Retención de clientes con IA: detectar quién se va a ir

Un cliente casi nunca se va de golpe. Antes de irse manda avisos durante semanas: compra menos a menudo, tarda más entre pedido y pedido, deja de abrir tus correos, empieza a pagar tarde. Esos avisos ya están en tus datos. Lo que falta no es una herramienta cara: es una columna que los sume y alguien —o algo— que mire esa columna todas las semanas.

• ¿Qué señales de fuga tiene ya tu pyme sin comprar nada?
• El scoring de riesgo de fuga que cabe en una hoja de cálculo
• Cómo saber si tus umbrales sirven de algo
• Qué se automatiza después, y con qué
• Dónde entra la IA de verdad y dónde no compensa
• Las tres cifras de retención que verás en todas partes (y lo que dicen de verdad)
• El dato español que contradice al guion habitual
• Cuánta IA hay de verdad en las empresas españolas
• Errores frecuentes al montar esto
• Preguntas frecuentes

¿Qué señales de fuga tiene ya tu pyme sin comprar nada?

La detección de fuga tiene mala fama porque se vende como un problema de machine learning. No lo es, al menos no al principio. Es un problema de mirar cinco cosas que ya están registradas en tu facturación, en tu gestor de correo y en tu bandeja de entrada.

Señal	Dónde está el dato	Qué la hace fiable	Qué la hace engañosa
Caída de frecuencia de compra	Histórico de pedidos o facturas	Es la señal más temprana y la más difícil de fingir: el cliente vota con pedidos	Compararla con la media del negocio en vez de con la del propio cliente
Alargamiento del intervalo entre pedidos	Fechas de los pedidos	Detecta el enfriamiento antes de que la frecuencia anual se mueva	Estacionalidad: hay negocios donde agosto no significa nada
Correos sin abrir	Tu plataforma de email	Barato de medir y correlaciona con desinterés	La protección de privacidad de Apple Mail infla las aperturas; los clics son más honestos
Pagos cada vez más tardíos	Contabilidad o programa de facturación	Distingue dos cosas distintas: el cliente que se enfría y el que tiene un problema de caja	Un retraso aislado no dice nada; lo que importa es la tendencia
Tickets o preguntas sin respuesta	Correo, WhatsApp, soporte	Es la única señal que apunta a una causa que tú controlas	Si no está registrada en ningún sitio, no existe para el sistema

Ninguna de las cinco cuesta dinero. Todas cuestan orden. Si tu histórico de pedidos vive en tres sitios distintos y la mitad de las conversaciones con clientes están en el WhatsApp personal del comercial, el problema previo no es la detección de fuga: es que no tienes un sitio donde mirar. Ahí es donde un CRM deja de ser un capricho, y lo tratamos aparte en la guía sobre qué es un CRM y por qué tu empresa lo necesita.

El scoring de riesgo de fuga que cabe en una hoja de cálculo

Esto es lo concreto. Una fila por cliente, diez columnas, tres niveles de riesgo. Funciona en Excel, en Google Sheets o en una vista de tu CRM, y se puede montar en una tarde.

Las columnas que necesitas

Columna	Qué contiene	Cómo se rellena
cliente	Identificador	Exportado del programa de facturación
ultima_compra	Fecha del último pedido	Máximo de las fechas de sus pedidos
pedidos_12m	Pedidos en los últimos 12 meses	Recuento
pedidos_12m_prev	Pedidos en los 12 meses anteriores a esos	Recuento
intervalo_medio	Días medios entre pedidos de ese cliente	(fecha último − fecha primero) ÷ (nº pedidos − 1)
dias_sin_comprar	Días desde la última compra	=HOY()-B2
retraso_relativo	Cuántos «intervalos suyos» lleva sin comprar	=F2/E2
ultima_apertura	Fecha del último correo abierto o clicado	Exportado de tu plataforma de email
retraso_pago	Días medios de retraso de las 3 últimas facturas menos el de las 3 anteriores	Contabilidad
incidencia_abierta	¿Tiene algo sin responder?	Sí / No, a mano si hace falta

La columna que hace todo el trabajo es retraso_relativo. Un cliente que compra cada 20 días y lleva 45 sin aparecer está en 2,25: es una urgencia. Otro que compra cada 180 días y lleva 45 está en 0,25: no pasa nada. Con una regla de «avisar a los 45 días» habrías tratado igual dos situaciones opuestas. Ese es el error del que salen los sistemas de retención que nadie mira a los tres meses.

