Churn Agent.
Detectá riesgo de cancelación antes de que el cliente avise
Un agente autónomo que monitorea señales de uso, tickets, NPS e interacciones para calcular churn risk en tiempo real. Cuando el riesgo sube, dispara el playbook correcto, asigna al CSM y hace seguimiento. Sin esperar a que alguien revise un dashboard.
Para: VP Sales, Customer Success, RevOps
¿Qué hace el Churn Agent?
Monitorea continuamente las señales que predicen cancelación — caída de uso del producto, tickets críticos sin resolver, NPS negativo, delays en pagos — y las convierte en un score de riesgo accionable. Cuando el score cruza un umbral, dispara automáticamente el playbook de retención que corresponde según el nivel de riesgo, asigna al responsable y trackea el resultado hasta el cierre.
No es un dashboard que nadie mira. Es un agente que actúa.
Cómo funciona
El flujo completo: desde la señal hasta la retención.
Monitoreo continuo de señales
El agente ingesta datos de múltiples fuentes en tiempo real: frecuencia de logins (Data Cloud), tickets abiertos y su severidad (Service Cloud), NPS y surveys, uso de features clave del producto, engagement con emails y comunicaciones.
Scoring de churn risk
Cada cuenta recibe un score dinámico que pondera las señales según su peso predictivo. El modelo se calibra con datos históricos de cancelaciones reales. Umbrales configurables: bajo (<30), medio (30-60), alto (60-80), crítico (>80).
Disparo de playbook según riesgo
Cuando el score cruza un umbral, el agente selecciona y dispara el playbook que corresponde. Riesgo medio: email de check-in + tarea para CSM. Riesgo alto: alerta al AM + agenda reunión. Riesgo crítico: escalamiento a VP + oferta de retención.
Asignación a CSM o AE
El agente identifica al responsable correcto según territorio, relación con la cuenta y disponibilidad. Crea la tarea, agenda el check-in y provee contexto completo: qué señales dispararon la alerta, historial de la cuenta, contratos vigentes.
Tracking del resultado
Registra si la intervención fue exitosa (cliente retenido, renovado, upgrade) o no (cancelación confirmada). Retroalimenta el modelo de scoring con cada resultado para mejorar la precisión en el tiempo.
Señal detectada: El agente detecta caída de 40% en logins de un cliente enterprise en las últimas 3 semanas + ticket crítico de integración sin resolver hace 12 días + NPS de 4 en la última encuesta.
Acción del agente: Score sube a 78 (alto). Dispara playbook "at risk": crea tarea urgente para el CSM asignado con contexto completo, agenda check-in para las próximas 48 horas, envía alerta al Account Manager, prepara summary ejecutivo con las 3 señales principales y el historial de valor del contrato.
Resultado: El CSM contacta al cliente antes de que este considere cancelar. Resuelve el ticket de integración con soporte prioritario. El cliente renueva.
Arquitectura técnica
Los 4 pilares del agente y cómo se conectan.
Data
Señales de uso del producto (Data Cloud), tickets y CSAT (Service Cloud), contratos y revenue (Sales Cloud), NPS y surveys (vía integración), historial de pagos (ERP vía MuleSoft).
Actions
Calcular churn score, seleccionar playbook, crear tarea para CSM/AE, agendar check-in, enviar alerta a AM/VP, actualizar Opportunity con riesgo, registrar resultado de intervención.
Guardrails
Umbrales de score configurables por segmento. Máximo de intervenciones por cuenta por período. Escalamiento obligatorio para ofertas de descuento. Aprobación humana para save offers sobre cierto monto. Audit trail de cada acción.
Channel
Interno: notificaciones en Salesforce, Slack, email. El agente opera como proceso de background — no es un chat. Las alertas llegan al canal donde trabaja cada equipo.
Cómo se implementa
5 fases, 12 a 16 semanas. Agente custom con Data Cloud y modelo de scoring calibrado.
