Cómo detectar clientes en riesgo de churn en tu ecommerce antes de perderlos

El churn en ecommerce no es igual que en SaaS

En los negocios SaaS, el churn es fácil de medir: un cliente cancela su suscripción y eso queda registrado. En ecommerce, la mayoría de los clientes no "cancelan" nada — simplemente dejan de comprar. No hay un evento explícito que marque el final de la relación.

Esta diferencia tiene consecuencias importantes para la detección. En ecommerce, el churn es un proceso gradual y silencioso. Un cliente que compra mensualmente puede pasar a comprar bimestralmente, luego trimestralmente, y finalmente dejar de comprar. En cada fase hay una oportunidad de intervención que la mayoría de las tiendas no aprovecha porque no tiene visibilidad de ese proceso de deterioro.

El primer paso es definir qué consideras "churn" en tu negocio. La definición más práctica es: un cliente ha entrado en churn cuando la probabilidad de que vuelva a comprar en los próximos 90 días es inferior a un umbral dado (habitualmente el 20-30%). Esta definición es probabilística, no binaria, lo que la hace más útil para la intervención.

Cómo calcular la tasa de churn en tu ecommerce

Existen varios enfoques para medir el churn en ecommerce. El más utilizado por su simplicidad es el análisis de cohortes de retención:

Método de cohortes

Agrupa los clientes por el mes o trimestre en que realizaron su primera compra (cohorte). Luego mide qué porcentaje de cada cohorte volvió a comprar en los períodos siguientes.

Por ejemplo, de 200 clientes que compraron por primera vez en enero de 2025:

• Mes 1 (febrero): 80 volvieron a comprar → retención del 40%
• Mes 3 (abril): 55 compraron → retención del 27,5%
• Mes 6 (julio): 38 compraron → retención del 19%
• Mes 12 (enero 2026): 22 compraron → retención del 11%

La tasa de churn sería la inversión: 89% a 12 meses en este ejemplo. El análisis de cohortes también revela cuándo se produce la mayor caída — si la mayor pérdida ocurre entre el mes 1 y el mes 3, el problema está en la conversión a segunda compra. Si ocurre entre el mes 6 y el 12, está en la retención de clientes más establecidos.

Fórmula de churn mensual

Para una medida más ágil, puedes calcular el churn mensual comparando la base de clientes activos (que han comprado en los últimos 90 días) entre dos períodos consecutivos:

Churn mensual = (Clientes activos mes anterior − Clientes activos mes actual) / Clientes activos mes anterior

Una tasa de churn mensual del 5-8% es relativamente normal en ecommerce de moda. Si supera el 10% mensual, hay un problema serio de retención.

Las 6 señales de alerta temprana de churn

El churn no ocurre de la noche a la mañana. Antes de que un cliente abandone definitivamente, suele mostrar una serie de comportamientos detectables si tienes los datos organizados:

1. Aumento del intervalo entre compras

Si un cliente que compraba cada 30 días empieza a comprar cada 45, luego cada 60 días, esa tendencia ascendente en el intervalo es la señal más fiable de churn incipiente. No requiere modelos complejos: basta con monitorizar el intervalo medio de compra por cliente y detectar desviaciones.

2. Reducción del ticket medio en los últimos pedidos

Un cliente que históricamente gasta 85€ por pedido y cuyos últimos 3 pedidos son de 35€, 28€ y 22€ está enviando una señal clara. Esta reducción puede indicar que está probando otras tiendas para categorías de mayor valor y usando la tuya como opción secundaria de bajo coste.

3. Cambio en las categorías de compra

Un cliente que siempre compra en tu categoría premium y de repente solo compra en la sección de outlet o descuentos está mostrando sensibilidad al precio que antes no tenía. Puede ser señal de cambio en su situación económica o de que ha encontrado mejores precios en otro sitio para sus compras principales.

4. Superación de la ventana de recompra habitual sin actividad

Cada negocio tiene una distribución del intervalo entre compras. Si tu intervalo medio es de 45 días con una desviación estándar de 15 días, un cliente que lleva 75 días sin comprar (es decir, dos desviaciones estándar por encima de la media) ya está en zona de alerta. Esto es más preciso que usar un umbral fijo de días para todos los clientes.

5. Baja o nula apertura de emails en los últimos 60 días

Si un cliente activo deja de abrir tus emails, está reduciendo su engagement con tu marca. No es una señal de churn definitiva (algunos clientes compran sin abrir emails), pero combinada con menor frecuencia de compra es muy indicativa. La tasa de apertura por segmento de clientes es una métrica de salud que conviene monitorizar.

6. Incremento de devoluciones

Un aumento inusual en las devoluciones puede indicar que el cliente está en un proceso de "prueba y rechazo" — compra pero no queda satisfecho. Si no se aborda la causa raíz (problema de talla, calidad diferente a la esperada, descripción imprecisa), el cliente termina abandonando.

