30 de janeiro de 2026
Modelo Preditivo de Churn para retenção de clientes em empresas SaaS
Ana Flávia de Toledo Serrain; Daniel de Souza Valotto
Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.
O objetivo desta pesquisa foi desenvolver um modelo preditivo de “churn” para clientes do segmento “Software as a Service” (SaaS), que identificasse padrões de risco de cancelamento para otimizar a atuação das equipes de “Customer Success” e fortalecer as estratégias de retenção. O estudo buscou criar uma ferramenta que integrasse múltiplos indicadores de comportamento e satisfação do cliente, fornecendo uma base de dados estruturada para decisões proativas e para a mitigação de perdas de receita recorrente, um fator crítico para a sustentabilidade de negócios por assinatura.
A transição para modelos de negócio focados em serviços por assinatura mudou a relação entre empresas e consumidores. Como ilustram Steinman et al. (2017), o paradigma mudou da posse de um bem para o acesso contínuo a um serviço, exigindo um foco na entrega de valor constante para garantir a fidelização. Nesse cenário, a sustentabilidade de um negócio depende de sua capacidade de construir relações duradouras (Baxter, 2020), tornando a retenção um pilar estratégico mais importante que a aquisição. Essa lógica é proeminente no setor de tecnologia; o modelo SaaS se consolidou. Conforme define Satyanarayana (2012), o SaaS oferece software como um serviço em nuvem, com acesso remoto e pagamento recorrente, o que permite melhorias contínuas (Melo et al., 2007), mas também facilita o cancelamento pelo cliente.
Neste contexto, o relacionamento com o cliente começa a partir da venda (Tzuo, 2018), o que levou ao surgimento da área de “Customer Success”. O “Customer Success Manager” (CSM) é responsável por garantir que os clientes atinjam seus objetivos ao utilizar a solução (Damin, 2019), sendo essencial para mitigar o “churn” – o cancelamento de contratos e a consequente perda de receita. A crescente expectativa por valor contínuo torna a atuação do “Customer Success” um fator crucial para a lealdade e a manutenção de contratos (Santos, 2021), alinhando o sucesso do cliente ao crescimento da empresa (Rigonatti, 2024).
A relevância da retenção é corroborada por dados de mercado. A pesquisa “State of SaaS LatAm 2024” (2024) demonstrou uma forte correlação entre o crescimento da Receita Anual Recorrente (ARR) e a satisfação do cliente, com as empresas mais bem-sucedidas registrando taxas de cancelamento próximas a 1%. Diante disso, modelos preditivos de “churn” emergem como ferramentas para antecipar riscos e orientar ações preventivas (Gold, 2020), analisando dados históricos para identificar padrões que precedem o cancelamento. Embora o fenômeno do “churn” seja estudado em contextos B2C, existe uma lacuna de análises aplicadas ao ambiente B2B no setor SaaS (Çalli e Kasim, 2022); o impacto na receita recorrente e no tempo de vida do cliente (LTV) é mais significativo.
Este estudo propõe-se a preencher parte dessa lacuna ao desenvolver um modelo que combina diferentes fontes de dados para uma visão holística do risco de cancelamento. A abordagem integra métricas de engajamento, satisfação, suporte técnico e a avaliação qualitativa do CSM, reconhecendo que o “churn” é um fenômeno multifatorial. O modelo visa não apenas prever, mas fornecer diagnósticos que permitam às equipes de “Customer Success” agir de forma assertiva e personalizada, fortalecendo o relacionamento com o cliente e a saúde financeira da organização.
A pesquisa foi conduzida com uma abordagem descritiva de natureza mista, combinando dados qualitativos e quantitativos para uma compreensão aprofundada (Creswell, 2010). O delineamento foi o de Levantamento de Campo, focado na análise de informações históricas e comportamentais de clientes para identificar padrões (Sampieri et al., 2013). A coleta de dados secundários ocorreu entre abril e maio de 2025. Foram utilizadas cinco categorias de fontes de dados: 1) registros internos de uma empresa brasileira de tecnologia (motivos de cancelamento, NPS, acessos, chamados de suporte); 2) “benchmarks” de mercado, como relatórios da Agile Growth Labs (2025) e de Patrick Campbell (2020); 3) relatórios de consultorias e pesquisas, como o “Report SaaS Brasil 2023” e o “SaaS Survey Results” (SaaS Capital; KeyBanc Capital Markets, 2022); 4) literatura especializada da área; e 5) pesquisas de terceiros, como o “Customer Insights 2024” (Zenvia et al., 2024).
