento” ou um “pedido de downgrade” registado depois da data de corte. Confronte cada variável com a pergunta: “Teria sabido isto na data de corte?”
Fuga escondida entre folds. Se o mesmo utilizador ou a mesma conta aparece nos dados de treino e de teste, os resultados parecem melhores do que a realidade. A Statsig recomenda o group k-fold para dados agrupados por utilizador ou por conta, e verificar que nenhuma entidade aparece ao mesmo tempo no treino e no teste.
Desequilíbrio de classes. Tratado acima: use métricas adequadas e considere pesos de classe ou reamostragem.
Uma definição de churn vaga. Tratado antes. Um modelo treinado para prever “inativo” não lhe diz quem cancela.
Nenhuma ação ligada ao score. Um painel de probabilidades não muda nada. A próxima secção é onde surgem os resultados.
Como transforma scores de risco em ações de retenção?
Associe cada previsão a um nível e cada nível a uma intervenção. Mostre a quem age sobre um score os principais fatores por trás dele, para que saiba porque é que o cliente está em risco e o que dizer.
Um desenho de níveis que funciona:
| Nível de risco | Sinal típico | Ação |
|---|---|---|
| Risco de pagamento | Cartão expirado, recusas repetidas | Novas tentativas inteligentes, lembretes para atualizar o cartão, emails de faturação claros |
| Risco alto, voluntário | Utilização em queda, inquérito negativo, visita à página de cancelamento | Contacto pessoal, oferta à medida, opção de pausa ou de downgrade |
| Cancelado | Subscrição terminada | Mensagem de reconquista no momento certo, com um motivo relevante para voltar |
| Risco baixo | Utilização saudável, pagamentos a tempo | Nenhuma ação; considere um upsell |
Três notas sobre a execução:
- Separe o churn voluntário do involuntário. As falhas de pagamento são muitas vezes problemas mecânicos com uma solução mecânica, e é por isso que merecem um fluxo próprio. Veja pagamentos falhados.
- Intercete no fluxo de cancelamento. O momento em que alguém clica em cancelar é a oportunidade de maior intenção para perguntar porquê e oferecer uma pausa, um downgrade ou outro plano.
- Continue o contacto depois do cancelamento. As mensagens de reconquista funcionam melhor quando refletem o motivo por que o cliente saiu. Veja campanhas de reconquista, emails de reconquista no HubSpot e reconquistar clientes perdidos no Chargebee.
A periodicidade de faturação também molda o risco. A proporção de clientes mensais e anuais muda a frequência com que tem uma oportunidade de intervir, o que tratamos em planos anuais vs mensais e churn.
A nossa perspetiva
A maioria das equipas de SaaS pequenas e médias não precisa de uma equipa de data science para tirar partido da previsão de churn. Precisa de três coisas: dados de faturação em que possa confiar, um sinal de risco que se explique a si próprio e ações automáticas que corram sem alguém a verificar um painel todas as manhãs.
Também acreditamos que o preço não deve penalizá-lo por recuperar receita. O NoChurn não fica com nenhuma percentagem dos montantes recuperados: o preço é definido pelo seu MRR, por isso o seu custo é previsível à medida que cresce.
Como é que o NoChurn prevê o churn?
O NoChurn liga-se ao Stripe com um clique, e ao Chargebee, Paddle, Recurly e outras ferramentas de faturação, ou a qualquer faturação através da API. A previsão funciona em duas camadas:
- Um score de churn de 0 a 100 para cada cliente, desde a inscrição. Lê o tipo de meio de pagamento, o país do cartão, a origem da inscrição e quaisquer atributos que envie, e mostra os fatores por trás de cada score com o respetivo peso. Os primeiros scores usam valores por defeito; quando a sua conta tem histórico suficiente, os pesos são aprendidos com os seus próprios clientes e mostrados com o número de clientes em que se baseiam. Um cartão removido poucos dias antes da renovação dispara um aviso precoce. Veja score de churn.
- Os seus próprios dados, analisados. Envie atributos como o plano, a origem da inscrição ou a utilização principal através da API. A estatística encontra os que acompanham o churn, com o risco relativo, um intervalo de confiança de 95% e o tamanho da amostra, e a IA explica as conclusões em palavras simples: correlação, não causalidade. Veja dados próprios e IA.
O score pode depois escolher a oferta no fluxo de cancelamento, o tom dos emails de pagamento falhado ou o momento dos emails de reconquista, e pode lê-lo pela API ou recebê-lo por webhook.
Todas as funcionalidades estão em todos os planos. É grátis até 300 $ de MRR, depois a partir de 9 $ por mês, e o preço depende apenas do seu MRR, sem comissão. Enviar a partir do seu próprio domínio de email exige um plano pago. Veja preços.
Perguntas frequentes
O que é a previsão de churn de clientes com IA?
É o uso de machine learning para estimar a probabilidade de cada cliente cancelar ou deixar de pagar numa janela de tempo escolhida. O modelo aprende com clientes antigos cujo desfecho é conhecido e depois avalia os atuais. O resultado é normalmente uma probabilidade que as equipas usam para dar prioridade ao trabalho de retenção.
O que é a previsão de churn em machine learning?
É um problema de classificação supervisionada. Cada cliente antigo é etiquetado como perdido ou retido com base numa janela definida após uma data de corte, e o modelo aprende que variáveis, como tendências de utilização, atividade de suporte e falhas de pagamento, vieram antes do churn. Depois devolve uma probabilidade de churn para os clientes ativos.
Que algoritmo é o melhor para a previsão de churn?
Não há um vencedor único, mas os ensembles baseados em árvores são uma boa escolha por defeito para dados tabulares de SaaS. Um benchmark de 2025 com 17 modelos sobre churn em SaaS concluiu que o XGBoost e o LightGBM equilibram desempenho e eficiência. Mantenha a regressão logística como base de comparação simples.
De quantos dados preciso antes de valer a pena construir um modelo?
Precisa de clientes antigos suficientes, e de eventos de churn suficientes, para que o modelo aprenda padrões, e a quantidade certa depende do seu produto e da sua taxa de churn. Se tiver poucos eventos de churn, comece com regras simples e um health score, como falhas de pagamento repetidas ou logins em queda, e passe a um modelo à medida que o histórico cresce.
Os pagamentos falhados devem fazer parte do modelo de churn?
Sim, mas etiquete-os à parte do cancelamento voluntário. As falhas de pagamento são um sinal útil: a Lago indica uma probabilidade de cancelamento de 45% nos 60 dias seguintes a duas ou mais tentativas falhadas num ciclo. Também têm a sua própria solução: novas tentativas e lembretes para atualizar o cartão.
Fontes
Todas consultadas em novembro 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