Una campaña de retención rinde más cuando se dirige a los clientes que cambian de decisión gracias a ella, y esos casi nunca coinciden con los de mayor riesgo de fuga. Un modelo de uplift, entrenado con un piloto aleatorizado y un grupo de control, encuentra a esos clientes y evita gastar en los que se irían o se quedarían igual.
En dos experimentos de campo, focalizar la misma campaña de retención según su efecto incremental redujo la fuga entre 4,1 y 8,7 puntos porcentuales más que focalizarla según el riesgo de churn. Es el resultado central de Eva Ascarza (2018), de Columbia, en el Journal of Marketing Research. Misma campaña y misma base; lo único que cambió fue la regla para decidir a quién llamar.
Ese dato toca una práctica muy instalada: modelar quién se va, tomar el 10% o 20% más riesgoso y lanzarle una oferta. El modelo de uplift propone otra pregunta y, con ella, otra lista de clientes.
EL PROBLEMA EN LENGUAJE DE DIRECTORIO
Cuando un directorio aprueba un presupuesto de retención, lo que compra es fuga evitada. Quiere saber cuántos clientes siguen porque existió la campaña y cuánto costó cada uno. El reporte que suele llegar muestra la tasa de renovación del segmento contactado o la caída del churn frente al trimestre anterior.
Esas cifras mezclan a los que se iban a quedar igual, a los que se iban a ir igual y a los que de verdad cambiaron su decisión por el incentivo. Un modelo de riesgo ordena la base según la probabilidad de irse y calla sobre cuál de esos grupos responde a la oferta. La verdad es que son dos variables distintas, y Ascarza lo demuestra con datos.
El tema de fondo, por qué la retención compone crecimiento y conviene tratarla como palanca de Negocio, ya lo desarrollé en El balde con fugas. Este artículo parte donde ese termina: una vez que decides invertir en retener, la decisión que define el retorno es a quién le hablas.
LO QUE ENCONTRÓ ASCARZA EN DOS EXPERIMENTOS DE CAMPO
El primer contexto es un operador de telefonía móvil de Medio Oriente, líder en un mercado de más de 4 millones de suscriptores, con clientes de prepago. La empresa seleccionó 12.137 clientes activos, envió a un 68% de ellos (elegidos al azar) un mensaje de texto que ofrecía crédito adicional si recargaban un monto dentro de tres días, y midió quién seguía activo 30 días después. El segundo es una organización de membresías de interés especial en Norteamérica, que durante cinco meses agregó un regalo de agradecimiento a la carta de renovación de la mitad de los socios por vencer, asignados también al azar. El análisis trabajó con una muestra aleatoria de 2.100 de esos socios.
Ascarza dividió cada base en dos mitades: una funciona como el piloto, donde se estima un modelo de uplift con el algoritmo de uplift random forest de Guelman, Guillén y Pérez Marín (2015), y la otra sirve para comparar qué habría pasado si la empresa hubiera elegido a sus clientes por riesgo o por efecto incremental. Repitió ese ejercicio 1.000 veces con particiones distintas. Como la asignación fue aleatoria, la comparación usa churn observado en tratados y controles.
En una frase, el uplift (o LIFT, en el paper) es la diferencia entre la probabilidad de que un cliente se vaya si no recibe la campaña y la probabilidad de que se vaya si la recibe. El riesgo es solo la primera mitad de esa resta.
Los resultados, cuando cada empresa contacta al 40% de su base:
| Estudio | Contexto e incentivo | Focalizando por riesgo | Focalizando por uplift | Diferencia |
|---|---|---|---|---|
| 1 | Telefonía prepago en Medio Oriente, crédito extra por recargar | Reduce el churn 1,9 puntos | Reduce el churn 6,0 puntos | 4,1 puntos porcentuales |
| 2 | Membresías en Norteamérica, regalo con la carta de renovación | Aumenta el churn 4,4 puntos | Reduce el churn 4,3 puntos | 8,7 puntos porcentuales |
Los 4,1 y 8,7 puntos son puntos porcentuales de tasa de churn, medidos frente a la práctica estándar de contactar a los clientes de mayor riesgo con la misma proporción de la base. En el segundo caso, la regla tradicional hacía daño: la campaña focalizada en los más riesgosos producía más fuga que no hacer nada.