Las reglas de puntuación

Cinco señales, de 0 a 2 puntos cada una. Máximo 10.

Señal	0 puntos	1 punto	2 puntos
Retraso relativo	Menos de 1,0	Entre 1,0 y 1,5	Más de 1,5
Caída de frecuencia (12m vs 12m previos)	Sube o cae menos del 20 %	Cae entre el 20 % y el 50 %	Cae más del 50 %
Interacción por correo	Abrió o hizo clic en los últimos 30 días	Nada entre 30 y 90 días	Nada en más de 90 días
Comportamiento de pago	Igual o mejor que antes	Entre 5 y 15 días más tarde	Más de 15 días o impago
Soporte	Nada pendiente	Incidencia cerrada con retraso	Algo abierto sin responder

En la hoja, cada regla es un SI anidado. La primera, por ejemplo: =SI(G2<1;0;SI(G2<=1,5;1;2)). La puntuación total es la suma de las cinco columnas de puntos.

Los tres niveles y qué hace cada uno

• Verde (0-2). No se hace nada. Meter ruido aquí es la forma más rápida de quemar la lista.
• Ámbar (3-5). Aquí es donde se gana o se pierde. Entra en una secuencia automática de recuperación: un correo con motivo real —un pedido que suele repetir y no ha repetido, una novedad de su categoría—, sin descuento y sin dramatismo. Aparece además en el informe semanal del comercial.
• Rojo (6-10). Persona, no automatización. Llamada del comercial en 48 horas. Un cliente en rojo que recibe un correo automático se da cuenta, y eso empeora las cosas.

Dos reglas de higiene. Excluye a los clientes con menos de tres pedidos: sin tres pedidos no hay intervalo medio que valga, y puntuarlos genera falsos positivos que destrozan la confianza en el sistema. Y recalcula una vez por semana, siempre el mismo día. Diario es innecesario y satura al comercial; mensual llega tarde.

Cómo saber si tus umbrales sirven de algo

Los números de arriba son un punto de partida razonable, no la verdad sobre tu negocio. Hay una forma barata de comprobarlo, y es el paso que casi nadie da.

1. Coge los clientes que perdiste en los últimos 12 meses. Los que dejaron de comprar y no volvieron.
2. Reconstruye su puntuación 60 días antes de su último pedido. Con los datos que tenías entonces, no con los de hoy.
3. Mira cuántos estaban en ámbar o rojo. Si la mayoría estaban en verde, tus umbrales son demasiado laxos o te falta una señal.
4. Mira el reverso. Coge los clientes que hoy siguen comprando con normalidad y comprueba cuántos habrían estado en rojo. Si son muchos, el sistema es un generador de trabajo inútil.

Ajusta los umbrales hasta que el equilibrio te sirva y vuelve a pasar la prueba. No hay un porcentaje objetivo que podamos darte aquí: depende del sector, del ciclo de compra y de cuántos avisos falsos aguanta tu comercial antes de dejar de abrir el informe. Cualquiera que te dé un número universal para esto se lo está inventando.

Qué se automatiza después, y con qué

El scoring en una hoja funciona, pero tiene un problema: alguien tiene que actualizarla. En cuanto esa persona se va de vacaciones, el sistema muere. Automatizarlo es lo que lo convierte en algo que sobrevive. En Sobeklab montamos este tipo de cadenas con n8n, y el esqueleto es siempre el mismo.

1. Recálculo programado

Un disparador semanal lee los pedidos de donde estén —base de datos, programa de facturación, tienda online, incluso una hoja en Drive—, calcula las cinco señales y escribe la puntuación y el nivel en el CRM. Un campo, no un informe suelto: si el dato no está donde el comercial trabaja, no lo va a mirar.