A amostra foi composta por dados secundários, com destaque para a base da empresa de tecnologia parceira: uma organização com mais de 30 anos de mercado, 15 mil clientes ativos e 3 mil colaboradores, atuante nos segmentos jurídico e empresarial. Seu elevado nível de maturidade operacional permitiu uma análise aprofundada de padrões associados ao “churn”. A diversidade de fontes foi fundamental para minimizar vieses e contextualizar as métricas analisadas. A confidencialidade das informações foi garantida.
Dados qualitativos, como comentários de clientes, foram submetidos à análise de conteúdo. Dados quantitativos passaram por tratamento estatístico descritivo, incluindo padronização e análise de frequência, utilizando o Microsoft Excel (Levine et al., 2008). O cálculo do risco de “churn” foi realizado por meio de uma pontuação agregada, obtida pela soma ponderada dos indicadores selecionados, resultando em um índice classificado em faixas de risco (baixo, médio e alto). O estudo seguiu as diretrizes éticas aplicáveis, utilizando Termo de Consentimento Livre e Esclarecido (TCLE) quando necessário.
A análise foi estruturada em três etapas: levantamento do cenário SaaS, desenvolvimento do modelo preditivo e análise da aplicação do modelo na rotina do CSM. O “Report SaaS Brasil 2023” revelou que 89,7% das empresas SaaS brasileiras atuam no modelo B2B, mas apenas 9,4% tinham a retenção como foco estratégico. O mesmo estudo mostrou que estratégias de crescimento guiadas por vendas apresentam as menores taxas de “churn” (4,7%), em contraste com as guiadas por comunidade (8,2%). A pesquisa da Agile Growth Labs (2025) apontou uma taxa média de “churn” mensal de 4,1%, diferenciando entre cancelamentos voluntários (3,0%) e involuntários (1,1%). Análises da ProfitWell (Campbell, 2020) e da SaaS Capital (2022) indicam que empresas SaaS saudáveis mantêm taxas de “churn” anual abaixo de 5% no mercado B2B. A pesquisa “Customer Insights 2024” (Zenvia et al., 2024) mostrou que 67% das organizações com LTV superior a um ano possuem uma área de CS ou CX consolidada há mais de dois anos, reforçando a correlação entre a maturidade da área e a longevidade do cliente.
Com base nesse cenário, o modelo preditivo foi construído sobre quatro indicadores com pesos distintos. O primeiro, Indicador Humano, recebeu o maior peso (30%), refletindo a importância da interação humana. Este indicador qualitativo avalia o relacionamento com o cliente a partir da percepção do CSM, classificando-o como “engajado”, “sem risco” ou “com risco mapeado”, funcionando como um calibrador que captura nuances não reveladas por dados brutos. O segundo, o Net Promoter Score (NPS), com peso de 20%, mede a satisfação e a lealdade (Reichheld, 2003). O modelo considera um sinal de alerta quando um cliente permanece na zona de risco (NPS de -100 a 0) por dois meses consecutivos. O terceiro indicador, Engajamento, com peso de 30%, avalia o uso da plataforma, considerando variáveis como dias sem acesso e número de usuários ativos, comparando o comportamento dos últimos três meses com o período anterior. Uma queda consistente no engajamento é um forte preditor de “churn” silencioso.
O quarto indicador, Chamados de Suporte, com peso de 20%, analisa a quantidade e a natureza de chamados abertos. Um volume elevado de problemas pode indicar desgaste na experiência, embora o ato de abrir um chamado também demonstre engajamento. A pontuação final de risco é calculada pela soma dos pesos dos indicadores em estado de alerta, classificando o cliente em três faixas: Baixo Risco (0-20%), Risco Médio (21-50%) e Alto Risco (acima de 50%). Por exemplo, um cliente com NPS na zona de risco (20%) entra em baixo risco. Se manifestar insatisfação em uma reunião, o Indicador Humano é acionado, somando mais 30% e elevando-o para risco médio (50%). Se, subsequentemente, o engajamento diminuir, mais 30% são adicionados, totalizando 80% e classificando-o como alto risco.
