🧠 XGBoostClassifier
Accuracy 87.3%
AUC-ROC 0.914
Precision 83.1%
Recall 79.6%
Entrenado con 4.800 clientes
Explainer TreeExplainer (exact)
Baseline E[f(x)] = 0.32
Resumen del modelo esta semana
Clientes analizados
4.800
cartera activa total
Alto riesgo churn (>70%)
127
↑ 23 vs semana anterior
Riesgo medio (40–70%)
341
↑ 48 vs semana anterior
MRR en riesgo
€38.4K
↑ 12% esta semana
Importancia global de features — valores |SHAP| medios
Top 10 Features por Impacto en Churn
Media de |valores SHAP| sobre 4.800 clientes · mayor = más determinante
dias_desde_ultimo_login
0.312
sesiones_mes_actual
0.241
tickets_soporte_abiertos
0.218
sesiones_mes_anterior
0.187
num_usuarios_activos
0.160
integraciones_activas
0.136
pipeline_deals_activos
0.109
Tabla de Impacto por Feature
Dirección del efecto · interpretación de negocio
| # |
Feature |
SHAP |
Efecto |
Impacto |
| 1 |
dias_desde_ultimo_login |
0.312 |
↑ Churn |
Muy Alto |
| 2 |
nps_score |
0.265 |
↓ Churn (NPS alto) |
Muy Alto |
| 3 |
sesiones_mes_actual |
0.241 |
↓ Churn (uso activo) |
Alto |
| 4 |
tickets_soporte_abiertos |
0.218 |
↑ Churn (fricción) |
Alto |
| 5 |
sesiones_mes_anterior |
0.187 |
Caída = ↑ Churn |
Alto |
| 6 |
num_usuarios_activos |
0.160 |
↓ Churn (equipo usa) |
Medio |
| 7 |
integraciones_activas |
0.136 |
↓ Churn (stickiness) |
Medio |
| 8 |
pipeline_deals_activos |
0.109 |
↓ Churn (ROI claro) |
Bajo |
Distribución de valores SHAP — Beeswarm plot (simulado, 4.800 puntos)
Beeswarm Plot — Valores SHAP por Cliente y Feature
Color azul = valor bajo de la feature · Rojo = valor alto de la feature · Posición horizontal = impacto SHAP en la predicción
-0.40
-0.20
0 (base)
+0.20
+0.40
SHAP value (impacto en log-odds de churn)
Explicaciones individuales — Waterfall plots por cliente
Waterfall — Contribuciones SHAP
dias_sin_login = 47d
+0.24
+0.24
nps_score = 3
+0.19
+0.19
tickets_abiertos = 4
+0.15
+0.15
sesiones_actual = 2
+0.12
+0.12
integraciones = 1
-0.07
-0.07
usuarios_activos = 0
+0.06
+0.06
Accion recomendada CS
Llamada urgente esta semana. Prioridad: resolver los 4 tickets abiertos + demo de nuevas funciones. Ofrecer sesión 1:1 de onboarding.
Waterfall — Contribuciones SHAP
dias_sin_login = 18d
+0.12
+0.12
sesiones_actual = 8
-0.08
-0.08
tickets_abiertos = 2
+0.09
+0.09
nps_score = 6
-0.06
-0.06
integraciones = 2
-0.08
-0.08
plan = Starter
+0.09
+0.09
Accion recomendada CS
Enviar email de check-in. Proponer upgrade a Pro (descuento 20% primeros 3 meses). Resolver tickets esta semana para mejorar NPS.
Waterfall — Contribuciones SHAP
dias_sin_login = 1d
-0.14
-0.14
nps_score = 9
-0.12
-0.12
sesiones_actual = 34
-0.10
-0.10
integraciones = 5
-0.08
-0.08
usuarios_activos = 8
-0.06
-0.06
tickets_abiertos = 0
-0.05
-0.05
Accion recomendada CS
Cliente sano. Candidata a programa de referidos y caso de éxito. Proponer expansión de licencias del equipo.
Insights del modelo para el equipo de Customer Success
Señales de alarma (churn)
🔴 +30 días sin login — el factor más predictivo. Un cliente inactivo 30+ días tiene 3× más riesgo.
🔴 NPS < 5 — detractores casi siempre churnan en los próximos 60 días.
🔴 3+ tickets sin resolver — fricción acumulada que no se resuelve.
🔴 Caída >50% de sesiones mensual respecto al mes anterior.
Señales de retención (anti-churn)
🟢 5+ integraciones activas — stickiness. Coste de cambio alto.
🟢 NPS ≥ 8 — promotores con NPS alto prácticamente no churnan (<5%).
🟢 Pipeline con deals activos — el cliente percibe ROI directo de LeadFlow.
🟢 3+ usuarios del equipo usando la plataforma semanalmente.
Recomendaciones para el producto
🔵 Alerta proactiva al CS si un cliente no loguea en 14 días.
🔵 Onboarding de integraciones — promover conexiones en los primeros 30 días.
🔵 SLA de soporte — 4+ tickets abiertos correlaciona fuertemente con churn.
🔵 Survey NPS cada 90 días — detectar detractores antes de que decidan irse.