Ventanas de intervención: cuándo actuar

La efectividad de las acciones de winback cae drásticamente con el tiempo. La investigación en retention marketing muestra una curva clara:

• 0-30 días sin compra (en clientes con frecuencia mensual): zona verde. Una simple comunicación recordatoria puede ser suficiente. Tasa de reactivación esperada: 40-60%.
• 30-60 días sin compra: zona amarilla. Se necesita un incentivo. Un descuento del 10-15% o envío gratuito suele ser suficiente. Tasa de reactivación: 20-35%.
• 60-90 días sin compra: zona naranja. Incentivo más agresivo necesario. El cliente está considerando alternativas activamente. Tasa de reactivación: 10-20%.
• Más de 90 días sin compra: zona roja. La mayoría de estos clientes no volverán independientemente del incentivo. Vale la pena intentarlo, pero las expectativas deben ser realistas: tasa de reactivación del 5-10%.

Estas ventanas varían según el sector. En muebles o electrónica de gama alta, donde el ciclo de compra natural es de 12-24 meses, los umbrales son muy diferentes. Ajusta siempre a la frecuencia natural de compra de tu sector.

Modelos de predicción de churn: del básico al avanzado

Modelo básico: score RFM de riesgo

El modelo más simple usa la dimensión R (Recency) del análisis RFM como proxy del riesgo de churn. Los clientes con puntuación de recencia baja (1-2 en una escala de 1 a 5) son los de mayor riesgo. Es imperfecto pero accionable y no requiere ningún conocimiento técnico avanzado.

Modelo intermedio: regresión logística

Con los datos históricos de clientes que sí hicieron churn en el pasado, puedes construir un modelo de regresión logística que predice la probabilidad de churn para cada cliente actual. Las variables más predictivas típicamente son: días desde última compra, cambio en el intervalo de compra, cambio en el ticket medio y tasa de devolución.

Este modelo puede implementarse en Python o R con unos pocos cientos de líneas de código si tienes los datos organizados. Requiere al menos 12-18 meses de historial de pedidos para tener suficientes ejemplos positivos (churns) en los datos de entrenamiento.

Modelo avanzado: Machine Learning (BG/NBD, Pareto/NBD)

Los modelos probabilísticos BG/NBD (Beta Geometric/Negative Binomial Distribution) son específicamente diseñados para predecir el comportamiento de compra en entornos donde los clientes pueden abandonar en cualquier momento (como ecommerce). Estos modelos:

• Estiman la probabilidad de que un cliente esté "vivo" (siga siendo cliente) dada su historia de compras.
• Predicen cuántas compras realizará un cliente en los próximos N meses.
• Permiten calcular el LTV futuro esperado de cada cliente.

Su implementación requiere competencias estadísticas avanzadas. La librería lifetimes de Python implementa estos modelos de forma accesible, pero la calibración y validación requieren experiencia.

Estrategias de winback por segmento de riesgo

Clientes de alto valor en riesgo medio (At Risk Champions)

Son la prioridad máxima. Clientes que han gastado mucho en el pasado pero cuya actividad está decayendo. La inversión en recuperarlos está claramente justificada. Acciones recomendadas:

• Email personalizado con referencia explícita a su historial ("Hace 45 días que no te vemos, y echamos de menos tus pedidos de X").
• Acceso anticipado a nueva colección o producto.
• Oferta exclusiva no disponible para el público general.
• Si el volumen lo justifica, llamada personal del responsable de atención al cliente.

Clientes de valor medio en riesgo alto

Buenos clientes que llevan tiempo sin aparecer. La estrategia estándar de winback: email de reactivación con descuento del 15-20% o envío gratuito, con un segundo email de seguimiento a los 7 días si no hay respuesta. Crear urgencia (oferta válida 72 horas) mejora la tasa de conversión.

Clientes de bajo valor en riesgo alto (Hibernating/Lost)

El coste de recuperación debe evaluarse frente al LTV esperado. Si el cliente histórico tiene un valor total de 80€ y la probabilidad de reactivación es del 8%, el valor esperado de la campaña es de 6,4€. Si el coste de la campaña (descuento + coste de envío del email) supera ese valor, puede no valer la pena invertir en recuperación individual.

Para este segmento, la estrategia más eficiente es una campaña masiva de bajo coste (email sin descuento o con descuento pequeño) y aceptar que la mayoría no responderá.

El coste real del churn en euros

Para priorizar la inversión en retención, es útil cuantificar el coste del churn en términos económicos concretos. La fórmula básica:

Coste del churn anual = Número de clientes perdidos × LTV medio por cliente

Ejemplo concreto: Un ecommerce de cosmética con 2.000 clientes activos, LTV medio de 320€ y tasa de churn anual del 45% pierde:

900 clientes × 320€ = 288.000€ de LTV perdido anualmente

Si reducir el churn en un 10% (de 45% a 35%) cuesta 15.000€ en campañas y herramientas, el ROI es de más de 19x. Esto es lo que justifica invertir en sistemas de detección temprana.

Preguntas frecuentes sobre churn en ecommerce