A validação do modelo foi realizada com dados históricos de 2024, utilizando uma amostra de 26 clientes estratégicos. Os resultados demonstraram alta eficácia: dos clientes que realizaram algum tipo de cancelamento (34,6% da amostra), o modelo identificou corretamente 77,8% deles como estando em risco médio ou alto. Um achado crucial foi que 100% dos clientes que cancelaram algum serviço apresentaram o indicador de baixo engajamento como sinal de alerta, confirmando a relevância de seu peso de 30%. Da mesma forma, o Indicador Humano esteve presente em 100% dos casos de cancelamento, validando sua importância. Os 22,2% de cancelamentos não previstos estavam relacionados a interações com outras áreas da empresa, apontando para a necessidade de um fluxo de comunicação interna mais integrado.
Entre os clientes que não cancelaram (65,4% da amostra), o modelo identificou corretamente 17,6% como estando em risco, permitindo a implementação de planos de ação preventivos que reverteram a situação de insatisfação. A análise também revelou que o NPS, embora útil, possui limitações para prever cancelamentos parciais, pois a percepção de um usuário pode não refletir problemas de outro setor da mesma empresa. Isso sugere a necessidade de segmentar a aplicação da pesquisa de NPS para usuários-chave. O modelo mostrou-se uma ferramenta robusta para direcionar a atenção do CSM, priorizando clientes de alto risco e monitorando proativamente os de risco médio.
O modelo preditivo demonstrou ser uma ferramenta eficiente para a identificação de clientes em risco de “churn”, especialmente em contas estratégicas; a combinação de dados quantitativos e percepção humana é fundamental. A pesquisa evidenciou que indicadores como baixo engajamento e a avaliação qualitativa do CSM são os preditores mais fortes de cancelamento, justificando seus pesos elevados. Na prática, o estudo oferece um instrumento estruturado que permite aos gestores de “Customer Success” otimizar a alocação de recursos, priorizar ações de retenção e basear decisões em uma análise de dados completa. Ao fortalecer a capacidade de retenção, o modelo contribui para a saúde financeira e a estabilidade de empresas SaaS. Adicionalmente, ao propor melhorias na gestão de clientes, a pesquisa se alinha ao ODS 9 (Indústria, Inovação e Infraestrutura).
Apesar da sua eficácia, o modelo possui limitações, como o foco em clientes de alto valor, o que pode restringir a generalização dos resultados, e a inerente subjetividade do Indicador Humano. Pesquisas futuras poderiam explorar a inclusão de novos indicadores, como a inadimplência, testar algoritmos mais sofisticados e avaliar a aplicabilidade do modelo em diferentes setores ou com segmentação por perfil de cliente. Conclui-se que o objetivo foi atingido: demonstrou-se que o modelo preditivo proposto, que combina indicadores quantitativos e qualitativos, é uma ferramenta relevante e eficaz para identificar padrões de risco de cancelamento, apoiar decisões estratégicas de retenção e fortalecer a relação com clientes de alto valor no segmento SaaS.
Referências:
AGILE GROWTH LABS. 2025. SaaS churn rate benchmarks 2025. Disponível em: https://www. agilegrowthlabs. com/blog/saas-churn-rate-benchmarks-2025/. Acesso em: 5 maio 2025.
BAXTER, Robbie Kellman. 2020. The forever transaction: how to build a subscription model so compelling, your customers will never want to leave. 1 ed. McGraw-Hill Education, New York, NY, EUA.
BUILDERS 2 BUILDERS. 2023. Report SaaS Brasil 2023. Disponível em: https://blog. vindi. com. br/saas-brasil-2023/. Acesso em: 5 maio 2025.
CRESWELL, John W. 2010. Projeto de pesquisa: métodos qualitativo, quantitativo e misto. 3 ed. Artmed, Porto Alegre, RS, Brasil.
