30 de enero de 2026
Modelo Predictivo de Churn para retención de clientes en empresas SaaS
Ana Flávia de Toledo Serrain; Daniel de Souza Valotto
Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción.
El objetivo de esta investigación fue desarrollar un modelo predictivo de “churn” para clientes del segmento “Software as a Service” (SaaS), que identificara patrones de riesgo de cancelación para optimizar la actuación de los equipos de “Customer Success” y fortalecer las estrategias de retención. El estudio buscó crear una herramienta que integrara múltiples indicadores de comportamiento y satisfacción del cliente, proporcionando una base de datos estructurada para decisiones proactivas y para la mitigación de pérdidas de ingresos recurrentes, un factor crítico para la sostenibilidad de negocios por suscripción.
La transición a modelos de negocio centrados en servicios de suscripción ha cambiado la relación entre empresas y consumidores. Como ilustran Steinman et al. (2017), el paradigma ha pasado de la posesión de un bien al acceso continuo a un servicio, lo que exige un enfoque en la entrega constante de valor para garantizar la fidelización. En este escenario, la sostenibilidad de un negocio depende de su capacidad para construir relaciones duraderas (Baxter, 2020), lo que convierte la retención en un pilar estratégico más importante que la adquisición. Esta lógica es prominente en el sector tecnológico; el modelo SaaS se ha consolidado. Según define Satyanarayana (2012), el SaaS ofrece software como un servicio en la nube, con acceso remoto y pago recurrente, lo que permite mejoras continuas (Melo et al., 2007), pero también facilita la cancelación por parte del cliente.
En este contexto, la relación con el cliente comienza a partir de la venta (Tzuo, 2018), lo que llevó al surgimiento del área de “Customer Success”. El “Customer Success Manager” (CSM) es responsable de garantizar que los clientes alcancen sus objetivos al utilizar la solución (Damin, 2019), siendo esencial para mitigar el “churn” – la cancelación de contratos y la consecuente pérdida de ingresos. La creciente expectativa por valor continuo hace que la actuación del “Customer Success” sea un factor crucial para la lealtad y el mantenimiento de contratos (Santos, 2021), alineando el éxito del cliente al crecimiento de la empresa (Rigonatti, 2024).
La relevancia de la retención se ve corroborada por datos de mercado. La investigación “State of SaaS LatAm 2024” (2024) demostró una fuerte correlación entre el crecimiento de los Ingresos Anuales Recurrentes (ARR) y la satisfacción del cliente, con las empresas más exitosas registrando tasas de cancelación cercanas al 1%. Ante esto, los modelos predictivos de “churn” emergen como herramientas para anticipar riesgos y orientar acciones preventivas (Gold, 2020), analizando datos históricos para identificar patrones que preceden a la cancelación. Aunque el fenómeno del “churn” se estudia en contextos B2C, existe una brecha de análisis aplicados al entorno B2B en el sector SaaS (Çalli y Kasim, 2022); el impacto en los ingresos recurrentes y en el tiempo de vida del cliente (LTV) es más significativo.
Este estudio se propone llenar parte de esa brecha desarrollando un modelo que combina diferentes fuentes de datos para una visión holística del riesgo de cancelación. El enfoque integra métricas de compromiso, satisfacción, soporte técnico y la evaluación cualitativa del CSM, reconociendo que el “churn” es un fenómeno multifactorial. El modelo no solo pretende predecir, sino proporcionar diagnósticos que permitan a los equipos de “Customer Success” actuar de manera asertiva y personalizada, fortaleciendo las relaciones con el cliente y la salud financiera de la organización.
La investigación se llevó a cabo con un enfoque descriptivo de naturaleza mixta, combinando datos cualitativos y cuantitativos para una comprensión profunda (Creswell, 2010). El diseño fue el de Levantamiento de Campo, centrado en el análisis de información histórica y conductual de clientes para identificar patrones (Sampieri et al., 2013). La recopilación de datos secundarios se realizó entre abril y mayo de 2025. Se utilizaron cinco categorías de fuentes de datos: 1) registros internos de una empresa brasileña de tecnología (motivos de cancelación, NPS, accesos, llamadas de soporte); 2) “benchmarks” de mercado, como informes de Agile Growth Labs (2025) y de Patrick Campbell (2020); 3) informes de consultorías e investigaciones, como el “Report SaaS Brasil 2023” y el “SaaS Survey Results” (SaaS Capital; KeyBanc Capital Markets, 2022); 4) literatura especializada del área; y 5) encuestas de terceros, como el “Customer Insights 2024” (Zenvia et al., 2024).
