Predição de churn na prática: os sinais que antecedem cancelamentos em SaaS e fintechs, os dados mínimos e como transformar alertas em MRR retido.
Especialista em inteligência artificial e transformação digital. Mais de 10 anos ajudando empresas brasileiras a implementar soluções de analytics e IA.
Aumentar a retenção de clientes em 5% eleva os lucros entre 25% e 95%. O número vem de uma pesquisa clássica de Frederick Reichheld, da Bain & Company, publicada pela Harvard Business Review, que também estima que conquistar um cliente novo custa de 5 a 25 vezes mais do que manter um que você já tem. Se o seu negócio vive de receita recorrente, essa conta define o jogo. E é exatamente aí que entra a predição de churn: em vez de descobrir o cancelamento no relatório do fim do mês, você identifica quem está em risco semanas antes e ainda tem tempo de agir.
Esse tema é pessoal para mim. Liderei a área de Analytics na Vindi, uma plataforma de pagamentos e assinaturas, onde churn e receita recorrente eram o centro do negócio. E aprendi que o cancelamento raramente surpreende os dados: ele surpreende quem não estava olhando.
Neste post, vou te mostrar por que o churn é a métrica que mais machuca receita recorrente, quais sinais antecedem um cancelamento, como um modelo de predição funciona sem jargão, quais dados você precisa, o que fazer com o alerta de risco e como medir o retorno em MRR. No final, um plano realista de 60 a 90 dias.
Em um negócio transacional, perder um cliente custa uma venda. Em um negócio de assinatura, perder um cliente custa todas as mensalidades que ele ainda pagaria. O churn não subtrai uma receita: ele cancela um fluxo futuro inteiro, e ainda joga fora o custo de aquisição que você pagou para trazer aquele cliente.
Tem também o efeito esteira: se a empresa perde 3% da base todo mês, vendas precisa repor esses 3% antes de qualquer crescimento real. Quanto maior a base, maior o buraco, até o ponto em que o comercial corre o mês inteiro só para o MRR terminar onde começou.
Para calibrar expectativas: o benchmark da Recurly Research, calculado sobre a base de assinaturas processadas pela plataforma, aponta churn mensal médio de 3,27% entre negócios de assinatura. No recorte B2B, que inclui software, a média fica em 3,8% ao mês.
churn mensal médio em negócios de assinatura
Média da base de assinaturas processadas pela Recurly. No recorte B2B, que inclui software, a média é de 3,8% ao mês; nos negócios direto ao consumidor, 6,5%.
Parece pouco, mas 3,27% ao mês significa perder cerca de um terço da base em um ano. Por isso o estudo da Bain citado na abertura encontrou impacto tão grande no lucro: cliente retido já está pago e tende a comprar mais ao longo do tempo.
Churn não é um evento, é um processo. O cancelamento é só o último clique. Antes dele, quase sempre existe uma trilha de sinais nos seus próprios sistemas:
Um recorte importante do mesmo estudo da Recurly: dos 3,27% de churn mensal médio, 2,41% são voluntários (o cliente decidiu sair) e 0,86% são involuntários, causados por falhas de pagamento.
De onde vem o churn mensal em assinaturas
Dados de mercadoEsse recorte importa porque cada tipo pede um remédio diferente. Churn involuntário se resolve com régua de cobrança. Churn voluntário é onde a predição brilha, porque o cliente dá sinais antes de decidir.
Pense em um professor experiente: depois de anos de sala de aula, ele percebe quem vai mal na prova antes de a prova acontecer, porque reconhece os padrões de quem se perdeu na matéria. Um modelo de predição de churn faz a mesma coisa, só que olhando milhares de clientes ao mesmo tempo e sem cansar.
Na prática, o processo tem três passos:
Você entrega o histórico: clientes que cancelaram e clientes que ficaram, cada um com seus dados de uso, suporte, pagamento e perfil nos meses anteriores. O algoritmo compara os dois grupos e aprende quais combinações de sinais apareciam com mais frequência antes dos cancelamentos.
Com os padrões aprendidos, o modelo olha a base atual e atribui a cada cliente uma probabilidade de cancelar nos próximos 30, 60 ou 90 dias. O resultado útil não é uma planilha de probabilidades: é uma lista priorizada, por exemplo, os 50 clientes de maior risco ponderados pelo MRR de cada um.
Antes de confiar, você valida: treina o modelo com dados até seis meses atrás e verifica se ele teria acertado os cancelamentos que de fato aconteceram desde então. Esse teste, chamado de backtest, é o que separa um modelo de um chute sofisticado.
Não precisa começar com deep learning. Uma regressão logística bem alimentada, ou até um score de regras simples (uso caiu mais de 40% + ticket aberto + cartão recusado), já supera de longe o feeling do time. Escrevi mais sobre essa lógica geral em analytics preditivo para vendas, churn e produtividade.
É aqui que muitas empresas travam: acham que precisam de um data lake pronto para começar. Não precisam. Para uma primeira versão útil de predição de churn, o kit mínimo é:
Em volume, o ponto de partida razoável é ter de 6 a 12 meses de histórico e algumas dezenas de cancelamentos registrados, porque o modelo aprende com exemplos de quem saiu. Base muito pequena? Comece com o score de regras e vá acumulando histórico. E se os dados estão espalhados e sem dono, o passo zero é organizá-los: o caminho está em como construir uma fundação de dados do zero.
Um cuidado específico de fintech: nem sempre existe um botão de cancelar, muitas vezes o cliente só para de movimentar. Nesse caso, a definição de churn vira algo como 90 dias sem transação, e essa escolha muda todo o modelo.