ÇALLI, Levent; KASIM, Sena. 2022. Using Machine Learning Algorithms to Analyze Customer Churn in the Software as a Service (SaaS) Industry. Academic Platform Journal of Engineering and Smart Systems. Disponível em: https://dergipark. org. tr/en/pub/apjess/article/1139862? issueid=72618. Acesso em: 16 dez. 2025.
DAMIN, Hiram B. 2019. Customer Success: o sucesso das empresas focadas em clientes. 1 ed. DVS Editora, São Paulo, SP, Brasil.
FORRESTER. 2023. Net Promoter Score℠ (NPS) essentials. Disponível em: https://www. forrester. com/report/net-promoter-score-tm-nps-essentials/RES60925. Acesso em: 8 set. 2025.
GOLD, Carl. 2020. Fighting churn with data: the science and strategy of customer retention. 1 ed. Manning Publications, Shelter Island, NY, EUA.
LEVINE, D. M.; STEPHENS, C. F.; KREBSBACH, L. L. 2008. Estatística: teoria e aplicações usando Excel. 5 ed. Pearson Prentice Hall, São Paulo, SP, Brasil.
MELO, Cássio A.; ARCOVERDE, Daniel F.; MORAES, Éfrem R. A.; PIMENTEL, João H. C.; FREITAS, Rodrigo Q. 2007. Software como serviço: um modelo de negócio emergente. Centro de Informática – Universidade Federal de Pernambuco (UFPE), Recife, PE, Brasil.
PATRICK CAMPBELL. 2020. Where SaaS stands today: benchmarks and lessons from 17,479 SaaS companies. Disponível em: https://www. slideshare. net/slideshow/where-saas-stands-today-benchmarks-and-lessons-from-17479-saas-companies-with-profitwell/232718628. Acesso em: 5 maio 2025.
REICHHELD, Frederick F. 2003. The one number you need to grow. Disponível em: https://hbr. org/2003/12/the-one-number-you-need-to-grow. Acesso em: 17 ago. 2025.
SAAS CAPITAL; KEYBANC CAPITAL MARKETS (KBCM). 2022. SaaS survey results: growth, churn, and financial metrics. Disponível em: https://www. cfodesk. co. il/wp-content/uploads/2022/11/2022kbcmsaassurvey10-20-22vf. pdf. Acesso em: 5 maio 2025.
SAMPIERI, Roberto Hernández; COLLADO, Carlos Fernández; LUCIO, Pilar Baptista. 2013. Metodologia de pesquisa. 5 ed. McGraw-Hill, São Paulo, SP, Brasil.
SANTOS, Erick Rodrigo dos. 2021. O papel e as práticas de Customer Success Management de empresas de base tecnológica de Florianópolis. Trabalho de Conclusão de Curso (Graduação em Administração). Universidade Federal de Santa Catarina, Florianópolis, SC, Brasil.
SATYANARAYANA, S. 2012. Cloud computing: SaaS. Computer Sciences and Telecommunications. Sri Venkateswara Institute of Science & Information Technology, Tadepalligudem, AP, Índia.
STATE OF SAAS LATAM. 2024. O estado das SaaS na América Latina em 2024. Disponível em: https://stateofsaaslatam. com/. Acesso em: 23 fev. 2025.
STEINMAN, Dan; MURPHY, Lincoln; MEHTA, Nick. 2017. Customer Success: como as empresas inovadoras descobriram que a melhor forma de aumentar a receita é garantir o sucesso dos clientes. 4 ed. Autêntica Business, Belo Horizonte, MG, Brasil.
TZUO, Tien; WEISERT, Gabe. 2018. Subscribed: why the subscription model will be your company’s future – and what to do about it. 1 ed. Portfolio, New York, NY, EUA.
ZENVIA; MINDMINERS; CS ACADEMY; SENSEDATA. 2024. Customer insights 2024: panorama do Customer Success no Brasil. Disponível em: https://materiais. zenvia. com/customer-insights-2024. Acesso em: 1 jun. 2025.
Resumo executivo oriundo de Trabalho de Conclusão de Curso de Especialização em Digital Business do MBA USP/Esalq
Saiba mais sobre o curso; clique aqui:
