Análisis de Supervivencia de Churn
NutriTrack Pro — SaaS de Nutrición Clínica

Comparativa de modelos Cox · RSF · GBS · Segmentación de riesgo · Factores de cancelación

📊Resumen Ejecutivo — 1.200 Clientes Analizados

Clientes totales

1.200

Dataset 2023–2025

Eventos (churn)

312

26% tasa de cancelación

Censurados (activos)

888

74% siguen activos

Supervivencia mediana

14.3m

meses hasta cancelación

Mejor C-index (GBS)

0.847

Uno's C-index test set

🤖Comparativa de Modelos de Supervivencia

Modelo	C-index (Uno)	IBS	AUC 12m	Tiempo entreno	Interpretable	Veredicto
Gradient Boosting (GBS)	0.847	0.112	0.891	4.2 min	Limitada	Ganador
Random Survival Forest	0.819	0.128	0.863	2.8 min	Importancia vars	Recomendado
Cox PH (baseline)	0.784	0.147	0.821	0.3 s	Alta (HR)	Baseline
Fast Survival SVM	0.761	0.159	0.798	1.1 min	No	Descartado

Selección final: Se usará GBS (Gradient Boosting Survival) para predicción en producción (máximo C-index=0.847, IBS=0.112) y el modelo Cox PH para comunicación a negocio (coeficientes interpretables como Hazard Ratios).

📈Curvas de Supervivencia y AUC Temporal

Kaplan-Meier por Plan de Suscripción

Probabilidad de no cancelar según plan contratado

Enterprise

Professional

Basic

Freelance

KM por NPS de Onboarding

El NPS inicial predice fuertemente el tiempo de retención

NPS ≥80

NPS 50–79

NPS <50

AUC Temporal por Modelo (mayor = mejor discriminación en ese horizonte)

Horizonte 6 meses

GBS0.912

RSF0.883

Cox0.841

Horizonte 12 meses

GBS0.891

RSF0.863

Cox0.821

Horizonte 18 meses

GBS0.874

RSF0.849

Cox0.808

⚠️Top 10 Factores de Riesgo (Permutation Importance — RSF)

nps_onboarding

NPS al finalizar onboarding · HR=0.972 por punto · efecto más fuerte identificado

0.312

uso_semanal_medio

Sesiones/semana primeros 3 meses · umbral crítico: <2 sesiones/sem → HR×2.8

0.271

plan

Plan Basic: HR=3.4 vs Enterprise · Plan Professional: HR=1.6 vs Enterprise

0.231

integraciones

Cada integración adicional reduce hazard un 18% · >3 integraciones → cliente muy estable

0.194

soporte_tickets

Tickets 30d iniciales · >3 tickets → HR=2.1 · indica fricción de adopción

0.168

sector (nutricionista_freelance)

Freelancers: HR=2.9 vs clínica privada · segmento con mayor churn estructural

0.149

n_usuarios

Cuentas con 1 usuario → HR=2.2 vs ≥5 usuarios · más usuarios = más stickiness

0.128

sector (residencia)

Residencias: HR=1.8 · presupuestos anuales → mayor sensibilidad al precio

0.106

dias_primer_login (derivada)

Clientes que hacen 1er login >3 días tras contratar: HR=1.6 · señal de onboarding débil

0.083

#10

mes_contratacion

Estacionalidad: contratos enero y septiembre con mayor retención (inicio ejercicio/curso)

0.059

🎯Segmentación de Clientes Actuales por Riesgo de Churn

Clasificación de los 888 clientes activos según score de riesgo predicho por GBS a 6 meses.

RIESGO BAJO

411

46.3% de clientes activos

P(churn 6m): <10%
Plan típico: Professional/Enterprise
NPS medio: 82
Integraciones: ≥3
Uso semanal: >4 sesiones/sem

Acción: Programa de advocacy + upsell. Invitar a beta de nuevas funcionalidades. NPS activo trimestral.

