Caso de uso: Reduza o churn com o reengajamento oportuno de conteúdo

Este exemplo mostra como uma marca fictícia usa o Predictive Churn para reduzir proativamente o abandono de usuários. Em vez de esperar que o churn aconteça, preveja quais usuários estão em risco e envie mensagens personalizadas enquanto eles ainda estão ativos.

Digamos que Camila seja gerente de CRM da MovieCanon, uma plataforma de streaming de filmes independentes, documentários e séries internacionais.

A equipe de Camila detectou uma tendência preocupante: os usuários inscrevem-se, transmitem um ou dois filmes e depois desaparecem. Historicamente, eles tentaram enviar um e-mail genérico “Sentimos sua falta” uma semana depois, mas com uma taxa de conversão de apenas 3%, é muito pouco e muito tarde. A maioria dos usuários não se engaja novamente, e o churn se torna inevitável.

Camila quer mudar isso. Em vez de reagir ao churn depois que ele acontece, ela usa o Predictive Churn para identificar os usuários que provavelmente ficarão inativos nos próximos 14 dias - dando à sua equipe a oportunidade de reengajar as pessoas enquanto elas ainda estão ativas.

Este tutorial explica como a Camila:

• Cria um modelo de previsão de churn com base no comportamento do usuário
• Segmenta os usuários por nível de risco
• Desenvolve uma campanha de reengajamento adaptada às pessoas em maior risco
• Avalia o impacto usando a análise de dados da campanha

Etapa 1: Criar um modelo de previsão de churn

Camila começa modelando o resultado que deseja evitar: usuários que se tornam inativos. Para a MovieCanon, churn significa não iniciar um fluxo dentro de 14 dias - portanto, esse é o comportamento que ela deseja prever.

1. No dashboard do Braze, Camila acessa as análises de dados > Predictive Churn.
2. Ela cria uma nova previsão de churn e a nomeia “Churn risk in 2 weeks” (Risco de churn em 2 semanas).
3. Para definir o churn, ela seleciona do not e o evento personalizado stream_started, que indica engajamento ativo.
4. Ela define a janela de previsão para 14 dias, o que significa que o modelo identificará os usuários que provavelmente passarão 14 dias sem iniciar um novo fluxo.

5. Ela seleciona um público de previsão que inclui todos os usuários que dispararam eventos relevantes nos últimos 30 dias - dando ao modelo um comportamento recente suficiente para aprender. 6. Ela define o cronograma de atualização da previsão como semanal para que as pontuações permaneçam atualizadas. 7. Ela seleciona Create prediction (Criar previsão).

Em seguida, o modelo começa a ser treinado, analisando comportamentos como sessões recentes, frequência de visualização e interações de conteúdo para revelar padrões que preveem o abandono. Uma hora depois, Camila recebe um e-mail informando que sua previsão terminou o treinamento, então ela o abre no Braze e verifica a pontuação de qualidade da previsão. Ele é rotulado como “Bom”, o que significa que as previsões do modelo provavelmente serão precisas e confiáveis. Confiante na performance do modelo, ela segue em frente.

Etapa 2: Segmentar usuários por risco de churn

Depois que o modelo termina o treinamento, o Braze atribui a cada usuário elegível uma pontuação de risco de churn entre 0 e 100.

Para determinar um limite inicial para o direcionamento, Camila usa o controle deslizante de público da previsão para prever quantos usuários se enquadram em cada faixa de pontuação e qual é a precisão da previsão nesse nível. Ela equilibra a cobertura e a precisão com base nos verdadeiros positivos esperados. Com base nisso, ela decide direcionar os escores de risco para valores superiores a 70.

1. Camila navega até Segmentos no Braze.
2. Ela cria um segmento usando o filtro Churn Risk Score e seleciona a previsão de churn que criou:
   • Probabilidade de churn: Pontuação superior a 70

Etapa 3: Direcionamento para usuários em risco com conteúdo recorrente de reengajamento

Com a previsão e o segmento prontos, Camila configura uma campanha recorrente que atinge automaticamente os usuários em risco a cada semana.

1. Camila cria uma campanha recorrente e ativa o Intelligent Timing, de modo que cada mensagem é entregue quando cada usuário individual tem maior probabilidade de engajamento, em vez de depender de um dia e horário fixos.
2. Ela direciona o segmento “Likely to churn” que acabou de criar.
3. Ela define o evento de conversão da campanha como o evento personalizado stream_started, para rastrear quantos usuários realmente retornam para visualizar o conteúdo.
4. Camila escolhe o envio de e-mail como seu canal principal - ele lhe dá espaço para destacar várias opções de conteúdo personalizado em um formato visualmente rico, sem muita pressão. O e-mail inclui:
   • Uma lista de observação personalizada com base em recomendações de itens de IA, selecionada dinamicamente no catálogo do MovieCanon
   • Uma chamada para ação que os leve diretamente para o app.

Isso garante que, a cada semana, o MovieCanon alcance apenas os usuários que precisam de um empurrãozinho - sem envio excessivo de mensagens, sem adivinhações.

Exemplo de e-mail

• Linha de assunto: Não deixe esses títulos pendentes
• Cabeçalho: Seu próximo grande relógio está esperando
• Corpo: Não está tocando no play há algum tempo? Não se preocupe, nós preparamos algumas opções só para você. De thrillers de ritmo lento a documentários premiados, há algo aqui com o seu nome.
• CTA: Ver mais opções

Etapa 4: Meça o desempenho

Depois de algumas semanas, Camila verifica a análise de dados da campanha para avaliar o desempenho da estratégia.

Ela está vendo:

• Taxa de abertura: 31%
• Taxa de cliques: 15%
• Taxa de conversão (fluxo iniciado em 48 horas): 11%

Em comparação com a antiga campanha “Sentimos sua falta” (em que as taxas de conversão giravam em torno de 3%), esse novo fluxo reduz o churn no grupo de direcionamento em 28%. Ela se aprofunda no relatório do funil para identificar onde os usuários caem. Embora as taxas de abertura e de cliques sejam altas, ela percebe um leve atrito entre o clique e a conversão, o que a leva a considerar a possibilidade de testar o texto da CTA ou fazer experiências com o layout.

Para entender o impacto a longo prazo, Camila também rastreia o volume de usuários que entram no segmento “Likely to churn” semana a semana. Isso a ajuda a avaliar a integridade geral do ciclo de vida e a informar a estratégia de retenção em um nível mais amplo. Por fim, ela revisita a página de análises de previsão de sua previsão de churn para comparar os churners previstos com os reais - uma verificação útil para garantir que o modelo esteja tendo a performance esperada.

Com base nesses insights, Camila planeja fazer testes A/B nas linhas de assunto, testar diferentes janelas de tempo e experimentar formatos de conteúdo como recomendações em estilo carrossel em uma mensagem no app.

Com o Predictive Churn, o Intelligent Timing e a personalização com IA, a equipe de Camila não está apenas reagindo ao churn - ela está se antecipando a ele. E sua campanha é executada discretamente em segundo plano, atingindo as pessoas certas, no momento certo, com conteúdo que realmente lhes interessa.