Um score de risco parado em um dashboard não retém ninguém. A armadilha clássica: a empresa investe no modelo, o painel fica bonito, todo mundo olha, ninguém age. A predição só vira dinheiro quando cada faixa de risco dispara uma ação pré-combinada, com dono e prazo.
Um desenho simples de playbooks por faixa:
Duas regras de ouro. Primeiro, cada playbook precisa de dono: se o alerta chega para todo mundo, não chega para ninguém. Segundo, registre o desfecho de cada ação (salvou, não salvou, motivo): esse registro alimenta a próxima versão do modelo e revela o que funciona.
Modelo de churn bom não é o que prevê melhor. É o que dispara a ação certa cedo o bastante para a previsão dar errado.
Retenção tem um problema de medição: o sucesso é algo que não aconteceu. A saída é medir com grupo de controle e traduzir tudo para MRR.
Vamos a um cenário explicitamente hipotético, com a conta aberta. Imagine um SaaS com 1.000 clientes e mensalidade média de R$ 400, ou seja, MRR de R$ 400 mil. Com churn de 3% ao mês, saem 30 clientes e R$ 12 mil de MRR todo mês. Agora suponha que o modelo aponte os clientes de risco e os playbooks salvem um terço dos que iam cancelar: 10 clientes por mês, R$ 4 mil de MRR retido. Como receita recorrente se acumula, ao fim de 12 meses a base tem cerca de 120 clientes a mais do que teria sem o programa, algo em torno de R$ 48 mil de MRR preservado por mês (simplificando: parte dos salvos ainda pode cancelar depois, por isso o grupo de controle importa).
O grupo de controle é o que dá honestidade ao número: separe uma fatia aleatória dos clientes de risco que não recebe playbook e compare o churn dos dois grupos. A diferença, multiplicada pelo MRR médio, é o seu retorno atribuível. Sem isso, você nunca saberá se o cliente ficou por causa da ação ou se ficaria de qualquer jeito. Para colocar esse número ao lado dos custos do projeto e fechar o business case, o método completo está em como calcular o ROI de inteligência artificial.
Calcule seu churn atual (logo e receita, voluntário e involuntário), defina formalmente o que conta como cancelamento e levante onde vivem os dados de billing, uso e suporte. E converse com o time de CS: eles já sabem metade dos sinais de perigo.
Monte uma visão por cliente juntando assinatura, uso e tickets, nem que seja em uma planilha. Lance a primeira versão do score por regras e já ataque o churn involuntário com régua de cobrança, que é retorno rápido e sem modelo.
Treine um modelo estatístico simples sobre o histórico e faça o backtest contra os últimos meses. Compare com o score de regras: se o modelo não ganhar, fique com as regras por enquanto e melhore os dados.
Ative os playbooks por faixa de risco com donos definidos, separe o grupo de controle e estabeleça o ritual quinzenal de revisão: o que o modelo apontou, o que o time fez, quantos clientes e quanto MRR foram retidos.
Não existe corte mágico, mas uma referência prática: com menos de algumas centenas de clientes e poucas dezenas de cancelamentos históricos, um modelo estatístico tende a aprender ruído. Nesse estágio, um score de regras bem pensado mais o olhar do time de CS resolve melhor; o modelo entra quando a base cresce demais para acompanhar cliente a cliente.
Depende da janela que você escolhe treinar: 30, 60 ou 90 dias são as mais comuns. Janelas mais longas dão mais tempo de ação, mas erram mais; janelas curtas acertam mais, mas às vezes avisam tarde demais. Em contratos anuais, vale um modelo específico olhando para a janela de renovação.
Em geral, não. Falha de pagamento se ataca com régua de cobrança: retentativas em horários inteligentes, atualização automática de cartão e comunicação clara. É a parte do churn com solução mais barata e retorno mais rápido, e por isso deve vir antes do modelo, não depois.
Para o score de regras e a régua de cobrança, não: um analista que domine SQL e o negócio chega lá. Para o modelo estatístico, você precisa de alguém com base em dados, interno ou de fora, mas o esforço é menor do que parece quando os dados já estão organizados.
Predição de churn não é sobre algoritmo, é sobre tempo. Os sinais de que um cliente vai sair já estão nos seus sistemas de billing, produto e suporte; o modelo só os junta e entrega cedo o bastante para a conversa certa acontecer antes do botão de cancelar. E o retorno é mensurável em uma linguagem que nenhuma diretoria discute: R$ de MRR que continuou na base.
Se você opera SaaS ou fintech e o churn ainda é um número que se descobre no fechamento do mês, o plano de 60 a 90 dias acima é um começo concreto: defina, meça, aja nas regras simples e evolua para o modelo. Quer antecipar cancelamentos antes que virem perda de MRR? Vamos conversar. Liderei Analytics na Vindi, dentro do motor da receita recorrente de uma plataforma de assinaturas, e hoje ajudo empresas a montar exatamente esse tipo de programa na Waxi.
Descubra como calcular e justificar o retorno sobre investimento em IA. Casos reais de empresas brasileiras que conseguiram resultados mensuráveis e estratégias para apresentar o valor da tecnologia.
Descubra como usar analytics preditivo para prever vendas, identificar riscos de churn e otimizar produtividade da equipe com dados e IA.
Guia prático para criar uma fundação de dados sólida em empresas brasileiras. Estruturação, modelagem, governança e ferramentas para transformar dados em insights estratégicos.
