1. Contexto & Cenário Operacional
No modelo de negócios de software como serviço (SaaS B2B), a receita previsível e a saúde da carteira de clientes são as métricas vitais que ditam o valuation e o crescimento sustentável da empresa. Adquirir novos clientes (CAC) custa entre 5 a 7 vezes mais do que reter a base instalada.
No entanto, o time de Customer Success (CS) da companhia operava de forma puramente reativa: ficava sabendo que um cliente queria rescindir o contrato somente quando o e-mail formal de cancelamento aterrissava na caixa de entrada. Naquele momento, o cliente já havia contratado o concorrente ou desmantelado o uso interno da plataforma. A taxa histórica de recuperação de contas nessa etapa final era de menos de 6%, sangrando mais de R$ 100 mil em receita recorrente a cada ciclo de fechamento.
2. O Problema & Desafios de Modelagem
Para construir uma solução preditiva confiável, era necessário superar desafios típicos de business data science:
- Sinais silenciosos de abandono: Clientes raramente cancelam de surpresa. O desengajamento ocorre aos poucos: queda no número de logins semanais de usuários-chave, diminuição no uso de relatórios essenciais e aumento de chamados de suporte não resolvidos.
- Falsos positivos desgastantes: Se o modelo alertasse clientes errados, o time de CS perderia credibilidade e desperdiçaria horas de consultores sêniores contatando contas saudáveis.
- O "Abismo da Implementação": Ter um modelo no Jupyter Notebook com boa acurácia não gera valor algum se a informação não estiver na ferramenta diária onde o consultor de CS toma decisões (CRM e Metabase).
3. Arquitetura Técnica & Stack Adotada
Construímos um pipeline ponta a ponta focado em automação operacional e interpretabilidade:
- Engenharia de Features Dinâmicas em SQL & Python: Criação de variáveis temporais em janelas deslizantes (7, 14, 30 e 60 dias): variação de sessões ativas (Slope de engajamento), média de tempo entre sessões e índice de resolução de tickets.
- Classificador XGBoost: Escolhido pelo alto desempenho em dados tabulares heterogêneos e capacidade nativa de lidar com valores faltantes e distribuições desbalanceadas de churn.
- Interpretabilidade com SHAP (SHapley Additive exPlanations): Cada predição é acompanhada dos 3 fatores determinantes de risco daquela conta específica (ex: "Queda de 80% nos logins do Admin" e "2 tickets críticos abertos há mais de 10 dias").
- Orquestração Diária & Webhooks no CRM: Pipeline que recalcula os scores toda madrugada e dispara tarefas automáticas diretamente no painel dos consultores de retenção.
"O maior erro ao construir modelos de churn é entregar apenas um número de probabilidade entre 0 e 1. Para o gerente de contas, dizer que um cliente tem '78% de risco' não adianta nada se você não explicar o motivo. A verdadeira mágica acontece quando o algoritmo diz: 'Este cliente tem risco porque o patrocinador executivo parou de logar há 20 dias'."
4. Implementação Passo a Passo
A metodologia adotada integrou ciência de dados com processos de Customer Experience:
Fase 1: Auditoria Histórica e Definição da Variável Resposta
Definimos o churn com rigor estatístico: contas que cancelaram formalmente ou suspenderam faturamento voluntariamente dentro de uma janela de observação futura de 45 dias, excluindo inadimplências involuntárias de cartão.
Fase 2: Treinamento e Otimização da Curva de Precisão-Recall
Otimizamos o limiar de corte de decisão com foco no Top Decil de Risco. O modelo alcançou uma área sob a curva (AUC-ROC) de 0.914 e identificou 84.6% dos cancelamentos reais dentro dos 10% de contas sinalizadas como críticas.
Fase 3: Elaboração dos Playbooks de Intervenção
Trabalhamos junto à liderança de CS para redigir roteiros de contato baseados na causa raiz identificada pelo SHAP: se o problema era técnico, um especialista em suporte entrava em contato; se era perda de tração de produto, oferecia-se um treinamento gratuito de onboarding para novos membros da equipe do cliente.
5. Resultados & Impacto Tangível de Negócio
A transição da postura reativa para a proativa transformou os indicadores corporativos:
- A taxa de evasão mensal (churn voluntário) despencou de 4.1% para 1.8% nos primeiros 12 meses de operação.
- Mais de R$ 1.2M em Receita Anual Recorrente (ARR) foram diretamente preservados pela intervenção antes do ponto sem retorno.
- A taxa de reversão de contas em risco subiu de 6% para expressivos 42%, graças à antecedência de 45 dias proporcionada pelos alertas.
- Adoção de 100% da esteira preditiva pelas equipes de liderança de produto e CS em comitês quinzenais de retenção.
6. Principais Aprendizados & Lições do Marcos
"Machine Learning não é uma varinha mágica que resolve problemas de negócios por si só. Um algoritmo só entrega valor real quando está profundamente entrelaçado aos incentivos humanos e à rotina operacional de quem está na linha de frente com o cliente. O dado diagnostica, o modelo antecipa, mas é a empatia e a ação rápida das pessoas que salvam a relação."