Ahora bien, el hallazgo más incómodo es la poca coincidencia entre ambos grupos. En el estudio de telefonía, de los clientes en el 10% de mayor riesgo, solo un 16% estaba también en el 10% más sensible a la campaña. En el de membresías, apenas un 6%. Entre la mitad más riesgosa y la mitad más sensible, la superposición fue de 52% y 40%, respectivamente. Ascarza concluye que la relación entre riesgo y sensibilidad no se distingue de una superposición al azar, y que sus simulaciones calzan con correlaciones de 0,2 en el primer estudio y de −0,2 en el segundo. Su frase es directa: “half of the retention money is wasted”. Lo valioso es que el mismo método identifica cuál mitad.
CUANDO LA CAMPAÑA DE RETENCIÓN EMPUJA LA FUGA
Las campañas de retención pueden aumentar el churn en algunos clientes. Ascarza recoge dos mecanismos descritos en la literatura: la oferta le recuerda al cliente una necesidad latente de irse, o rompe la inercia que lo mantenía en la base. Un cliente que seguía pagando sin pensarlo recibe un contacto, se detiene, compara y se va.
En el estudio de membresías esto fue nítido. En el decil de mayor riesgo, el churn fue de 79,4% en el grupo de control y de 82,7% en el grupo que recibió el regalo, es decir, la campaña subió la fuga 3,3 puntos. Y los socios en su primer año, los de mayor riesgo, fueron justamente los que reaccionaron peor: la intervención los empujó a cancelar. En telefonía pasó con otro segmento: los clientes con bajo consumo de datos tenían riesgo alto y uplift negativo, así que mandarles el incentivo probablemente aumentaba el churn.
La práctica del uplift modeling ordena esto en una matriz de cuatro tipos de cliente que no viene del paper de Ascarza, pero que ayuda harto a explicar el resultado en una reunión:
| Tipo de cliente | Sin campaña | Con campaña | Qué hacer |
|---|---|---|---|
| Seguros | Se queda | Se queda | No gastar en retenerlo; cualquier incentivo es costo puro |
| Causas perdidas | Se va | Se va | No gastar con esta oferta; si importa, probar otra intervención en un piloto |
| Persuadibles | Se va | Se queda | Concentrar aquí el presupuesto: es la única fuga que la campaña evita |
| Perros dormidos | Se queda | Se va | Excluirlos de la campaña; el contacto los despierta |
Un modelo de riesgo pone arriba de la lista a las causas perdidas y a parte de los perros dormidos, porque ambos grupos tienen probabilidades de fuga altas o se parecen a quienes las tienen. Un modelo de uplift pone arriba a los persuadibles, que pueden tener un riesgo medio o incluso bajo.
QUÉ SIGNIFICA PARA TU NEGOCIO
La primera decisión es cambiar el KPI. Una campaña de retención se evalúa por churn incremental por peso invertido, medido contra un grupo de control que no recibió nada. Con números ilustrativos: si una campaña cuesta $40MM y el grupo contactado termina con 800 fugas menos que lo que predice su control, el costo por fuga evitada es de $50.000, y esa cifra se compara con el margen que deja un cliente retenido. Es la misma lógica que propongo en la serie para la inversión en medios, donde el retorno se calcula sobre la utilidad incremental y no sobre lo que el canal reporta.
La segunda es política, y le toca al líder del área. Para medir uplift hay que dejar a un grupo de clientes sin la oferta, y algunos de ellos se van a ir. Finanzas lo va a leer como plata que se dejó en la mesa. He visto ese grupo de control desaparecer en la segunda campaña porque alguien pidió “maximizar el alcance”. Defenderlo es una decisión de liderazgo: el control es lo que permite decir cuánto vale el programa completo, y su costo es pequeño frente al presupuesto que ordena. Es el mismo principio de cualquier test A/B, aplicado a la base de clientes.
La tercera tiene que ver con la IA. Los modelos de churn que se venden como IA predicen bien quién se va, y eso sirve para pronosticar ingresos. Para decidir a quién contactar, la IA aporta valor cuando estima un efecto causal, es decir, cuánto cambia la conducta de cada cliente si la empresa actúa. Ascarza lo plantea como pasar de la predicción a la decisión, en línea con el artículo pilar de la serie sobre qué ventas no habrían existido sin la campaña.
Esto rinde donde se cumplen las dos condiciones del paper: observar la conducta de cada cliente y poder contactarlo uno a uno. En Chile eso describe a la banca y las tarjetas, los seguros y sus renovaciones de pólizas, las telcos, las suscripciones digitales y las isapres, donde cada desafiliación cuesta caro.