La muestra estuvo compuesta por datos secundarios, destacando la base de la empresa de tecnología socia: una organización con más de 30 años en el mercado, 15 mil clientes activos y 3 mil colaboradores, activa en los segmentos jurídico y empresarial. Su alto nivel de madurez operativa permitió un análisis en profundidad de patrones asociados al “churn”. La diversidad de fuentes fue fundamental para minimizar sesgos y contextualizar las métricas analizadas. La confidencialidad de la información fue garantizada.
Los datos cualitativos, como los comentarios de los clientes, se sometieron a un análisis de contenido. Los datos cuantitativos se sometieron a un tratamiento estadístico descriptivo, incluyendo estandarización y análisis de frecuencia, utilizando Microsoft Excel (Levine et al., 2008). El cálculo del riesgo de “churn” se realizó mediante una puntuación agregada, obtenida por la suma ponderada de los indicadores seleccionados, resultando en un índice clasificado en rangos de riesgo (bajo, medio y alto). El estudio siguió las directrices éticas aplicables, utilizando el Consentimiento Informado cuando fue necesario.
El análisis se estructuró en tres etapas: levantamiento del escenario SaaS, desarrollo del modelo predictivo y análisis de la aplicación del modelo en la rutina del CSM. El “Report SaaS Brasil 2023” reveló que el 89,7% de las empresas SaaS brasileñas operan en el modelo B2B, pero solo el 9,4% tenía la retención como foco estratégico. El mismo estudio mostró que las estrategias de crecimiento guiadas por ventas presentan las menores tasas de “churn” (4,7%), en contraste con las guiadas por comunidad (8,2%). La investigación de Agile Growth Labs (2025) señaló una tasa media de “churn” mensual del 4,1%, diferenciando entre cancelaciones voluntarias (3,0%) e involuntarias (1,1%). Análisis de ProfitWell (Campbell, 2020) y de SaaS Capital (2022) indican que las empresas SaaS saludables mantienen tasas de “churn” anual por debajo del 5% en el mercado B2B. La investigación “Customer Insights 2024” (Zenvia et al., 2024) mostró que el 67% de las organizaciones con LTV superior a un año poseen un área de CS o CX consolidada desde hace más de dos años, reforzando la correlación entre la madurez del área y la longevidad del cliente.
Con base en este escenario, el modelo predictivo se construyó sobre cuatro indicadores con pesos distintos. El primero, Indicador Humano, recibió el mayor peso (30%), reflejando la importancia de la interacción humana. Este indicador cualitativo evalúa la relación con el cliente desde la percepción del CSM, clasificándolo como “comprometido”, “sin riesgo” o “con riesgo mapeado”, funcionando como un calibrador que captura matices no revelados por datos brutos. El segundo, el Net Promoter Score (NPS), con un peso del 20%, mide la satisfacción y la lealtad (Reichheld, 2003). El modelo considera una señal de alerta cuando un cliente permanece en la zona de riesgo (NPS de -100 a 0) durante dos meses consecutivos. El tercer indicador, Compromiso, con un peso del 30%, evalúa el uso de la plataforma, considerando variables como días sin acceso y número de usuarios activos, comparando el comportamiento de los últimos tres meses con el período anterior. Una caída consistente en el compromiso es un fuerte predictor de “churn” silencioso.
El cuarto indicador, Llamadas de Soporte, con un peso del 20%, analiza la cantidad y naturaleza de las llamadas abiertas. Un alto volumen de problemas puede indicar un desgaste en la experiencia, aunque el acto de abrir una llamada también demuestra compromiso. La puntuación final de riesgo se calcula sumando los pesos de los indicadores en estado de alerta, clasificando al cliente en tres rangos: Bajo Riesgo (0-20%), Riesgo Medio (21-50%) y Alto Riesgo (superior al 50%). Por ejemplo, un cliente con NPS en zona de riesgo (20%) entra en bajo riesgo. Si manifiesta insatisfacción en una reunión, se activa el Indicador Humano, sumando un 30% más y elevándolo a riesgo medio (50%). Si, posteriormente, el compromiso disminuye, se añaden un 30% más, totalizando el 80% y clasificándolo como alto riesgo.
La validación del modelo se realizó con datos históricos de 2024, utilizando una muestra de 26 clientes estratégicos. Los resultados demostraron alta eficacia: de los clientes que realizaron algún tipo de cancelación (34,6% de la muestra), el modelo identificó correctamente al 77,8% de ellos como estando en riesgo medio o alto. Un hallazgo crucial fue que el 100% de los clientes que cancelaron algún servicio presentaron el indicador de bajo compromiso como señal de alerta, confirmando la relevancia de su peso del 30%. De igual manera, el Indicador Humano estuvo presente en el 100% de los casos de cancelación, validando su importancia. El 22,2% de cancelaciones no previstas estuvieron relacionadas con interacciones con otras áreas de la empresa, apuntando a la necesidad de un flujo de comunicación interna más integrado.