2. Aviso al comercial cuando algo empeora

Lo que dispara el aviso no es estar en rojo: es pasar a rojo. Un cliente que lleva ocho semanas en rojo no genera ocho avisos. Y el aviso lleva el motivo, no solo el número: «lleva 2,3 intervalos sin comprar y tiene una consulta sin responder del 14 de julio» es accionable; «riesgo 7» no lo es. Va a la tarea del CRM y, si el equipo vive ahí, a Telegram o Slack.

3. Secuencia de recuperación para los ámbar

Dos o tres correos espaciados, con freno de emergencia: si el cliente responde o compra, la secuencia se corta en el acto. Y un límite de una secuencia por cliente cada seis meses, para no convertir la recuperación en acoso. Si buscas otros procesos que se automatizan igual de bien, tenemos recopiladas 5 automatizaciones con n8n que toda pyme debería tener.

4. Informe semanal

Un correo los lunes con tres bloques: los diez de mayor riesgo con su motivo, quién ha empeorado esta semana y quién ha salido de rojo. Ese último bloque parece decorativo y no lo es: es lo que mantiene al equipo usando el sistema.

5. Registro del desenlace

La pieza que se olvida siempre. Cada cliente que entró en ámbar o rojo acaba en uno de tres estados: recuperado, perdido o falso positivo. Si no lo anotas, dentro de un año seguirás con los mismos umbrales del primer día y no tendrás forma de saber si esto funciona. Es también el único conjunto de datos con el que algún día podrías entrenar un modelo de verdad.

Dónde entra la IA de verdad y dónde no compensa

El título de este artículo dice «con IA» y la mitad de lo que llevas leído no la usa. No es un descuido. La detección de fuga es un caso donde la IA aporta mucho en tres sitios muy concretos y estorba en el resto.

Dónde aporta:

• Explicar el riesgo en una frase. Un modelo de lenguaje lee el histórico del cliente y devuelve «compraba cada tres semanas hasta marzo, desde entonces solo ha hecho un pedido y preguntó por plazos de entrega en mayo sin recibir respuesta». Eso convierte un número en algo que el comercial puede usar en una llamada.
• Detectar la queja latente. Clasificar el tono de los correos y mensajes entrantes para marcar los que suenan a paciencia agotada aunque no digan nada explícito. Es una señal que ninguna fórmula de hoja de cálculo captura.
• Redactar el borrador del correo de recuperación con el contexto real de ese cliente, para que una persona lo revise antes de enviarlo. Revisar, siempre: un correo automático que se equivoca de producto acelera la fuga que pretendía evitar.

Dónde no compensa: el modelo predictivo de churn. Un modelo que aprenda solo qué combinación de señales predice una baja necesita miles de clientes y varios años de bajas etiquetadas para tener algo que aprender. Con doscientos clientes, la hoja de cálculo con umbrales revisados a mano acierta más y la entiendes tú. Decir lo contrario vende software, no resuelve el problema.

Sobre el resto de tareas de cliente donde la IA sí encaja desde el primer día —cualificar entradas, priorizar oportunidades, no perder seguimientos— y sobre qué exige el RGPD al meter datos de clientes en estas herramientas, está la guía de IA para la gestión de clientes. Y si tu problema todavía está en la parte de arriba del embudo, en cómo atraer clientes con IA en tu pyme lo abordamos desde el otro extremo.

Las tres cifras de retención que verás en todas partes (y lo que dicen de verdad)

Si buscas «retención de clientes» en español te vas a encontrar las mismas tres cifras repetidas en cientos de artículos, casi siempre sin fuente o con una fuente que no dice eso. Merece la pena desmontarlas una por una, porque son las que probablemente vas a usar para justificar el presupuesto ante alguien.

«Captar un cliente cuesta cinco veces más que retenerlo»

El rango publicado no es cinco: es de 5 a 25 veces. La frase está en «The Value of Keeping the Right Customers», de Amy Gallo, publicado en Harvard Business Review el 29 de octubre de 2014, recogiendo el trabajo de Frederick Reichheld en Bain & Company: «acquiring a new customer is anywhere from five to 25 times more expensive than retaining an existing one».

