Caso de uso: Reduza o churn com o reengajamento oportuno de conteúdo

Este exemplo mostra como uma marca fictícia usa o Predictive Churn para reduzir proativamente a perda de usuários. Em vez de esperar que o churn aconteça, faça a previsão de quais usuários estão em risco e envie mensagens personalizadas enquanto eles ainda estão ativos.

Vamos supor que Camila é gerente de CRM na MovieCanon, uma plataforma de streaming para filmes independentes, documentários e séries internacionais.

A equipe de Camila identificou uma tendência preocupante: os usuários se inscrevem, assistem a um ou dois filmes e depois desaparecem. Historicamente, eles tentaram enviar um e-mail genérico dizendo “Sentimos sua falta” uma semana depois, mas com uma taxa de conversão de apenas 3%, isso foi muito pouco e muito tarde. A maioria dos usuários não volta a se engajar, e o churn se torna inevitável.

Camila quer mudar isso. Em vez de reagir ao churn depois que ele acontece, ela usa o Predictive Churn para identificar usuários que provavelmente ficarão inativos nos próximos 14 dias — dando à sua equipe a oportunidade de reengajar as pessoas enquanto elas ainda estão ativas.

Este tutorial mostra como Camila:

• Cria um modelo de previsão de churn com base no comportamento do usuário
• Segmenta os usuários por nível de risco
• Cria uma Campaign de reengajamento personalizada para aqueles que estão em maior risco
• Avalia o impacto usando a análise de dados da Campaign

Etapa 1: Crie um modelo de previsão de churn

Camila começa modelando o resultado que ela quer evitar: usuários ficando inativos. Para a MovieCanon, churn significa não iniciar um stream em 14 dias — então esse é o comportamento que ela quer prever.

1. No dashboard da Braze, Camila vai até Analytics > Predictive Churn.
2. Ela cria uma nova previsão de churn e a nomeia como “Risco de churn em 2 semanas”.
3. Para definir churn, ela seleciona do not e o evento personalizado stream_started, que indica engajamento ativo.
4. Ela define a janela de previsão para 14 dias — o que significa que o modelo identificará usuários que provavelmente ficarão 14 dias sem iniciar um novo stream.

5. Ela seleciona um público de previsão que inclui todos os usuários que dispararam eventos relevantes nos últimos 30 dias — dando ao modelo comportamento recente suficiente para aprender.
6. Ela define a frequência de atualização da previsão como semanal para que as pontuações permaneçam atualizadas.
7. Ela seleciona Create prediction.

O modelo então começa o treinamento, analisando comportamentos como sessões recentes, frequência de visualização e interações com conteúdo para identificar padrões que preveem a desistência. Camila recebe um e-mail uma hora depois informando que a previsão terminou o treinamento. Então, ela a abre na Braze e verifica a pontuação de qualidade da previsão. A classificação é “Good”, o que significa que as previsões do modelo provavelmente serão precisas e confiáveis. Confiante no desempenho do modelo, ela segue em frente.

Etapa 2: Segmentar usuários por risco de churn

Após o modelo terminar o treinamento, a Braze atribui a cada usuário elegível uma Pontuação de Risco de Churn entre 0 e 100.

Para determinar um limite inicial de direcionamento, Camila usa o controle deslizante de público da previsão para visualizar quantos usuários se enquadram em cada faixa de pontuação e quão precisa é a previsão nesse nível. Ela equilibra cobertura e precisão com base nos verdadeiros positivos esperados. Com base nisso, ela decide direcionar pontuações de risco acima de 70.

1. Camila navega até Segments na Braze.
2. Ela cria um segmento usando o filtro de Pontuação de Risco de Churn e seleciona a previsão de churn que criou:
   • Probabilidade de churn: Pontuação acima de 70

Etapa 3: Direcione usuários em risco com conteúdo recorrente de reengajamento

Com sua previsão e Segment prontos, Camila configura uma Campaign recorrente que alcança automaticamente os usuários que se tornam de risco a cada semana.

1. Camila cria uma Campaign recorrente e ativa o Intelligent Timing, para que cada mensagem seja entregue quando cada usuário individual tem mais probabilidade de engajar, em vez de depender de um dia e horário fixos.
2. Ela direciona o Segment “Propensos ao churn” que acabou de criar.
3. Ela define o evento de conversão da Campaign para o evento personalizado stream_started, para acompanhar quantos usuários realmente retornam para visualizar conteúdo.
4. Camila escolhe e-mail como seu canal principal — ele oferece espaço para destacar várias recomendações de conteúdo personalizadas em um formato visualmente rico, sem muita pressão. O e-mail inclui:
   • Uma lista de títulos personalizada alimentada por Recomendação de item de IA, selecionada dinamicamente a partir do catálogo da MovieCanon
   • Um call to action que leva o usuário diretamente ao app.

Isso garante que, a cada semana, a MovieCanon alcance apenas os usuários que precisam de um incentivo — sem excesso de mensagens, sem adivinhações.

Exemplo de e-mail

• Linha de assunto: Não deixe esses títulos esperando
• Cabeçalho: Sua próxima grande maratona está esperando
• Corpo: Faz um tempo que você não deu play? Sem problemas — separamos algumas opções especialmente para você. De thrillers envolventes a documentários premiados, tem algo aqui com o seu nome.
• CTA: Ver mais opções

Etapa 4: Meça o desempenho

Após algumas semanas, Camila verifica as análises de Campaign para avaliar o desempenho da estratégia.

Ela observa:

• Taxa de abertura: 31%
• Taxa de cliques: 15%
• Taxa de conversão (iniciou stream em até 48 horas): 11%

Em comparação com a antiga Campaign “Sentimos sua falta” (onde as taxas de conversão giravam em torno de 3%), esse novo fluxo reduz o churn no grupo-alvo em 28%. Ela explora o relatório de funil para identificar onde os usuários abandonam o fluxo. Embora as taxas de abertura e cliques sejam fortes, ela percebe um leve atrito entre clique e conversão — o que a leva a considerar testar o texto do CTA ou experimentar com o layout.

Para entender o impacto a longo prazo, Camila também acompanha o volume de usuários entrando no Segment “Probabilidade de churn” semana a semana. Isso a ajuda a avaliar a integridade geral do ciclo de vida e a orientar a estratégia de retenção em um nível mais amplo. Por fim, ela revisita a página de análises de previsão da sua previsão de churn para comparar os churners previstos com os reais — uma verificação útil para garantir que o modelo está funcionando conforme o esperado.

Com base nesses insights, Camila planeja fazer testes A/B de linhas de assunto, testar diferentes janelas de tempo e experimentar com formatos de conteúdo, como recomendações em estilo carrossel em uma mensagem no app.

Com o Predictive Churn, o Intelligent Timing e a personalização com IA, a equipe de Camila não está apenas reagindo ao churn — está se antecipando a ele. E a Campaign dela funciona silenciosamente em segundo plano, alcançando as pessoas certas, no momento certo, com conteúdo que realmente importa para elas.