Entre los clientes que no cancelaron (65,4% de la muestra), el modelo identificó correctamente al 17,6% como estando en riesgo, permitiendo la implementación de planes de acción preventivos que revirtieron la situación de insatisfacción. El análisis también reveló que el NPS, aunque útil, tiene limitaciones para predecir cancelaciones parciales, ya que la percepción de un usuario puede no reflejar problemas de otro sector de la misma empresa. Esto sugiere la necesidad de segmentar la aplicación de la encuesta NPS para usuarios clave. El modelo demostró ser una herramienta robusta para dirigir la atención del CSM, priorizando clientes de alto riesgo y monitoreando proactivamente los de riesgo medio.
El modelo predictivo demostró ser una herramienta eficiente para la identificación de clientes en riesgo de “churn”, especialmente en cuentas estratégicas; la combinación de datos cuantitativos y percepción humana es fundamental. La investigación evidenció que indicadores como bajo compromiso y la evaluación cualitativa del CSM son los predictores más fuertes de cancelación, justificando sus pesos elevados. En la práctica, el estudio ofrece un instrumento estructurado que permite a los gestores de “Customer Success” optimizar la asignación de recursos, priorizar acciones de retención y basar decisiones en un análisis de datos completo. Al fortalecer la capacidad de retención, el modelo contribuye a la salud financiera y la estabilidad de empresas SaaS. Adicionalmente, al proponer mejoras en la gestión de clientes, la investigación se alinea al ODS 9 (Industria, Innovación e Infraestructura).
A pesar de su eficacia, el modelo presenta limitaciones, como el enfoque en clientes de alto valor, lo que puede restringir la generalización de los resultados, y la inherente subjetividad del Indicador Humano. Investigaciones futuras podrían explorar la inclusión de nuevos indicadores, como la morosidad, probar algoritmos más sofisticados y evaluar la aplicabilidad del modelo en diferentes sectores o con segmentación por perfil de cliente. Se concluye que el objetivo se alcanzó: se demostró que el modelo predictivo propuesto, que combina indicadores cuantitativos y cualitativos, es una herramienta relevante y eficaz para identificar patrones de riesgo de cancelación, apoyar decisiones estratégicas de retención y fortalecer la relación con clientes de alto valor en el segmento SaaS.
Referencias:
AGILE GROWTH LABS. 2025. SaaS churn rate benchmarks 2025. Disponible en: https://www. agilegrowthlabs. com/blog/saas-churn-rate-benchmarks-2025/. Acceso en: 5 de mayo de 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, Nueva York, NY, EE. UU..
BUILDERS 2 BUILDERS. 2023. Report SaaS Brasil 2023. Disponible en: https://blog. vindi. com. br/saas-brasil-2023/. Acceso en: 5 de mayo de 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. Disponible en: https://dergipark. org. tr/en/pub/apjess/article/1139862? issueid=72618. Acceso en: 16 de dic. de 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. Disponible en: https://www. forrester. com/report/net-promoter-score-tm-nps-essentials/RES60925. Acceso en: 8 de sep. de 2025.
GOLD, Carl. 2020. Fighting churn with data: the science and strategy of customer retention. 1 ed. Manning Publications, Shelter Island, NY, EE. UU..
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. Disponible en: https://www. slideshare. net/slideshow/where-saas-stands-today-benchmarks-and-lessons-from-17479-saas-companies-with-profitwell/232718628. Acceso en: 5 de mayo de 2025.
REICHHELD, Frederick F. 2003. The one number you need to grow. Disponible en: https://hbr. org/2003/12/the-one-number-you-need-to-grow. Acceso en: 17 de ago. de 2025.
SAAS CAPITAL; KEYBANC CAPITAL MARKETS (KBCM). 2022. SaaS survey results: growth, churn, and financial metrics. Disponible en: https://www. cfodesk. co. il/wp-content/uploads/2022/11/2022kbcmsaassurvey10-20-22vf. pdf. Acceso en: 5 de mayo de 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, India.
STATE OF SAAS LATAM. 2024. O estado das SaaS na América Latina em 2024. Disponible en: https://stateofsaaslatam. com/. Acceso en: 23 de feb. de 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, Nueva York, NY, EE. UU..
ZENVIA; MINDMINERS; CS ACADEMY; SENSEDATA. 2024. Customer insights 2024: panorama do Customer Success no Brasil. Disponible en: https://materiais. zenvia. com/customer-insights-2024. Acceso en: 1 de jun. de 2025.
Resumen ejecutivo proveniente de Trabajo de Conclusión de Curso de Especialización en Negocios Digitales del MBA USP/Esalq
Sepa más sobre el curso; haga clic aquí: