Caso de Estudio
Modelo de Churn para Anuncios de Pago
Predecir el churn para retener a agentes y desarrolladores de pago.
En eBay Classifieds (Vivanuncios en México y operaciones en Sudamérica), nuestro fundador construyó un modelo predictivo de churn para agentes inmobiliarios y desarrolladores de autos que pagaban por listados premium. Al integrar datos de Hadoop, Databricks, Google Analytics y ProTool en un dataset unificado de modelado, identificó los patrones de comportamiento que precedían a la cancelación — lo que permitió al equipo de marketing intervenir antes de que el churn ocurriera. El modelo generó un incremento del 15% en retención y se operacionalizó con reruns mensuales y dashboards en Tableau para los GMs.
Resultados Clave
La Transformación
El Desafío
La base de clientes de pago de eBay Classifieds — agentes inmobiliarios y vendedores de autos que adquirían paquetes de listados premium — tenía niveles de churn que erosionaban la inversión en adquisición:
- Los clientes de pago cancelaban sus suscripciones a pesar del alto gasto en adquisición, haciendo insostenible la economía unitaria de los listados pagos
- No había visibilidad sobre por qué se iban los clientes — el equipo no podía distinguir entre quienes abandonaban por malos resultados y quienes simplemente no estaban comprometidos
- Los datos de los clientes estaban dispersos en cuatro sistemas: actividad de listados en Hadoop, procesamiento en Databricks, comportamiento web en Google Analytics y métricas internas de calidad en ProTool
- Marketing ejecutaba campañas de retención sin segmentación — el mismo mensaje para todos los clientes en riesgo, sin importar sus señales específicas de churn
Nuestro Enfoque
**Compilación de Datos e Ingeniería de Features:**
- Se construyó un dataset unificado de modelado combinando actividad de listados (Hadoop), pipelines de procesamiento de datos (Databricks), tráfico web y engagement (Google Analytics) y scores de calidad de listados (ProTool)
- Se diseñaron features que capturaban las señales de comportamiento previas al churn: caída en vistas de listados, menor frecuencia de login, deterioro en scores de calidad y patrones de respuesta a campañas de marketing
**Desarrollo del Modelo de Churn:**
- Se desarrolló un modelo predictivo de churn en R, evaluando múltiples enfoques para identificar qué combinación de features predecía mejor la cancelación con 30-60 días de anticipación
- Se validó el desempeño del modelo contra datos históricos de churn para establecer umbrales de predicción confiables
**Operacionalización y Reportes:**
- Se desplegó el modelo con un ciclo de rerun mensual, generando scores de riesgo de churn actualizados para cada cliente de pago
- Se construyeron dashboards en Tableau para el GM y el equipo de marketing con las cuentas en riesgo segmentadas por driver de churn — habilitando campañas de retención dirigidas en lugar de comunicaciones masivas
El Resultado
**Retención e Ingresos:**
- Incremento del 15% en retención de clientes de pago — el modelo identificaba cuentas en riesgo con suficiente anticipación para que marketing interviniera con ofertas dirigidas
- Se optimizó el gasto en campañas de retención al concentrar los recursos en los clientes con mayor probabilidad y valor de rescate
**Inteligencia Operativa:**
- El equipo de marketing dejó las campañas masivas para adoptar comunicaciones segmentadas basadas en drivers específicos de churn (problemas de calidad, caída en engagement, bajo desempeño de listados)
- Los reruns mensuales del modelo dieron a los GMs de México y Sudamérica una vista consistente de la salud de sus bases de suscriptores
- Las mejoras en calidad de listados surgieron como consecuencia del modelo, que reveló qué factores de calidad predecían el churn con mayor fuerza
¿Quieres resultados similares para tu organización?
Hablemos¿Listo para convertir datos en decisiones?
Hablemos de cómo lograr ROI medible en meses.