Discovery y definición de señales
Identificamos las señales de churn relevantes para tu negocio, mapeamos fuentes de datos disponibles, definimos umbrales iniciales y diseñamos los playbooks de retención por nivel de riesgo.
Data readiness y modelo de scoring
Configuramos Data Cloud para ingestar señales de uso. Limpiamos datos de tickets y contratos. Construimos el modelo de scoring inicial calibrado con datos históricos de churn.
Agent build y playbooks
Construcción del agente en Agent Builder. Configuración de actions, guardrails y playbooks de retención. Integración de las fuentes de datos. Flows de asignación y escalamiento.
Testing y piloto controlado
Testing con datos históricos: ¿el agente habría detectado los churns pasados? Piloto con un segmento de cuentas. Calibración de umbrales y reducción de falsos positivos.
Rollout y optimización continua
Rollout a todas las cuentas. Monitoreo de falsos positivos/negativos. Tuning del modelo con resultados reales. Expansión de señales y playbooks. Dashboards de retención.
Equipo Solu involucrado
PENDIENTE: equipo dedicado Solu
Participantes del cliente
Requisitos técnicos
Lo que necesitás tener (o preparar) antes de arrancar.
Datos
- Señales de uso del producto disponibles (logins, feature usage, engagement) — idealmente en Data Cloud
- Tickets con severidad y estado en Service Cloud
- Contratos con fechas de renovación en Sales Cloud
- NPS o CSAT reciente (al menos últimos 6 meses)
- Historial de churn pasado para calibrar el modelo (mínimo 20-30 casos)
Licencias
- Sales Cloud Enterprise o superior
- Service Cloud (para datos de tickets)
- Data Cloud (requerido para señales de uso)
- Agentforce — licencia per-conversation o Flex Credits o Agentforce 1 Edition
- MuleSoft (opcional, si datos de uso vienen de sistemas externos)
Integraciones
- Producto/plataforma del cliente (para métricas de uso) → Data Cloud
- Herramienta de NPS/surveys (Delighted, SurveyMonkey, etc.)
- ERP o billing system (para datos de pagos, opcional)
- Slack o Teams (para canal de alertas)
Org prerequisites
- Accounts y Contacts actualizados con owner y territorio
- Opportunity o Contract con fecha de renovación
- Proceso de CS definido (aunque sea informal) — playbooks de retención existentes o que podamos diseñar juntos
- Al menos 1 CSM o AE asignado por cuenta target
KPIs y métricas de impacto
KPIs esperados al implementar este agente. Rangos referenciales para planificación; los resultados reales dependen del estado de los datos y la operación de cada empresa.
| Métrica | Antes (baseline) | Después (con agente) |
|---|---|---|
| Churn rate | Baseline actual | -15% a -30% |
| Time-to-detect riesgo | Semanas (revisión manual de dashboards) | Horas (detección automática) |
| Tasa de retención post-playbook | Intervención reactiva sin data | +20% a +40% |
| Cuentas en riesgo identificadas | Solo las que avisan | 100% del portafolio monitoreado |
| Tiempo de respuesta a señales | 3-10 días (si alguien lo nota) | < 24 horas |
Primeras detecciones accionables después del piloto. Modelo se calibra con 2-3 meses de datos reales.
Depende del valor promedio de contrato y el churn rate actual. Cada punto porcentual de churn reducido tiene impacto directo en revenue recurrente.
Dashboard de retención con churn rate, scores por segmento, efectividad de playbooks, falsos positivos y revenue salvado. Se mide desde el día 1 del piloto.
Riesgos comunes y cómo los mitigamos
Falsos positivos
El agente flaggea cuentas como "at risk" cuando no lo están. Genera fatiga de alertas y pérdida de confianza.
Mitigación: Backtesting con datos históricos antes del go-live. Umbrales calibrados por segmento. Período de "shadow mode" donde el agente detecta pero no actúa — el equipo valida antes de activar las acciones. Feedback loop para recalibrar.
