Churn en telecomunicaciones: señales de uso, redes sociales y el efecto contagio

Un sector donde el contrato no garantiza la lealtad

Las telecomunicaciones son, sobre el papel, un entorno contractual: el cliente firma un contrato con una permanencia, y su abandono es un evento explícito, observable y predecible. En ese sentido, deberían ser un caso fácil, lo opuesto al churn silencioso del ecommerce que vimos en artículos anteriores. Pero la realidad es que es uno de los sectores con mayor presión de abandono que existe, porque el producto es casi completamente homogéneo entre competidores: la diferencia real entre operadores es escasa, el coste de cambiar es bajo y la competencia ataca con ofertas agresivas de forma permanente.

Esto genera una situación peculiar: el churn es visible, sí, pero ocurre constantemente y por márgenes muy finos. El cliente no desaparece en silencio, pero salta de proveedor en cuanto percibe una oferta marginalmente mejor o sufre una mala experiencia. La retención en este contexto no consiste en detectar un abandono oculto, sino en anticipar una decisión que el cliente toma con rapidez y con muchas alternativas sobre la mesa. Y para anticiparla hay dos fuentes de señal que en otros sectores no se aprovechan con la misma intensidad.

La huella de uso: señales de alta resolución

El primer activo distintivo del sector es la enorme riqueza de su registro de uso. Cada interacción del cliente con el servicio deja un rastro detallado y constante: patrones de actividad, intensidad de uso, cambios de comportamiento día a día. Es una huella mucho más granular que la de un ecommerce, donde entre compra y compra puede haber semanas de silencio. Aquí la actividad es prácticamente diaria, y eso permite detectar deterioros de forma temprana.

La lección operativa conecta directamente con lo que vimos al hablar de la detección en ecommerce: la granularidad temporal importa. Un descenso sostenido en la intensidad de uso, un cambio en los patrones habituales o una caída en la frecuencia de interacción son señales que, capturadas a tiempo, anticipan el abandono semanas antes de que el cliente solicite la baja. El reto no es la falta de datos —sobran— sino procesarlos con la frecuencia adecuada para que la señal llegue cuando todavía hay margen de actuar.

El efecto contagio: cuando un cliente arrastra a otros

Aquí está la particularidad que de verdad define el sector y que tiene implicaciones para cualquier negocio con clientes conectados entre sí. En telecomunicaciones, los clientes no son puntos aislados: forman parte de redes de relaciones —familiares, grupos de contacto frecuente, círculos sociales— y esas conexiones transmiten el abandono. En cierto modo, podemos imaginarlo como un grafo donde cada nodo se conecta con las personas de alta influencia para cada uno, cuando una persona con muchas conexiones cambia de operador, arrastra consigo, con frecuencia, a buena parte de su círculo cercano. El churn se propaga por la red como lo haría una influencia social cualquiera.

Esto tiene una consecuencia que los modelos tradicionales no pueden capturar. Un Random Forest o un XGBoost, por muy bien construidos que estén, evalúan a cada cliente de forma independiente: miran sus características individuales y predicen su riesgo en aislamiento. Pero si el riesgo real de un cliente depende en parte de lo que hagan las personas a las que está conectado, evaluarlo aislado deja fuera una porción importante de la señal. Un cliente con un perfil individual impecable puede estar en alto riesgo simplemente porque la persona central de su red acaba de marcharse.

Cómo se modela una red: el salto conceptual

Capturar el efecto de contagio exige un cambio en la forma de representar el problema. En lugar de una tabla donde cada fila es un cliente independiente, se construye un grafo: una estructura donde los clientes son nodos y sus relaciones son las conexiones entre ellos. Sobre esa estructura se pueden calcular métricas que un modelo tabular nunca tendría, como la centralidad de cada cliente —cuán conectado e influyente es dentro de la red— o su proximidad a clientes que ya han abandonado.

La familia de técnicas más avanzada para esto son las redes neuronales de grafos, que aprenden directamente de la estructura de conexiones en lugar de exigir que un humano diseñe a mano las métricas de red. Estas arquitecturas son capaces de propagar información entre nodos vecinos, de modo que la representación que el modelo construye de cada cliente incorpora, de forma automática, lo que está pasando en su entorno. Es la diferencia entre preguntarle a un cliente cómo está y observar también el estado de toda su red de relaciones antes de emitir un juicio.

A esto se suma otra frontera técnica que hemos mencionado en esta serie: la fusión de múltiples fuentes de señal. Combinar el comportamiento de uso, el análisis del sentimiento en las interacciones de soporte y la posición del cliente en su red social produce modelos sustancialmente más precisos que cualquiera de esas fuentes por separado. No vamos a desplegar aquí el código de estas arquitecturas —su implementación completa, con datos y notebooks ejecutables, es parte del material del ebook que estamos preparando— pero sí conviene entender el principio: cuanto más rico y multidimensional es el retrato del cliente, antes y mejor se anticipa su marcha.

Qué se lleva un director de todo esto

Más allá del sector concreto, el caso de las telecomunicaciones deja tres lecciones que aplican a cualquier negocio que se plantee en serio la retención, especialmente si su base de clientes está interconectada de algún modo.

El hilo que conecta estas tres lecciones es el mismo que recorre toda la serie: la arquitectura técnica se subordina al problema de negocio, no al revés. Las telecomunicaciones empujan las técnicas hasta la frontera porque su problema —churn masivo, rápido y contagioso— lo exige. La mayoría de negocios no necesita llegar tan lejos, pero todos pueden aprender del sector que más ha tenido que afinar la detección por pura presión competitiva.

---

El churn en telecomunicaciones nos ha mostrado el abandono como fenómeno de red, con la huella de uso y el contagio social como señales que ningún modelo tabular captura del todo. Hay otro sector donde la detección se lleva al límite por razones distintas: la inmediatez. Cuando el cliente puede abandonar en cualquier momento, sin contrato y con un coste de cambio prácticamente nulo, la ventana para actuar se mide en horas, no en semanas. ¿Cómo se detecta y se retiene a un cliente que puede desaparecer entre una sesión y la siguiente?