Post-Service Churn Risk.
Detecta churn desde la interacción de servicio. Horas de ventana, no semanas.
El agente custom de Agentforce que analiza cada case cerrado buscando señales de churn: sentiment negativo, complejidad alta, hand-offs excesivos, menciones de competencia. Genera un score de riesgo y dispara playbooks de retención para Customer Success. Para equipos de CS, Retention y Marketing.
¿Qué hace Post-Service Churn Risk?
Post-Service Churn Risk cruza datos de cada case cerrado (sentiment, complejidad, hand-offs, menciones de competencia) con el perfil de cuenta (MRR, LTV, historial de tickets) para generar un score de riesgo 0-100. Cuando el score supera el umbral, dispara save-plays específicos y notifica al CSM asignado. A 30/60/90 días valida si el cliente se retuvo.
Cómo funciona paso a paso
Del case cerrado al save-play ejecutado. 6 pasos, real-time post-case.
Trigger post-case
Cada vez que un case se cierra, el agente se activa y comienza el análisis de la interacción completa.
Hidratación completa
Recupera transcripción, sentiment, historial de cases, Account health, MRR/LTV, contrato vigente y NPS previo.
Scoring 0-100
Genera un churn risk score combinando señales lingüísticas (sentiment, keywords) con señales comportamentales (hand-offs, repeat contacts, escalations).
Clasificación Yellow/Red
Yellow (50-74): monitoreo + alerta CSM. Red (75-100): acción inmediata con save-play específico.
Ejecución save-play
Dispara el playbook correspondiente: callback CSM, descuento temporal, QBR urgente, upgrade trial. Notifica vía Slack al CSM asignado.
Validación outcome
A 30/60/90 días valida si el cliente renovó, churneó o downgradeó. El resultado alimenta el modelo de scoring.
Ejemplo de interacción real
Arquitectura del agente
Los cuatro pilares que hacen funcionar a Post-Service Churn Risk dentro de tu org de Salesforce.
Data
Fuentes de grounding
- Case + transcripts + sentiment
- Account + Contract
- MRR / LTV
- NPS / CSAT histórico
- Historial de escalations y hand-offs
Actions
Lo que el agente ejecuta
- Create Churn_Risk__c
- Notify CSM vía Slack
- Trigger save-play
- Update Health profile
- Log outcome 30/60/90d
Guardrails
Controles de confianza
- PII masking en transcripciones
- No ofertas no sancionadas
- Filtro ex-clientes
- Audit trail completo
- Approval gate save-plays alto valor
Channels
Dónde opera el agente
- Slack (alertas CSM)
- Service Console (sidebar)
- Marketing Cloud (nurture)
- Gainsight (health sync)
Requiere Data Cloud: Sí
Requiere Einstein Trust Layer: Sí (incluido en Agentforce)
Implementación en 5 fases
De discovery a producción. Post-Service Churn Risk detectando riesgo en 12 semanas.
Discovery y baseline
Workshop CS + Retention. Análisis de churn histórico. Definición de señales clave y umbrales Yellow/Red. Catálogo de save-plays.
Data readiness
Churn history 18-24 meses cargado. Sentiment analysis configurado. Diccionario de keywords de churn. Identity resolution Account-Contact.
Agent build
Topics de scoring, prompts calibrados por industria, save-play workflows, Slack integration, dashboards de riesgo.
Piloto
Scoring en shadow mode 2 semanas. CSMs validan scores y save-plays. Ajuste de umbrales con datos reales.
Rollout
Todos los segmentos. Governance semanal con CS. Feedback loop 30/60/90 días activo. Refinamiento trimestral del modelo.
Equipo típico de implementación
Requisitos para arrancar
Lo que necesitás tener listo antes de poner Post-Service Churn Risk en producción.
