Caso de uso: reducir la tasa de abandonos con contenido oportuno para reactivar la interacción

Este ejemplo muestra cómo una marca ficticia utiliza Predictive Churn para reducir de forma proactiva el abandono de usuarios. En lugar de esperar a que se produzca el abandono, predice qué usuarios están en riesgo y entrega mensajes personalizados mientras aún están activos.

Supongamos que Camila es administradora de CRM en MovieCanon, una plataforma de streaming de películas independientes, documentales y series internacionales.

El equipo de Camila ha detectado una tendencia preocupante: los usuarios se registran, ven una o dos películas y luego desaparecen. Históricamente, han intentado enviar un correo electrónico genérico con el mensaje «Te echamos de menos» una semana después, pero con una tasa de conversión del 3 %, es demasiado poco y demasiado tarde. La mayoría de los usuarios no vuelven a interactuar, y el abandono se vuelve inevitable.

Camila quiere cambiar eso. En lugar de reaccionar ante el abandono después de que se produzca, utiliza Predictive Churn para identificar a los usuarios que probablemente se volverán inactivos en los próximos 14 días, lo que le da a su equipo la oportunidad de reactivar la interacción con ellos mientras aún están activos.

Este tutorial explica cómo Camila:

• Crea un modelo de predicción de abandono basado en el comportamiento de los usuarios
• Segmenta a los usuarios según su nivel de riesgo
• Crea una campaña de reactivación de la interacción adaptada a las personas con mayor riesgo
• Evalúa el impacto mediante análisis de Campaign

Paso 1: Crear un modelo de predicción de cancelación

Camila empieza modelando el resultado que quiere evitar: que los usuarios se vuelvan inactivos. Para MovieCanon, la cancelación significa no iniciar una reproducción en 14 días, así que ese es el comportamiento que quiere predecir.

1. En el panel de Braze, Camila va a Analytics > Predictive Churn.
2. Crea una nueva predicción de cancelación y la nombra “Riesgo de cancelación en 2 semanas”.
3. Para definir la cancelación, selecciona do not y el evento personalizado stream_started, que indica participación activa.
4. Establece la ventana de predicción en 14 días, lo que significa que el modelo identificará a los usuarios que probablemente pasen 14 días sin iniciar una nueva reproducción.

5. Selecciona una audiencia de predicción que incluye a todos los usuarios que han desencadenado eventos relevantes en los últimos 30 días, lo que le da al modelo suficiente comportamiento reciente del cual aprender.
6. Configura el programa de actualización de la predicción como semanal para que las puntuaciones se mantengan actualizadas.
7. Selecciona Create prediction.

El modelo entonces comienza a entrenarse, analizando comportamientos como sesiones recientes, frecuencia de visualización e interacciones con contenido para identificar patrones que predicen la pérdida de interés. Camila recibe un correo electrónico una hora después informándole que su predicción ha terminado de entrenarse, así que la abre en Braze y revisa la puntuación de calidad de la predicción. Está etiquetada como “Buena”, lo que significa que las predicciones del modelo probablemente sean precisas y confiables. Segura del rendimiento del modelo, pasa al siguiente paso.

Paso 2: Segmentar usuarios por riesgo de cancelación

Después de que el modelo termina de entrenarse, Braze asigna a cada usuario elegible una Puntuación de riesgo de cancelación entre 0 y 100.

Para determinar un umbral inicial de segmentación, Camila utiliza el control deslizante de audiencia de predicción para previsualizar cuántos usuarios caen en cada rango de puntuación y qué tan precisa es la predicción en ese nivel. Equilibra cobertura y precisión en función de los verdaderos positivos esperados. Con base en esto, decide segmentar puntuaciones de riesgo superiores a 70.

1. Camila navega a Segments en Braze.
2. Crea un Segment utilizando el filtro de Puntuación de riesgo de cancelación y selecciona la predicción de cancelación que creó:
   • Probable cancelación: Puntuación mayor que 70

Paso 3: Dirigirse a los usuarios en riesgo con contenido recurrente de reactivación

Con su predicción y Segment listos, Camila configura una Campaign recurrente que llega automáticamente a los usuarios que se convierten en usuarios en riesgo cada semana.

1. Camila crea una Campaign recurrente y habilita la sincronización inteligente, de modo que cada mensaje se entrega en el momento en que cada usuario individual tiene más probabilidades de interactuar, en lugar de depender de un día y una hora fijos.
2. Segmenta a la audiencia del Segment “Probable cancelación” que acaba de crear.
3. Establece el evento de conversión de la Campaign en el evento personalizado stream_started, para rastrear cuántos usuarios realmente regresan a ver contenido.
4. Camila elige el correo electrónico como su canal principal, ya que le da el espacio para destacar múltiples recomendaciones de contenido personalizado en un formato visualmente atractivo sin demasiada presión. El correo electrónico incluye:
   • Una lista de seguimiento personalizada impulsada por las Recomendaciones de elementos de IA, seleccionada dinámicamente del catálogo de MovieCanon.
   • Una llamada a la acción que los lleva directamente a la aplicación.

Esto asegura que cada semana, MovieCanon llegue solo a los usuarios que necesitan un empujón, sin mensajería excesiva ni conjeturas.

Ejemplo de correo electrónico

• Línea del asunto: No dejes estos títulos a medias
• Encabezado: Tu próxima gran serie te está esperando
• Cuerpo: ¿Hace un tiempo que no le das a reproducir? No te preocupes, hemos preparado algunas selecciones solo para ti. Desde thrillers de lento desarrollo hasta documentales premiados, hay algo aquí con tu nombre.
• CTA: Ver más selecciones

Paso 4: Mide el rendimiento

Después de unas semanas, Camila revisa los análisis de su Campaign para evaluar qué tan bien está funcionando la estrategia.

Observa lo siguiente:

• Tarifa abierta: 31 %
• Tasa de clics: 15 %
• Tasa de conversión (inició una reproducción en las siguientes 48 horas): 11 %

Comparado con la antigua Campaign “Te extrañamos” (donde las tasas de conversión rondaban el 3 %), este nuevo flujo reduce la cancelación en el grupo objetivo en un 28 %. Camila profundiza en el informe de embudo para identificar dónde abandonan los usuarios. Aunque las tasas de apertura y clics son sólidas, nota una ligera fricción entre el clic y la conversión, lo que la lleva a considerar probar el texto del CTA o experimentar con el diseño.

Para comprender el impacto a largo plazo, Camila también hace seguimiento del volumen de usuarios que ingresan al Segment “Probabilidad de cancelación” semana a semana. Esto le ayuda a evaluar la salud general del ciclo de vida y a orientar la estrategia de retención a un nivel más amplio. Finalmente, vuelve a visitar la página de análisis de predicciones de su predicción de cancelación para comparar los usuarios que abandonaron predichos frente a los reales, una verificación útil para asegurarse de que el modelo funciona según lo esperado.

Con base en esta información, Camila planea realizar pruebas A/B de líneas del asunto, probar diferentes ventanas de tiempo y experimentar con formatos de contenido como recomendaciones en estilo carrusel dentro de un mensaje dentro de la aplicación.

Con Predictive Churn, sincronización inteligente y personalización impulsada por IA, el equipo de Camila no solo reacciona ante la cancelación, sino que se adelanta a ella. Y su Campaign se ejecuta silenciosamente en segundo plano, alcanzando a las personas correctas, en el momento adecuado, con contenido que realmente les interesa.