IA aplicada: previsão de churn aumentou retenção em 28% em e-commerce
Resultado principal
+28% na taxa de retenção de clientes em risco
Stack utilizado
Contexto
Um e-commerce de moda feminina com operação 100% online, ~15.000 clientes ativos e faturamento de ~R$ 6M/ano. A empresa enviava campanhas de e-mail para toda a base com a mesma mensagem — resultando em taxa de abertura de 12% e de cliques de 2,4%, bem abaixo da média do setor.
O CEO sabia que estava perdendo clientes mas não tinha visibilidade de quem estava em risco nem quando agir. As campanhas de reativação eram genéricas e caras para o resultado que entregavam.
O diagnóstico
Análise exploratória de 18 meses de histórico de pedidos revelou:
- Clientes com compra única representavam 68% da base — altíssimo custo de aquisição sem retorno
- Intervalo médio entre compras: 45 dias para clientes recorrentes
- Janela crítica: clientes que não compram em 90 dias têm 78% de chance de não voltar
- Concentração de receita: top 20% dos clientes representavam 62% da receita
Oportunidade: identificar proativamente os clientes do top 20% que estavam entrando na janela de risco (45–90 dias sem compra) e agir antes que chegassem aos 90 dias.
A solução
Fase 1: Feature engineering (dias 1–7)
Construção das features preditivas a partir do histórico de pedidos:
- RFM (Recência, Frequência, Monetário)
- Intervalo médio e desvio padrão entre compras
- Taxa de itens devolvidos
- Canal de aquisição do cliente
- Sazonalidade das compras (mês de maior compra)
- Variação de valor no último pedido vs. média histórica
Fase 2: Modelo preditivo (dias 8–18)
- Treinamento de modelo XGBoost com janela de 18 meses
- Variável target: churn definido como >90 dias sem compra
- Resultado: AUC-ROC de 0,87 no conjunto de teste
- Feature importance: recência (42%), intervalo médio (24%), frequência (18%)
Fase 3: Integração e automação (dias 19–28)
- Pipeline diário no Airflow que:
- Calcula score de churn para toda a base
- Segmenta por risco: Alto (>70%), Médio (40–70%), Baixo (<40%)
- Atualiza atributos de clientes via Klaviyo API
- Flows automatizados no Klaviyo por segmento:
- Alto risco: e-mail personalizado + WhatsApp com cupom de 15%
- Médio risco: e-mail personalizado sem cupom, foco em novidades
- Baixo risco: newsletter padrão
Fase 4: Teste A/B (dias 29–42)
- 50% dos clientes de alto risco no modelo preditivo (grupo tratado)
- 50% no tratamento padrão anterior (grupo controle)
- Janela de 30 dias de observação
Resultado do A/B test
| Métrica | Controle (padrão) | Tratado (modelo) |
|---|---|---|
| Taxa de retenção | 18% | 46% |
| Taxa de abertura de e-mail | 14% | 38% |
| Receita gerada por clientes contatados | R$ 24.800 | R$ 58.200 |
| Custo de campanha | R$ 1.200 | R$ 1.800 |
| ROI | 19,7x | 31,3x |
A taxa de retenção de clientes em risco saltou de 18% para 46% — aumento de 28 pontos percentuais.
Anualizado, o modelo gera ~R$ 400.000 em receita adicional retida, com custo de campanha incremental de ~R$ 7.200/ano.
O que aprendemos
O que funcionou melhor:
- Segmentação por score (não basta identificar risco — você precisa agir diferente por nível)
- Personalização do assunto do e-mail baseada nas categorias que o cliente mais comprou
- Timing: agir aos 50–60 dias é muito mais eficaz do que aos 80 dias
O que não funcionou:
- Cupons para clientes de médio risco: canibalização de margem sem necessidade (o e-mail sem cupom já convertia bem)
- Push notification: taxa de opt-in muito baixa na base
Este projeto faz parte do portfólio Data85. Dados financeiros e identificação do cliente foram anonimizados.
Quer resultados assim?
Comece com um diagnóstico gratuito
Em 7 dias mapeamos seus dados e entregamos um plano de ação com ROI estimado — sem compromisso.
Solicitar diagnóstico gratuito