Datos mínimos
- Churn history 18-24 meses
- Sentiment analysis en transcripciones
- Diccionario keywords de churn
- Identity resolution Account-Contact
Licencias
- Service Cloud Enterprise o superior
- Agentforce for Service (Flex Credits)
- Data Cloud (obligatorio)
- Gainsight opcional
Integraciones
- Gainsight / Totango (health sync)
- Slack (alertas CSM)
- Marketing Cloud (nurture campaigns)
- Flow execution (save-play automation)
Org readiness
- Save-play catalog (4-8 playbooks)
- CSM SLA de respuesta definido
- Cross-functional sponsor (CS + Service)
- Retention process documentado
KPIs: antes y después
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 | Después | Cambio |
|---|---|---|---|
| Churn rate | Baseline | -10-25% | Reducción |
| Time-to-detect | Semanas | Horas | Semanas → Horas |
| Save rate | 5-10% | 22-35% | +12-25 ppt |
| Retención post-playbook | N/A | 40-65% | Mejora |
| NPS post-save | Baseline | +18-25 puntos | Mejora |
| Time-to-value | N/A | 4-6 semanas post go-live | Progresivo |
Riesgos comunes y cómo los mitigamos
False positives saturan CSMs
Demasiadas alertas Red sin churn real. CSMs ignoran el sistema.
Mitigación: Shadow mode 2 semanas pre-go-live. Calibración de umbrales con datos reales. Métricas de precision/recall visibles en governance.
Over-reaction con descuentos
Save-plays con descuento excesivo erosionan margen sin necesidad.
Mitigación: Approval gate para descuentos sobre cierto umbral. Save-play catalog con topes por segmento. Monitoreo mensual de costo de retención.
Hallucination en citas de evidencia
El agente cita frases del cliente que no existen en la transcripción.
Mitigación: Trust Layer con grounding check obligatorio. Citas con link a transcripción original. CSM valida antes de contactar.
Adopción fragmentada Service vs CS
Service cierra cases pero CS no ejecuta save-plays. Silos entre equipos.
Mitigación: Sponsor cross-functional desde discovery. Governance conjunta Service + CS. Dashboard compartido con SLAs de respuesta.
Scoring ex-clientes y privacidad
El agente scorea clientes que ya cancelaron — riesgo regulatorio.
Mitigación: Filtro automático de ex-clientes en el trigger. Purge de datos post-churn según política de retención. Audit trail para compliance.
Preguntas Frecuentes
Un churn model tradicional corre batch semanal o mensual sobre datos de uso y facturación. Post-Service Churn Risk se dispara en tiempo real al cerrar un case, incorporando señales lingüísticas y de sentiment que los modelos clásicos no capturan. La ventana de acción pasa de semanas a horas.
No. Gainsight sigue siendo la plataforma de CS. Post-Service Churn Risk alimenta el health score de Gainsight con una señal adicional: riesgo post-interacción de servicio. Se complementan, no compiten.
Sí, pero con ajustes. En telco masivo el volumen de cases es alto y no todos justifican scoring individual. Se aplican filtros pre-scoring (MRR mínimo, plan premium, tenure) para focalizar en clientes de alto valor. Para la base masiva se usan reglas más simples.
Los más comunes: callback proactivo del CSM, descuento temporal (1-3 meses), upgrade trial de plan, QBR urgente, acceso a soporte premium temporal y re-onboarding de features no usadas. El catálogo se define en discovery.
Todas las transcripciones pasan por PII masking antes de llegar al LLM. DNI, tarjetas, CUIT y datos sensibles se reemplazan por tokens. El Trust Layer de Agentforce garantiza que los datos no se usan para entrenamiento.
12 semanas de discovery a producción. Las primeras alertas se generan en shadow mode en semana 9. El valor tangible (save-plays ejecutados con resultado) se ve a partir de semana 14-16 con el primer ciclo de 30 días post-piloto.
Detectá el riesgo antes de que se vuelva cancelación.
Hablá con un CS Architect de Solu. En discovery mapeamos tus señales de churn post-servicio y diseñamos el catálogo de save-plays.