Caída de pedidos
Señales
“Gimnasio Centro ha reducido sus pedidos un 40 % en dos meses y ha abierto dos incidencias por retrasos.”
Aviso
- Riesgo
- Alto
- Motivo principal
- Incidencias de entrega
Llamada del responsable de cuenta esta semana
Caso de uso
Predicción de bajas de clientes con IA
Un modelo de machine learning detecta qué clientes tienen más probabilidad de irse y por qué, para que el equipo comercial actúe antes de perderlos y no cuando ya se han ido.
- Lista semanal de clientes en riesgo, ordenada por probabilidad y por valor.
- Cada aviso explica las señales que lo han provocado.
- El equipo decide la acción; el modelo solo avisa.
El problema
La mayoría de los clientes no avisan antes de irse
Dejan de comprar poco a poco, se quejan una vez o dejan de entrar en el portal. Las señales están en los datos, pero nadie tiene tiempo de mirarlas cliente a cliente.
Hoy
- La baja se descubre cuando el cliente ya no renueva o no vuelve a pedir.
- El comercial se fija en los clientes grandes y los medianos se escapan.
- Las acciones de retención llegan tarde y a todos por igual.
Con IA
- Las señales de riesgo aparecen semanas antes de la baja.
- Cada cliente tiene una probabilidad y un motivo principal.
- La retención se concentra en quien tiene más riesgo y más valor.
Cómo funciona
Del histórico de clientes a la llamada de seguimiento
-
Datos de clientes
Compras, contratos, incidencias, uso del servicio y contactos comerciales.
3 años · 4.200 clientes
-
Se entrena el modelo
Aprende qué patrones tenían los clientes que se fueron, con machine learning clásico.
Validado con bajas reales
-
Puntuación semanal
Cada cliente activo recibe una probabilidad de baja y los factores que más pesan.
Riesgo alto: 38 clientes
-
Revisión humana
El equipo actúa
El comercial revisa la lista, decide la acción y la registra en el CRM.
Llamada, visita u oferta
Ejemplos
Tres señales distintas, tres acciones distintas
Datos de ejemplo de una empresa de suministros ficticia.
Silencio
Señales
“Clínica Ribera no ha hecho pedidos en seis semanas, cuando solía pedir cada quince días.”
Aviso
- Riesgo
- Medio
- Motivo principal
- Frecuencia de compra
Recordatorio con su pedido habitual
Fin de contrato
Señales
“A un cliente de mantenimiento le quedan 60 días de contrato y ha bajado su uso del portal.”
Aviso
- Riesgo
- Medio
- Motivo principal
- Renovación próxima y menor uso
Reunión de revisión antes de la renovación
Señales que suele usar el modelo
Datos que ya están en el ERP, el CRM o el soporte
- Frecuencia e importe de compra
- Incidencias y reclamaciones
- Uso del servicio o del portal
- Fechas de contrato
- Contactos comerciales
- Cambios de precio
Con los pies en el suelo
Lo que conviene saber antes de empezar
-
Hacen falta bajas en el histórico
El modelo aprende de los clientes que se fueron. Con muy pocas bajas registradas, primero hay que definir bien qué es una baja.
-
Avisa, no decide
El modelo da probabilidades, no certezas. Quien conoce al cliente decide si actuar y cómo.
-
Se mide el efecto
Comparamos la tasa de bajas de los clientes avisados con la de un grupo de control para saber si la retención funciona.
Guía visual · Predicción de bajas
Los clientes
avisan
antes de irse
Casi nunca lo dicen. Lo dicen sus datos: compran menos, se quejan o dejan de aparecer. Un modelo los lee todas las semanas.
01 · Tu cartera, este lunes
60 clientes, tres colores
- 4 Riesgo alto
- 8 Riesgo medio
- 48 Sin señales
El equipo comercial no tiene que mirar a los 60: empieza por los 12 en color.
02 · Lo que delata una baja
Tres señales que ya están en vuestros datos
Compra menos
Los pedidos bajan mes a mes, a menudo tras alguna incidencia.
Silencio
Pedía cada quince días y lleva semanas sin aparecer.
Fin de contrato
Quedan pocos meses de contrato y usa menos el servicio.
03 · La lista del lunes
Quién, por qué y qué hacer
- Gimnasio Centro Riesgo: Alto · Valor: 3/3 Incidencias de entrega Llamada del responsable de cuenta
- Academia Sol Riesgo: Alto · Valor: 2/3 Subida de precio Visita comercial
- Talleres Norte Riesgo: Medio · Valor: 3/3 Renovación próxima y menor uso Reunión de revisión
- Clínica Ribera Riesgo: Medio · Valor: 1/3 Frecuencia de compra Recordatorio con su pedido habitual
04 · Con los pies en el suelo
Avisa,
no decide
Da probabilidades, no certezas. Quien conoce al cliente decide si actuar y cómo.
Y se mide si funciona:
Clientes avisados
El equipo actúa
Grupo de control
Sin aviso
Al comparar las bajas de los dos grupos se sabe si la retención funciona de verdad.
Fidelización
Ver qué clientes vuelven y cuáles se van apagando
Además de la lista semanal, el panel muestra cómo evoluciona la retención por tipo de cliente, zona o producto, para detectar problemas que no son de un cliente sino de todo un segmento.
- Retención por cohorte de alta.
- Segmentos en los que suben las bajas.
- Efecto de las acciones de retención.
Método
Primero comprobamos que el modelo acierta con el pasado
-
Definir la baja y revisar los datos
Acordamos qué es una baja en vuestro negocio y comprobamos qué datos hay de cada cliente.
Definición de baja y diagnóstico de datos
-
Modelo y validación
Entrenamos el modelo y medimos si habría detectado a tiempo las bajas de meses que no ha visto.
Informe de acierto sobre bajas reales
-
Piloto con el equipo comercial
La lista llega cada semana al CRM. Medimos las bajas evitadas frente a un grupo de control.
Lista semanal y medición del efecto
Servicio relacionado
-
Desarrollo de IA a medida
Diseñamos y desarrollamos soluciones de inteligencia artificial adaptadas a tus procesos, datos y herramientas cuando una solución estándar no encaja o se queda corta.
Formación relacionada
-
Curso de machine learning con Python
Modelos predictivos de verdad, desde los datos hasta la evaluación y la interpretación.
- Duración: 24 horas
- Nivel: Intermedio
-
Curso de IA para equipos comerciales y ventas B2B
Más tiempo vendiendo y menos preparando, con la IA como asistente comercial.
- Duración: 6–8 horas
- Nivel: Inicial
¿Sabéis qué clientes se os pueden ir este trimestre?
Cuéntanos qué tipo de clientes tenéis, cómo compran y dónde están sus datos. Te diremos si hay información suficiente para un modelo de predicción de bajas.