Análise de churn de clientes no setor financeiro

O cliente não avisa que vai embora, mas os dados avisam#

Em banco, fintech, corretora ou seguradora, o cliente raramente manda um e-mail dizendo que vai fechar a conta. Ele simplesmente para de usar. O salário deixa de cair na conta, o cartão vira o segundo da carteira, o investimento é resgatado em parcelas, e quando o comercial percebe, o dinheiro já saiu. A análise de churn financeiro existe para inverter essa ordem: usar o comportamento que o cliente já gera dentro dos seus sistemas para estimar, antes de acontecer, quem está prestes a sair, quanto isso custa e o que dá para fazer. Não é adivinhação. É ler sinal de atrito que já está no dado transacional, só que ninguém organizou para enxergar.

Este artigo é para quem tem dados espalhados entre core bancário, CRM e plataforma de investimento e quer transformar isso em um processo de retenção que a diretoria acompanhe. Vou ser direto sobre o que funciona, onde os modelos falham e a diferença entre um dashboard bonito e uma operação que segura cliente.

Antes de prever churn, você precisa definir o que é churn#

O erro mais comum não está no modelo, está na definição. Em serviços financeiros, churn quase nunca é binário como em uma assinatura de streaming, onde o cliente cancela e some. Aqui existem camadas.

• Churn de conta: o cliente encerra formalmente o relacionamento. É o caso mais limpo de medir, mas também o mais tardio. Quando o encerramento chega ao sistema, a decisão já foi tomada há semanas.
• Churn de produto: o cliente mantém a conta aberta, porém abandona um produto específico, cancela o cartão de crédito, resgata o investimento, quita o financiamento e não renova. A conta continua viva, a receita daquele produto morre.
• Churn silencioso ou de engajamento: a conta existe, o produto existe, mas o uso despenca. Saldo médio caindo, zero transações no mês, aplicativo sem login há sessenta dias. Formalmente o cliente é seu. Na prática, ele já migrou para o concorrente e mantém a conta antiga só por inércia.

Cada definição gera um alvo diferente para o modelo e uma ação diferente para o negócio. Misturar as três em uma única variável de churn é a forma mais rápida de construir um modelo que não serve para nada. Antes de escrever uma linha de código, o time de negócio precisa decidir, produto a produto, o que conta como perda e em qual janela. Um cliente de conta corrente sem movimentação por 90 dias é churn? E por 180? Essa régua é decisão de negócio, não de ciência de dados, e define tudo o que vem depois.

Os sinais de atrito estão no dado transacional, não na pesquisa de satisfação#

Pesquisa de NPS ajuda a entender o clima, mas chega tarde e responde quem quer responder. O sinal antecedente de verdade está no comportamento, e instituição financeira registra comportamento com uma granularidade que poucos setores têm. A tabela abaixo separa os sinais por natureza e pelo tipo de churn que costumam anteceder.

Sinal de atrito	Onde aparece no dado	Churn que antecede
Queda no saldo médio mensal	Extrato, posição diária	Conta e engajamento
Redução na frequência de transações	Core transacional, PIX, cartão	Engajamento
Salário deixa de ser creditado	Folha, TED recorrente	Conta (perda de principalidade)
Resgates parciais recorrentes	Plataforma de investimento	Produto
Queda de login no app	Log de acesso, telemetria	Engajamento
Reclamações e chamados abertos	CRM, SAC, ouvidoria	Conta e produto
Tarifa ou juros acima do concorrente	Contrato vs. mercado	Produto
Fim de contrato ou carência próximo	Cadastro de contratos	Produto

O trabalho técnico aqui é menos sobre algoritmo e mais sobre engenharia de dados. Esses sinais nascem em sistemas diferentes, com chaves e frequências diferentes. Consolidar isso em uma visão única por cliente, com histórico e no grão certo, é a parte cara e a que determina o teto de qualidade de qualquer modelo. Modelo bom com feature ruim entrega previsão ruim. Se essa base ainda não existe de forma confiável, o ponto de partida não é o modelo preditivo, é a engenharia de dados que monta a camada de features.

Sem LTV, o escore de churn financeiro vira uma lista sem prioridade#

Prever quem vai sair só tem valor se você souber quanto vale quem vai sair. Por isso a análise de churn anda de mãos dadas com o LTV, o valor do cliente ao longo do relacionamento. Cliente com alta probabilidade de churn e margem baixa pode não merecer ação de retenção. Cliente com probabilidade média e LTV alto merece uma ligação do gerente amanhã de manhã.