LO QUE EL ESTUDIO NO RESUELVE
Ascarza declara sus límites con honestidad. Mide el efecto a un mes, porque ese era el plazo que usaban las empresas, así que no sabemos si el cliente retenido sigue un año después. Analiza una sola campaña por empresa. Usa un umbral de corte igual a cero, sin incorporar el costo de la campaña ni el valor de cada cliente, porque no tenía esos datos. Las tasas de churn de ambos contextos eran parecidas y el beneficio podría ser menor donde la fuga es muy baja. Tampoco aísla la reacción a las ofertas de la competencia, ni resuelve el tamaño óptimo del piloto o si la sensibilidad se mantiene estable en el tiempo. La dirección del resultado se sostiene, y esos límites indican cómo implementarlo con cuidado.
CÓMO APLICARLO MAÑANA
- Corre la próxima campaña como piloto aleatorizado. Toma una muestra representativa de la base, entrega el incentivo a una parte elegida al azar y deja el resto como control.
- Define el resultado y el plazo antes de lanzar. Churn o renovación a 30, 60 o 90 días, según el ciclo del producto, y la regla de decisión escrita antes de mirar los datos.
- Estima el uplift con las variables que ya tienes. Antigüedad, uso, recargas, pagos y contactos al servicio. Son las mismas del modelo de riesgo; cambia lo que se estima. El estudio usó un paquete abierto de R.
- Focaliza por uplift y corta donde el efecto deja de pagar. Ordena a los clientes por efecto estimado, excluye a los de uplift negativo y fija el umbral comparando el costo por fuga evitada con el margen del cliente.
- Mantén un control permanente. Un porcentaje pequeño de cada campaña sin oferta, para reportar churn incremental por peso invertido al directorio y reentrenar el modelo con cada ola.
En los proyectos donde he medido retención contra un grupo de control, la primera sorpresa siempre es la misma: una parte del presupuesto estaba premiando a clientes que nunca pensaron irse, y otra estaba despertando a quienes era mejor dejar tranquilos. Medir eso exige una base de datos y una capa analítica bien conectadas, pero sobre todo exige la disciplina de dejar un control y respetarlo. Con eso, retención pasa de ser un gasto defensivo a una inversión con retorno medible, y el directorio recibe la cifra que estaba pidiendo desde el principio.
PREGUNTAS FRECUENTES
¿Qué es un modelo de uplift en retención de clientes?
Un modelo de uplift estima, para cada cliente, cuánto cambia su probabilidad de fuga si recibe una campaña de retención frente a si no la recibe. Se entrena con datos de un piloto en el que la campaña se asignó al azar, con un grupo de control. A diferencia de un modelo de riesgo de churn, que ordena a los clientes por probabilidad de irse, el modelo de uplift los ordena por el efecto que la campaña tiene sobre ellos.
¿Por qué no conviene focalizar la retención en los clientes de mayor riesgo?
Porque el riesgo de fuga y la sensibilidad a la campaña casi no coinciden. En los dos experimentos de campo de Ascarza (2018), la superposición entre los clientes más riesgosos y los más sensibles fue similar a la de una selección al azar, y focalizar la misma campaña por efecto incremental redujo el churn 4,1 y 8,7 puntos porcentuales más que focalizarla por riesgo.
¿Una campaña de retención puede aumentar la fuga?
Sí. Un contacto puede recordarle al cliente que quería irse o romper la inercia que lo mantenía. En el estudio de una organización de membresías en Norteamérica, el regalo con la carta de renovación subió el churn 3,3 puntos en el decil de mayor riesgo, y los socios en su primer año fueron los que reaccionaron peor.
¿Cómo se mide el éxito de una campaña de retención?
Con churn incremental por peso invertido, medido contra un grupo de control que no recibió la campaña. La diferencia de fuga entre control y tratados indica cuántos clientes retuvo la campaña, y al dividir el costo por esa cifra se obtiene el costo por fuga evitada, que se compara con el margen del cliente retenido.
REFERENCIAS
- Ascarza, E. (2018). Retention futility: Targeting high-risk customers might be ineffective. Journal of Marketing Research, 55(1), 80-98. https://doi.org/10.1509/jmr.16.0163
- Guelman, L., Guillén, M. y Pérez-Marín, A. M. (2015). Uplift random forests. Cybernetics and Systems, 46(3/4), 230-248.
LA SERIE
- El ROAS te está mintiendo (y tu plataforma lo sabe)
- Atribución no es causalidad
- La pregunta que cambia el presupuesto: ¿qué ventas no habrían existido sin la campaña?
- Geo-tests: el experimento que una pyme sí puede pagar
- MMM en 2026: Meridian, Robyn y por qué tu modelo necesita un experimento que lo calibre
- Medir sin cookies: zero-click, resúmenes de IA y Ley 21.719