Un rango de 5 a 25 es un orden de magnitud de diferencia. Quedarse con el extremo bajo y presentarlo como cifra cerrada no es citar, es escoger. Y el propio artículo aclara que depende del sector: no cuesta lo mismo captar en un comercio electrónico que en una asesoría fiscal.

«Subir la retención un 5 % dispara el beneficio»

El origen es «Zero Defections: Quality Comes to Services», de Frederick Reichheld y W. Earl Sasser Jr., Harvard Business Review, septiembre-octubre de 1990 (vol. 68, nº 5, pp. 105-111). Tiene tres problemas de cita, y los tres importan.

Uno: no habla de retener más, habla de perder menos. El artículo mide la reducción de la tasa de deserción (defection rate), que es el porcentaje de clientes que se marchan. Bajar la deserción del 20 % al 15 % no es lo mismo que «retener un 5 % más de clientes», y la versión que circula en español confunde sistemáticamente las dos cosas.

Dos: las cifras salían de negocios concretos. Lo que se cita del cuerpo del artículo son tres casos de servicios: la red de oficinas de un banco, una correduría de seguros y una cadena de talleres, con incrementos de beneficio distintos en cada uno. No es una constante del universo aplicable a tu taller de carpintería en 2026.

Tres: ni siquiera las fuentes con autoridad lo citan igual. El texto completo de 1990 está de pago en HBR. Lo que Bain & Company publica en abierto —la firma del propio Reichheld, sobre su propio artículo— es esta formulación: «Companies can boost profits by almost 100% by retaining just 5% more of their customers». Y el HBR de 2014 lo resume como «increasing customer retention rates by 5% increases profits by 25% to 95%». Tres redacciones distintas del mismo hallazgo, en las tres fuentes con más derecho a citarlo. Si tú no puedes abrir el original, lo honesto es decir eso y no repetir el rango con dos decimales.

«Vender a un cliente existente tiene un 60-70 % de probabilidad; a uno nuevo, un 5-20 %»

Esta procede de Marketing Metrics, de Paul Farris, Neil Bendle, Phillip Pfeifer y David Reibstein (Pearson, 2ª edición, 2010). Y aquí el matiz es distinto: la fuente es real y comprobable, pero es un benchmark de manual, no un estudio de campo. Aparece como cifra de referencia dentro de un libro de texto, sin muestra, sin sector y sin metodología publicada detrás.

Sirve para lo que sirven los benchmarks: ordenar prioridades y ganar una discusión sobre dónde poner el esfuerzo. No sirve para construir una previsión de ventas ni para prometerle a nadie una tasa de conversión.

Y una advertencia sobre el resto. Circula en español una familia entera de cifras muy específicas sobre retención con IA —clientes recuperados, ahorro de coste, días de detección— atribuidas a fuentes que, cuando se abren, no las contienen. No las vas a leer aquí, y si las ves en otro sitio, pide el enlace al documento original antes de creértelas.

El dato español que contradice al guion habitual

Todo lo anterior es literatura anglosajona de servicios y de hace décadas. El dato español con muestra publicada más útil que hemos encontrado dice algo bastante incómodo para el discurso estándar de la fidelización.

En el estudio de clientes recurrentes en el comercio electrónico español que Palbin publicó el 26 de agosto de 2022, sobre más de 1,6 millones de consumidores y más de 1.000 tiendas con datos hasta agosto de 2022:

Dato	Cifra	Qué implica
Compradores recurrentes	12,64 %	Casi nueve de cada diez compradores no vuelven nunca
Ticket medio del recurrente	69,91 €	Es menor que el del comprador de una sola compra
Ticket medio de quien compra una vez	79,29 €	La primera compra es la más grande, no la más pequeña
Pedidos medios del recurrente	3,77	Ahí está el valor: en repetir, no en gastar más
Facturación que genera ese 12,64 %	32,02 %	Un octavo de los clientes, casi un tercio del dinero
Valor de vida frente al no recurrente	3,32 veces	El multiplicador viene del número de pedidos

La lectura es directa: en España la retención se gana en frecuencia, no en ticket. El cliente que repite gasta menos cada vez y compensa comprando más veces. Eso desmonta media estrategia de fidelización basada en subir el importe medio del pedido recurrente, y tiene una consecuencia práctica para el scoring de más arriba: la señal que más peso debe llevar es el intervalo entre pedidos, no el importe. Un cliente que baja el ticket un 20 % pero sigue comprando cada tres semanas está sano. Uno que mantiene el ticket y pasa de tres semanas a siete se está yendo.

