Caso de Estudio
Churn Model for Paid Listings
Predicting churn to retain paying agents & developers.
En eBay Classifieds (México y Sudamérica), Arturo desarrolló un modelo de churn integrando datos de listados, tráfico, calidad y marketing para optimizar la estrategia de retención de clientes y mejorar la eficiencia operativa.
Resultados Clave
La Transformación
El Desafío
eBay Classifieds (Vivanuncios en México y mercados sudamericanos) invertía fuertemente en adquisición —búsqueda paga, display y campañas de email— para atraer agentes inmobiliarios y desarrolladores a la plataforma. Sin embargo, la tasa de churn de clientes pagantes hacía insostenible la economía de adquisición. Nadie podía explicar por qué: algunos agentes publicaban pocos listados y desaparecían, mientras otros eran activos por meses y de repente dejaban de renovar. El negocio trataba todo el churn igual, enviando correos genéricos de recuperación y descuentos, pero los patrones sugerían causas raíz completamente distintas. Algunos agentes no recibían tráfico suficiente para justificar el costo de la suscripción. Otros tenían problemas de calidad en sus listados que suprimían su visibilidad en los resultados de búsqueda, culpando a la plataforma en lugar de su propio contenido. Algunos simplemente eran estacionales. Sin un modelo predictivo, el equipo de retención no podía distinguir entre estos segmentos ni personalizar intervenciones, gastando recursos en campañas que no abordaban las razones reales de la deserción.
Nuestro Enfoque
Construimos el modelo de churn desde cero, comenzando por el desafío más complejo: unificar los datos. La información de listados estaba en Hadoop, métricas de tráfico en Google Analytics, interacciones de soporte en ProTool y puntos de contacto de marketing dispersos en plataformas de campañas. Usamos Databricks para compilar un conjunto de características a nivel de cliente, más de 40 variables por cuenta, cubriendo comportamiento de listados (volumen, puntuaciones de calidad, fotos, completitud de descripciones), patrones de tráfico (vistas por listado, tasas de contacto, posiciones en búsqueda), engagement de marketing (apertura de correos, respuestas a campañas) e interacciones de soporte. En R probamos múltiples enfoques: regresión logística por interpretabilidad y árboles de gradiente potenciado por precisión. El modelo de gradiente ganó en calidad predictiva, pero mantuvimos los resultados de regresión logística porque el negocio necesitaba entender qué características impulsaban el churn, no solo predecirlo. El análisis de importancia de variables reveló que la calidad del listado (específicamente el conteo de fotos y la longitud de la descripción) era un predictor más fuerte que el volumen de tráfico: agentes con listados deficientes culpaban a la plataforma por el bajo tráfico, cuando el problema real era su propio contenido. Operacionalizamos el modelo construyendo dashboards en Tableau que puntuaban mensualmente a cada cliente pagante y los segmentaban en niveles de riesgo. El equipo de retención podía ver no solo quién probablemente se daría de baja, sino por qué, con intervenciones diferenciadas por segmento: soporte de incorporación para listados de baja calidad, impulso promocional para bajo tráfico, y campañas de re-engagement para agentes estacionales.
El Resultado
El modelo logró un aumento del 15% en la retención de la base de clientes pagantes en los primeros 6 meses. Pero el impacto más profundo fue estratégico: el análisis de churn cambió fundamentalmente cómo el negocio pensaba sobre la salud del cliente. En lugar de medir el éxito solo por nuevos registros, el equipo comenzó a rastrear puntuaciones de calidad de listados y métricas de engagement como indicadores líderes. El gasto en marketing se volvió más eficiente al dirigirse por segmento de riesgo de churn en lugar de enviarse masivamente a toda la base. La actualización mensual del modelo permitió detectar señales emergentes de churn tempranamente: si el tráfico de un agente previamente saludable caía dos meses seguidos, se realizaba un acercamiento proactivo antes de que llegara a la página de cancelación. El marco se adaptó posteriormente a los mercados sudamericanos con características localizadas, demostrando que el enfoque era portable entre geografías. El modelo de churn se convirtió en un activo analítico permanente que operó mensualmente por más de dos años, refinándose continuamente a medida que emergían nuevos patrones de comportamiento. Lo más importante fue el cambio de mentalidad organizacional: de una gestión reactiva del churn a un monitoreo proactivo de la salud del cliente, una transformación fundamental en cómo la empresa entendía y servía a sus clientes más valiosos.
¿Quieres resultados similares para tu organización?
Hablemos¿Listo para convertir datos en decisiones?
Hablemos de cómo lograr ROI medible en meses.