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.

Digamos 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 deseja evitar: usuários se tornando inativos. Para a MovieCanon, churn significa não iniciar uma transmissão dentro de 14 dias — então esse é o comportamento que ela deseja prever.

1. No dashboard da Braze, Camila acessa Analytics > Predictive Churn.
2. Ela cria uma nova previsão de churn e a nomeia “Risco de churn em duas semanas”.
3. Para definir o 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 uma nova transmissão.

5. Ela seleciona uma população de previsão que inclui todos os usuários que dispararam eventos relevantes nos últimos 30 dias — fornecendo ao modelo comportamento recente suficiente para aprender.
6. Ela define a programação de atualização da previsão para semanalmente, para que as pontuações permaneçam atualizadas.
7. Ela seleciona Criar previsão.

O modelo então inicia o treinamento, analisando comportamentos como sessões recentes, frequência de visualização e interações com o conteúdo para revelar padrões que preveem o abandono. Uma hora depois, Camila recebe um e-mail informando que sua previsão concluiu o treinamento, então ela a abre na Braze e verifica a pontuação de qualidade da previsão. Está classificada como “Boa”, o que significa que as previsões do modelo provavelmente são precisas e confiáveis. Confiante no desempenho do modelo, ela segue em frente.

Etapa 2: Segmente os usuários por risco de churn

Após o modelo concluir o treinamento, a Braze atribui a cada usuário elegível uma pontuação de risco de churn entre 0 e 100.

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

1. Camila navega até Segments na Braze.
2. Ela cria um segment usando o filtro de pontuação de risco de churn e seleciona a previsão de churn que criou:
   • Provável churn: Pontuação superior a 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 vulneráveis a cada semana.

1. Camila cria uma Campaign recorrente e ativa o Intelligent Timing, para que cada mensagem seja entregue quando cada usuário individual estiver mais propenso a se engajar, em vez de depender de um dia e horário fixos.
2. Ela direciona para o segment “Provável churn” que acabou de criar.
3. Ela define o evento de conversão da Campaign como o evento personalizado stream_started, para rastrear quantos usuários realmente retornam para visualizar o conteúdo.
4. Camila escolhe o e-mail como seu canal principal — ele lhe dá espaço para destacar várias opções de conteúdo personalizado em um formato visualmente rico, sem muita pressão. O e-mail inclui:
   • Uma lista de observação personalizada alimentada por Recomendação de item de IA, selecionada dinamicamente a partir do catálogo da MovieCanon
   • Uma chamada à ação que leva o usuário diretamente para o app.

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

Exemplo de e-mail

• Assunto: Não deixe esses títulos pendentes
• Cabeçalho: Sua próxima grande maratona está esperando
• Corpo: Não aperta o play há algum tempo? Não se preocupe — selecionamos algumas opções especialmente para você. De thrillers de suspense a documentários premiados, tem algo aqui com o seu nome escrito.
• CTA: Ver mais sugestões

Etapa 4: Meça o desempenho

Após algumas semanas, Camila verifica a análise de dados da Campaign para avaliar o desempenho da estratégia.

Ela vê:

• Taxa de abertura: 31%
• Taxa de cliques: 15%
• Taxa de conversão (transmissão iniciada em 48 horas): 11%

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

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

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

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