Señales de uso incompletas
No hay acceso completo a datos de uso del producto, o los datos llegan con delay.
Mitigación: En discovery mapeamos todas las fuentes disponibles. Si faltan señales de uso, arrancamos con las de Service Cloud + Sales Cloud (tickets, engagement, contratos) y vamos sumando fuentes. Mejor un modelo parcial que funcione que uno completo que nunca se lance.
El equipo de CS no actúa sobre las alertas
El agente detecta riesgo pero los CSMs no ejecutan los playbooks a tiempo.
Mitigación: Playbooks con acciones concretas y tiempos definidos. SLAs de respuesta a alertas. Escalamiento automático si no hay acción en X horas. Dashboards de adopción para el management.
Save offers sin control
El agente dispara descuentos o save offers que erosionan margen sin aprobación.
Mitigación: Guardrails con approval flow obligatorio para cualquier oferta económica. Topes de descuento por segmento. El agente sugiere, el humano aprueba. Tracking de margen post-retención.
Datos sensibles de uso expuestos
Métricas de uso del producto del cliente expuestas en el prompt del agente.
Mitigación: Einstein Trust Layer con masking de PII. Solo métricas agregadas, no datos individuales de usuarios finales. Zero data retention. Audit trail de cada consulta del agente.
Preguntas Frecuentes
Las señales más comunes son: caída de logins o uso del producto, tickets abiertos de alta severidad, NPS negativo o en baja, delays en pagos, reducción de engagement con emails y comunicaciones, y ausencia de actividad en features clave. El peso de cada señal se calibra con datos históricos de tu negocio.
En la fase inicial (shadow mode), es normal tener un 20-30% de falsos positivos. Con el backtesting y la calibración del piloto, se reduce a menos del 10-15%. El modelo mejora continuamente con cada resultado de intervención. Por eso arrancamos con shadow mode antes de activar acciones automáticas.
Técnicamente sí, pero con limitaciones importantes. Sin Data Cloud perdés las señales de uso del producto, que son las más predictivas. El agente operaría solo con datos de Service Cloud (tickets) y Sales Cloud (contratos, engagement). La precisión del scoring baja significativamente. Recomendamos Data Cloud como requisito para este agente.
Las primeras detecciones accionables aparecen en las semanas 4-8 del piloto. El modelo necesita 2-3 meses de datos reales de intervención para calibrarse bien. El ROI se mide en churn evitado: cada cuenta retenida es revenue recurrente preservado. En SaaS con contratos anuales de valor medio-alto, una sola retención puede justificar el proyecto.
Puede sugerir ofertas, pero los guardrails incluyen approval flow obligatorio para cualquier oferta económica. El agente prepara la save offer con contexto (valor del contrato, historial, señales), pero un humano aprueba antes de enviarla. Esto protege el margen y evita que se generen descuentos innecesarios.
El agente no reemplaza tu proceso de Customer Success — lo potencia con datos y automatización. Los playbooks se diseñan a partir de lo que tu equipo ya hace (o debería hacer). Si ya tenés un proceso de health scoring manual, lo automatizamos. Si no tenés uno, lo diseñamos juntos en discovery. Los CSMs siguen siendo los que ejecutan la relación con el cliente.
Un health score tradicional es un número en un dashboard que alguien tiene que mirar. El Churn Agent es un sistema que monitorea, calcula, decide y actúa. Cuando el score cruza un umbral, el agente dispara el playbook, asigna al responsable, agenda la reunión y hace seguimiento. La diferencia es que pasa de dato a acción sin esperar intervención humana para interpretar el score.
Dejá de enterarte del churn cuando ya es tarde.
Hablá con un Architect de Solu. Evaluamos tus señales de churn, diseñamos el modelo de scoring y te mostramos cómo funciona el agente con tus datos.