IA para prever cancelamento de clientes é o uso de Inteligência Artificial para identificar sinais anteriores à saída e organizar uma lista de risco. O trabalho começa por definir o que conta como cancelamento e testar uma pontuação que a equipe consiga entender. Só depois, se houver histórico suficiente, vale comparar essa régua com um modelo de aprendizado de máquina.
O objetivo não é adivinhar quem vai embora nem abordar toda pessoa marcada. É priorizar uma lista de clientes para análise humana e agir com uma oferta, uma conversa ou uma correção de serviço coerente com cada situação.
O que significa prever cancelamento
Antes de escolher uma ferramenta, transforme “cancelamento” em um evento mensurável. Em uma academia, pode ser o encerramento do plano ou a inadimplência seguida de inatividade. Em uma empresa de software, pode ser a não renovação. Em uma escola, pode ser a ausência de rematrícula dentro de um prazo definido.
Essa definição precisa incluir uma janela. A pergunta útil não é “este cliente cancelará algum dia?”, mas “há sinais de que este cliente pode cancelar nos próximos 30 dias?”. A janela muda conforme o negócio, o ciclo de cobrança e o tempo disponível para uma intervenção útil.
Também é importante definir a data em que a previsão será feita. Para cada cliente, o sistema deve enxergar apenas informações disponíveis até aquela data. Usar no treinamento um dado registrado depois do cancelamento cria um resultado aparentemente bom, mas inútil na operação.
O trabalho de Khan e colaboradores descreve justamente uma estrutura em que dados comportamentais viram atributos, passam por seleção e alimentam algoritmos supervisionados para gerar uma pontuação de risco em uma janela predefinida. O estudo foi realizado em uma grande rede de telefonia; portanto, seu resultado não deve ser transportado para uma PME. O que serve como referência é o processo, não a precisão obtida naquele contexto.
Dados para a IA prever cancelamento de clientes
Você não precisa começar com dezenas de variáveis. Registre eventos que tenham data, identificação do cliente e relação plausível com a experiência dele. Os sinais mudam por setor, mas um primeiro conjunto pode incluir:
- data de início e tipo de plano;
- pagamentos em dia, atrasos e tentativas de cobrança;
- frequência de uso, comparecimento ou pedidos;
- contatos com atendimento e motivo do contato;
- reclamações, notas e respostas a pesquisas;
- mudanças de plano, pausas ou redução de uso;
- data e motivo do cancelamento, quando informados.
Não misture ausência de dado com ausência de comportamento. Se a academia não registra a entrada na catraca em determinado período, “zero visitas” pode significar falha de coleta, e não abandono. Antes de modelar, faça uma checagem de campos vazios, duplicidades, mudanças de sistema e períodos em que o processo foi diferente.
O artigo sobre analisar feedback de clientes com IA mostra como preservar o comentário original ao classificar temas. Essa evidência também ajuda aqui: uma categoria de reclamação é mais útil quando a equipe consegue voltar ao registro que a originou.
Dados de comportamento e atendimento podem conter dados pessoais. O guia da Autoridade Nacional de Proteção de Dados para agentes de pequeno porte recomenda medidas organizacionais e técnicas, incluindo controle de acesso, proteção dos dados armazenados, gestão de vulnerabilidades e segurança das comunicações. Na prática, limite a coleta ao necessário, defina quem pode acessar a lista de risco e registre como ela é usada.
Comece com regras antes do modelo
Uma planilha pode ser o primeiro teste. Escolha poucos sinais, dê pontos a cada um e ordene os clientes pela soma. A regra não precisa fingir precisão científica; ela precisa ser transparente e produzir uma fila administrável.
Considere este exemplo hipotético de uma academia de Campo Grande. A gestora define cancelamento como encerramento do plano mensal e quer identificar risco nos próximos 30 dias. Ela testa a seguinte pontuação:
| Sinal observado | Pontos hipotéticos |
|---|---|
| Frequência caiu em relação ao mês anterior | 2 |
| Cliente está há 14 dias sem comparecer | 2 |
| Houve falha recente na cobrança | 2 |
| Existe reclamação sem retorno registrado | 3 |
| Cliente pediu informação sobre pausa ou cancelamento | 3 |
No exemplo, quem soma 4 pontos ou mais entra em uma lista semanal. Um funcionário confere o histórico antes de agir. Uma pessoa que viajou, por exemplo, não deve receber a mesma abordagem de quem reclamou de um problema ainda sem solução.
A equipe acompanha três resultados: quantos clientes sinalizados realmente cancelaram, quantos cancelamentos não foram sinalizados e quantos alertas consumiram tempo sem revelar risco relevante. Esses três grupos ajudam a ajustar regras e mostram o custo dos erros.
O modelo de aprendizado de máquina passa a fazer sentido quando há registros consistentes de clientes que cancelaram e permaneceram, volume suficiente para separar períodos de treino e teste e capacidade de manter o processo. Ele pode combinar sinais e relações difíceis de representar em pontos fixos. Ainda assim, precisa ser comparado com a regra simples. Se não melhorar uma decisão concreta, acrescenta complexidade sem benefício demonstrado.