O LTV em serviços financeiros não é uma conta simples de ticket vezes tempo. Ele combina a margem de cada produto, o custo de servir o cliente, o custo de captação já amortizado e a expectativa de permanência. Vale a pena calcular ao menos uma versão pragmática: receita líquida média mensal multiplicada por uma expectativa de meses de permanência, descontada a inadimplência esperada. Não precisa ser perfeito para ser útil. Precisa existir e ser comparável entre clientes.

Cruzar propensão de churn com LTV gera uma matriz de priorização que muda a conversa com o comercial. Em vez de uma lista genérica de clientes em risco, você entrega uma fila ordenada por valor em risco, a probabilidade de sair multiplicada pelo LTV. Essa é a métrica que a diretoria entende e financia.

Faixa de LTV	Baixa propensão de churn	Alta propensão de churn
LTV alto	Relacionar e ampliar carteira	Ação de retenção imediata e personalizada
LTV médio	Manter com custo baixo	Oferta padronizada de retenção
LTV baixo	Automação e autosserviço	Deixar ir, ou reter só com custo mínimo

Retenção também custa dinheiro. Reter cliente de LTV baixo com brinde caro destrói margem, e ser honesto sobre isso separa um programa sustentável de uma queima de caixa disfarçada de fidelização.

O escore de propensão é probabilidade, não sentença#

Escore de propensão de churn é a saída de um modelo de classificação: para cada cliente, um número entre 0 e 1 que estima a chance de ele sair na janela definida. É importante tratar esse número como o que ele é, uma probabilidade calibrada sobre padrões passados, e não uma profecia. O cliente com escore 0,82 não vai embora com certeza, mas entre muitos clientes com escore próximo disso, uma proporção parecida tende a sair. Modelo trabalha no agregado, a ação acontece no individual, e essa diferença precisa estar clara para o time que recebe a lista.

Na prática, a construção segue um caminho conhecido:

1. Definir o alvo e a janela: churn de qual tipo, observado em qual horizonte, por exemplo probabilidade de encerrar o produto nos próximos 90 dias.
2. Montar a base de treino no tempo certo: as features precisam refletir o que se sabia antes do churn, nunca depois. Vazamento de dado futuro faz um modelo parecer excelente no teste e inútil na produção.
3. Treinar e validar: comparar alguns algoritmos, avaliar com métricas adequadas a base desbalanceada, porque churn costuma ser evento minoritário, e olhar precisão e recall, não só acurácia.
4. Calibrar e definir corte: o ponto de corte é decisão de negócio. Depende de quantos clientes o time trata por mês e de quanto custa cada falso positivo.
5. Servir o escore: publicar o resultado onde a operação já trabalha.

Do lado de plataforma, dá para treinar esses modelos de classificação no Azure Machine Learning ou na experiência de Data Science do Microsoft Fabric, que trouxe notebooks, MLflow e o OneLake para o mesmo ambiente de dados desde o anúncio em 2023. A escolha depende de onde já vive o resto do seu stack. Se a instituição já padronizou em Fabric, manter treino e dado no mesmo lakehouse reduz atrito. Se já existe MLOps maduro em Azure ML, não há motivo para migrar por moda. Vale aprofundar em analytics avançado, onde o modelo deixa de ser experimento e vira produto.

O Power BI consome o escore, ele não deve treinar o modelo#

Uma confusão frequente: achar que o Power BI faz a previsão. Não é o papel dele, ele é a camada de consumo. O escore é calculado no ambiente de ciência de dados, gravado de volta na base como uma coluna por cliente, e o Power BI lê esse resultado junto com o LTV, os sinais de atrito e o histórico para transformar em painel acionável, com a lista priorizada que o gerente abre toda segunda.

Vale uma nota técnica sobre modelagem, porque ela afeta custo e desempenho. O motor VertiPaq, por trás do modelo do Power BI, comprime as colunas por cardinalidade: coluna com poucos valores distintos comprime muito bem, coluna de altíssima cardinalidade, como um identificador único ou um escore com muitas casas decimais, ocupa memória e pesa. Trazer o escore em faixas ou com precisão razoável, e não arrastar colunas transacionais desnecessárias para o modelo, mantém o relatório rápido e barato. Boa parte dos painéis lentos de churn que eu vejo sofre disso, não de falta de capacidade. Quem quiser entender como o motor pensa vai gostar da leitura sobre boas práticas de modelagem em DAX.

