Caso de uso: Reduza o churn com o engajamento oportuno do conteúdo

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

Digamos que Camila é gerente de CRM na MovieCanon, uma plataforma de streaming para filmes independentes, documentários e séries internacionais.

A equipe de Camila identificou uma tendência preocupante: os usuários se inscrevem, assistem a um ou dois filmes e depois desaparecem. Historicamente, eles tentaram enviar um e-mail genérico dizendo “Sentimos sua falta” uma semana depois, mas com uma taxa de conversão de apenas 3%, isso foi muito pouco e muito tarde. A maioria dos usuários não volta ao engajamento, e o churn se torna inevitável.

Camila quer mudar isso. Em vez de reagir à rotatividade depois que ela ocorre, ela usa o Predictive Churn para identificar usuários que provavelmente ficarão inativos nos próximos 14 dias, dando à sua equipe a oportunidade de promover o engajamento das pessoas enquanto elas ainda estão ativas.

Este tutorial mostra como Camila:

• Cria um modelo de previsão de churn com base no comportamento do usuário.
• Segmenta os usuários por nível de risco
• Cria uma campanha de engajamento personalizada para aqueles que estão em maior risco
• Avalia o impacto usando a análise de dados de campanha

Etapa 1: Crie um modelo de previsão de churn

Camila começa modelando o resultado que deseja evitar: usuários se tornando inativos. Para MovieCanon, churn significa não iniciar uma transmissão dentro de 14 dias — então esse é o comportamento que ela deseja prever.

1. No dashboard do Braze, Camila acessa Análise de Dados > Previsão de churn.
2. Ela cria uma nova previsão de churn e nomeia-a “Risco de churn em duas semanas”.
3. Para definir a churn, ela selecionado not e o evento personalizadostream_started , que indica engajamento ativo.
4. Ela define uma janela de previsão para 14 dias, o que significa que o modelo identificará usuários que provavelmente ficarão 14 dias sem iniciar uma nova transmissão.

5. Ela seleciona um público de previsão que inclui todos os usuários que dispararam eventos relevantes nos últimos 30 dias, fornecendo ao modelo comportamento recente suficiente para aprender. 6. Ela define a programação de atualização das previsões para semanalmente, para que as pontuações permaneçam atualizadas. 7. Ela seleciona Criar previsão.

O modelo então inicia o treinamento, analisando comportamentos como sessões recentes, frequência de visualização e interações com o conteúdo para revelar padrões que fazem a previsão do abandono. Uma hora depois, Camila recebe um e-mail informando que sua previsão concluiu o treinamento, então ela a abre no Braze e verifica a pontuação de qualidade da previsão. Está classificado como “Bom”, o que significa que as previsões do modelo são provavelmente precisas e confiáveis. Confiante na performance do modelo, ela segue em frente.

Etapa 2: Segmente os usuários por risco de churn

Após o modelo concluir o treinamento, a Braze atribui a cada usuário elegível uma pontuação de risco de cancelamento entre 0 e 100.

Para determinar um limite inicial para o direcionamento, Camila usa o controle deslizante de público-alvo da previsão para obter uma prévia de 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 realizar o direcionamento para pontuações de risco superiores a 70.

1. Camila navega até Segments no Braze.
2. Ela cria um segmento usando o filtro Pontuação de risco de churn e seleciona a previsão de churn que criou:
   • Provável churn: Pontuação superior a 70

Etapa 3: Direcione usuários em risco com conteúdo recorrente para engajamento

Com sua previsão e segmento prontos, Camila configura uma campanha recorrente que alcança automaticamente os usuários que se tornam vulneráveis a cada semana.

1. Camila cria uma campanha recorrente e ativa o Intelligent Timing, para que cada mensagem seja entregue quando cada usuário individual estiver mais propenso a realizar engajamento, em vez de depender de um dia e horário fixos.
2. Ela realiza o direcionamento para o grupo “Prováveis desistentes” que acabou de criar.
3. Ela define o evento de conversão da campanha como evento personalizadostream_started, para realizar o rastreamento de quantos usuários realmente retornam para visualizar o conteúdo.
4. Camila escolhe o e-mail como seu canal principal, pois 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 alimentada por recomendações de itens com IA, selecionadas dinamicamente a partir do catálogo da MovieCanon.
   • Uma chamada à ação que os leva diretamente para o app.

Isso garante que, a cada semana, o MovieCanon alcance apenas os usuários que precisam de um empurrãozinho — sem excesso de envio de mensagens, sem suposições.

Exemplo de e-mail

• Assunto: Não deixe esses títulos pendentes
• Cabeçalho: O seu próximo relógio fantástico está à sua espera
• Corpo: Não aperta o play há algum tempo? Não se preocupe, selecionamos algumas opções especialmente para você. De thrillers de suspense a documentários premiados, há algo aqui com o seu nome escrito.
• CTA: Ver mais sugestões

Etapa 4: Meça o desempenho

Após algumas semanas, Camila verifica a análise de dados da campanha para avaliar a performance da estratégia.

Ela vê:

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

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

Para entender o impacto a longo prazo, Camila também realiza o rastreamento do volume de usuários que entram no segmento “Provável churn” semana após 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 para sua previsão de rotatividade, a fim de comparar os clientes que abandonaram o serviço previstos com os reais — uma verificação útil para garantir que o modelo esteja funcionando conforme o esperado.

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

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