RIESGO MEDIO

298

33.6% de clientes activos

P(churn 6m): 10%–35%
Plan típico: Professional/Basic
NPS medio: 61
Integraciones: 1–2
Uso semanal: 2–4 sesiones/sem

Acción: Check-in de CS mensual. Ofrecer formación gratuita y webinars. Revisar adopción de features clave.

RIESGO ALTO

179

20.2% de clientes activos

P(churn 6m): >35%
Plan típico: Basic / Freelance
NPS medio: 38
Integraciones: 0–1
Uso semanal: <2 sesiones/sem

Acción URGENTE: Llamada de CS en 48h. Diagnóstico de fricción. Oferta de descuento o plan personalizado. Evaluar fit con producto.

Impacto económico estimado: Los 179 clientes de riesgo alto representan ~8.771 €/mes en MRR en riesgo. Recuperar el 30% con acciones proactivas supondría 2.631 €/mes adicionales de LTV protegido.

💻Código de Referencia — Pipeline Completo (scikit-survival)

# Pipeline completo: NutriTrack Pro — Análisis de Supervivencia de Churn
# scikit-survival 0.23 · Python 3.11

import numpy as np
import pandas as pd
from sksurv.util import Surv
from sksurv.ensemble import GradientBoostingSurvivalAnalysis, RandomSurvivalForest
from sksurv.linear_model import CoxPHSurvivalAnalysis
from sksurv.metrics import concordance_index_ipcw, integrated_brier_score
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline

# 1. Preparar datos de supervivencia
y = Surv.from_dataframe('churned', 'dias_cliente', df)
X = df.drop(columns=['churned', 'dias_cliente'])

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 2. Comparativa de modelos
models = {
    'Cox': Pipeline([('scaler', StandardScaler()), ('model', CoxPHSurvivalAnalysis())]),
    'RSF': RandomSurvivalForest(n_estimators=200, random_state=42, n_jobs=-1),
    'GBS': GradientBoostingSurvivalAnalysis(
        n_estimators=300, learning_rate=0.05,
        max_depth=4, random_state=42
    ),
}

results = {}
for name, model in models.items():
    model.fit(X_train, y_train)
    risk_scores = model.predict(X_test)
    c_index = concordance_index_ipcw(y_train, y_test, risk_scores)[0]
    results[name] = {'c_index': c_index, 'model': model}
    print(f"{name}: C-index = {c_index:.3f}")

# Salida esperada:
# Cox: C-index = 0.784
# RSF: C-index = 0.819
# GBS: C-index = 0.847  ← ganador

# 3. Segmentación de riesgo (clientes activos)
best_model = results['GBS']['model']
active_clients = df[df['churned'] == 0].copy()
X_active = active_clients.drop(columns=['churned', 'dias_cliente'])

active_clients['risk_score'] = best_model.predict(X_active)
active_clients['risk_segment'] = pd.cut(
    active_clients['risk_score'],
    bins=[-np.inf, -0.5, 0.5, np.inf],
    labels=['bajo', 'medio', 'alto']
)
print(active_clients['risk_segment'].value_counts())
# bajo    411
# medio   298
# alto    179

✅Conclusiones y Próximos Pasos

Hallazgos Clave

🔴 NPS de onboarding es el predictor #1 de churn futuro
🔴 Clientes con <2 sesiones/sem en primeros 3 meses tienen 2.8× más riesgo
🟡 Freelancers y plan Basic concentran el 68% del riesgo alto
🟢 Cada integración habilitada reduce el hazard un 18%
🟢 Clientes Enterprise: supervivencia 24m estimada >70%

Próximos Pasos

1. Desplegar GBS como API de scoring en producción
2. Alerta automática CS cuando cliente entra en riesgo alto
3. A/B test: intervención proactiva en riesgo medio
4. Modelo de riesgos competitivos: churn vs downgrade
5. Reentrenar modelo mensualmente con nuevos datos