LGPD não é rodapé, é premissa do projeto#

Escore de propensão é dado pessoal usado para decidir sobre uma pessoa. A LGPD, a Lei nº 13.709/2018, se aplica de forma direta: base legal definida, finalidade clara e atenção ao uso do escore em decisões automatizadas, já que a lei prevê o direito de revisão. Na prática, o que costuma pegar não é o modelo, é o acesso: quem pode ver a lista de clientes em risco e se o gerente da agência A consegue enxergar cliente da agência B. Segurança por linha no relatório e trilha de acesso não são refinamento, são requisito. Tratamos isso com profundidade em governança de dados e LGPD no Power BI.

Onde esses modelos falham, e vale saber antes#

Prometer que um modelo de churn resolve retenção sozinho é desonesto. Alguns limites reais:

• Mudança de mercado: um modelo treinado em um cenário de juros ou concorrência aprende aquele cenário. Quando uma fintech nova muda o jogo, o padrão histórico perde valor e o modelo precisa ser reavaliado.
• Causa fora do dado: cliente que sai porque mudou de cidade, ou porque a empresa dele trocou o banco da folha, não deixou sinal comportamental prévio. Nenhum modelo captura o que não aconteceu no seu sistema.
• A ação importa mais que a previsão: prever churn com precisão e não ter oferta, processo ou gente para agir gera relatório que ninguém usa. O gargalo real quase sempre está na operação de retenção, não na acurácia.
• Modelo envelhece: propensão de churn precisa de monitoramento e retreino. Sem isso, o escore degrada em silêncio e a lista de segunda-feira vira ruído.

Nada disso invalida o esforço. Churn e LTV são conceitos consolidados, modelos de classificação são maduros e o ganho de agir com semanas de antecedência é concreto. Só não é mágica, e um consultor que promete mágica é o primeiro sinal de atrito que você deveria monitorar.

Perguntas frequentes#

Qual a diferença entre churn de conta e churn de produto na prática? Churn de conta é o encerramento formal do relacionamento, medido tarde e difícil de reverter. Churn de produto é o cliente manter a conta aberta mas abandonar um produto, cancelar o cartão, resgatar o investimento. Para o negócio, o churn de produto costuma ser o alvo mais acionável, porque o cliente ainda está na casa e há espaço para reter antes que ele encerre tudo.

Preciso de Azure Machine Learning ou o Fabric já resolve? Depende de onde vive o seu stack. A experiência de Data Science do Fabric cobre treino, notebooks e MLflow no mesmo ambiente do dado, o que reduz atrito se você já usa OneLake. O Azure ML faz sentido quando já existe uma operação de MLOps consolidada nele. Os dois treinam modelos de classificação de churn com competência. A decisão é de arquitetura e maturidade, não de capacidade.

O Power BI treina o modelo de churn? Não. O Power BI consome o escore já calculado no ambiente de ciência de dados. Ele é a camada onde o escore, o LTV e os sinais de atrito viram painel priorizado e acionável. Tentar treinar modelo dentro do Power BI é usar a ferramenta errada para o trabalho.

Quantos dados de histórico eu preciso para começar? Não existe número mágico, mas você precisa de histórico suficiente para observar tanto clientes que ficaram quanto os que saíram, ao longo de um período que cubra a sazonalidade do negócio. Mais importante que volume é qualidade: features montadas no tempo certo, sem vazamento de dado futuro. Base curta e limpa vence base longa e bagunçada.

Como o LTV entra na decisão de retenção? O LTV transforma uma lista de risco em uma fila de prioridade. Você multiplica a probabilidade de churn pelo valor do cliente para obter o valor em risco e ordena a ação por aí. Cliente de LTV alto em risco recebe tratamento personalizado. Cliente de LTV baixo pode não justificar custo de retenção nenhum. Reter todo mundo com o mesmo esforço destrói margem.

Com que frequência o modelo precisa ser retreinado? Não há resposta única, mas propensão de churn degrada quando o mercado muda. O modelo precisa de monitoramento contínuo de desempenho e retreino quando a qualidade cair. Trate o escore como um produto com manutenção, não como entregável de uma vez só. Quem monta e esquece descobre tarde que a lista virou ruído.

Onde a Fynx entra#

Análise de churn no setor financeiro dá certo quando três coisas andam juntas: uma base confiável que consolide os sinais, um modelo honesto que gere escore calibrado, e um painel que a operação de fato usa para agir. A parte difícil não é o algoritmo, é a integração e a disciplina de tornar isso rotina. Se você quer estruturar esse caminho sem começar pelo dashboard e terminar sem retenção, fale com a gente.