Un modelo de churn responde: ¿quién está por irse? Pero la pregunta de negocio es otra: con las mismas llamadas, ofertas y cupos de retención, ¿a quién conviene contactar primero? Un modelo predictivo de fuga de clientes ordena a la cartera según su probabilidad de cancelar, para que el equipo de retención llegue antes, y a las personas correctas.
Thorcast predice la probabilidad de churn a nivel individual, semanas antes de que aparezca la intención de cancelación, y combina tus datos con señales externas que tu modelo hoy no tiene.
Qué puedes resolver
- Banca y retail: más clientes retenidos con el mismo cupo de contacto.
- Telco: fuga de suscriptores, en un mercado donde domina el prepago y los datos de clientes están fragmentados.
- Seguros de vida: persistencia de pólizas: mismas llamadas de retención, más cancelaciones reales detectadas.
- Seguros generales y corredores: saber a quién llamar antes de que venza su póliza, y contactar primero a los clientes que una llamada sí puede retener.
- Ofertas de retención: predice qué clientes responden a qué incentivos.
Casos reales, en video
Retención de clientes
Más clientes retenidos con el mismo cupo. · 0:58
Retención móvil
Fuga de suscriptores en telecomunicaciones.
Persistencia de pólizas
Mismas llamadas de retención, más cancelaciones reales detectadas.
Renovación automotriz
Saber a quién llamar antes de que venza su póliza.
Cómo se construye en Thorcast
- NORA deja tus datos listos. Le indicas en lenguaje natural qué necesitas —limpiar, unir tablas, construir el target— y NORA propone un plan; tú lo apruebas y cada paso pasa por un motor de validación determinístico.
- Enriquece con datos alternativos. Cada registro ya tiene una llave —un email, un teléfono, una dirección— y la Thorcast Enrichment Network la convierte en señales nuevas, listas para el modelo.
- MJÖ construye y compara los modelos. Planifica el preprocesamiento, recomienda variables, entrena y compara varios algoritmos y presenta el mejor, con métricas estándar y un reporte técnico listo para auditoría.
- Convierte el score en decisiones. Las capas de decisión muestran aprobación, riesgo e impacto económico para cada punto de corte.
- Despliega donde lo necesites. En Thorcast Cloud, en tus propias instalaciones o directamente en la app, y monitorea el modelo para recalibrarlo cuando cambie la población.
Tú no escribes código: NORA y MJÖ trabajan como un data engineer y un data scientist, siguen tus reglas y corren en tus instalaciones. Los datos sensibles nunca salen de tu infraestructura.
Datos que tu modelo hoy no tiene
Más de 3.000 data points, condensados en 261 señales listas para el modelo. Tú eliges qué familias agregar:
El perfil del área donde vive la persona, y atributos esenciales de su email y teléfono, como validez y operador.
La huella digital detrás de un email o un teléfono: a qué tipos de plataformas está vinculado.
Perfiles de área a nivel de manzana, puntos de interés y zonas por tiempo de viaje alrededor de cualquier ubicación, en un mapa privado.
Líneas de crédito, historial de morosidad y tramos de score del buró.
Del score a la campaña
Un modelo de fuga solo crea valor si cambia a quién se contacta. En Thorcast el score se lleva a una regla de decisión con el impacto económico a la vista, y el modelo se despliega donde lo use tu equipo comercial: en Thorcast Cloud, en tus instalaciones o en la app.
Para profundizar
- AutoML: por qué gana el modelado en paralelo (inglés)
- Datos alternativos y señales conductuales (inglés)