El estudio añade otro detalle en la misma dirección: la mayor parte de la facturación recurrente se concentra en repeticiones a menos de tres meses (un 23,68 % del total). La ventana para intervenir es corta.

Los límites del dato, dichos claramente: es comercio electrónico sobre una plataforma concreta, no todas las pymes españolas, y tiene ya cuatro años. Si vendes servicios B2B por proyecto, no te representa. Pero es un dato con muestra, fecha y metodología declarada, que es más de lo que sostiene la mayoría de lo que se escribe sobre este tema en español.

Cuánta IA hay de verdad en las empresas españolas

Conviene calibrar la urgencia. Según la Encuesta sobre el uso de TIC y del comercio electrónico en las empresas del INE, en su nota de prensa del 22 de octubre de 2025 con datos del primer trimestre de 2025:

• El 21,1 % de las empresas de 10 o más empleados usa inteligencia artificial, 8,7 puntos más que el año anterior.
• El 13,4 % de las de menos de 10 empleados, 5,9 puntos más que el año anterior.

Traducido: casi ocho de cada diez empresas medianas y grandes, y casi nueve de cada diez microempresas, todavía no usan IA para nada. La adopción crece rápido, pero la base es baja. Si tu competencia directa está en ese 87 %, tu ventaja competitiva no está en tener el modelo más sofisticado: está en ser el único de tu sector que sabe qué clientes se le están enfriando. Eso lo consigues con la hoja de cálculo de este artículo.

El INE publica esta encuesta cada otoño. Comprueba la edición vigente antes de usar estos porcentajes en una presentación: se quedan viejos en doce meses.

Errores frecuentes al montar esto

• Comparar con la media del negocio en vez de con la del propio cliente. Es el error de diseño más caro y el más común. Genera alarmas en clientes sanos de ciclo largo y deja pasar fugas en clientes de ciclo corto.
• Puntuar a clientes con uno o dos pedidos. No hay patrón que romper. Déjalos fuera del scoring y trátalos con otra lógica: la de una primera venta que aún no ha repetido.
• Mandarle un correo automático al que está en rojo. El rojo es una llamada. Si un cliente que ya está molesto recibe una plantilla, lo confirmas en su decisión.
• Ofrecer descuento como primera respuesta. Funciona una vez y le enseña al cliente que enfriarse le sale rentable. Primero averigua por qué se enfrió.
• No registrar el desenlace. Sin saber qué pasó con cada aviso, no puedes ajustar nada y el sistema se queda congelado en las suposiciones del primer día.
• Dar la puntuación sin el motivo. Un número solo no se puede accionar. El comercial necesita saber qué señal saltó para decidir qué decir.
• Montarlo y no mirarlo. Si el informe semanal no tiene un dueño con nombre y apellidos, el sistema dura tres semanas.

Preguntas frecuentes

¿Cuántos clientes hacen falta para que esto tenga sentido?

Para el scoring en hoja de cálculo, con treinta o cuarenta clientes que compren de forma más o menos repetida ya sirve, aunque a esa escala buena parte la llevas en la cabeza. El punto donde se vuelve imprescindible es cuando el comercial ya no puede recordar el patrón de cada cliente: suele estar entre cien y doscientos. Para un modelo predictivo entrenado, hablamos de otro orden de magnitud y de varios años de bajas registradas.

¿Necesito inteligencia artificial para detectar clientes en riesgo de fuga?

No para detectarlos. Las cinco señales de este artículo son aritmética sobre datos que ya tienes. La IA aporta en explicar el riesgo con lenguaje natural, en leer el tono de los mensajes entrantes y en redactar borradores de recuperación. Empezar por el modelo y dejar la aritmética para después es el orden equivocado.

¿Cada cuánto hay que recalcular la puntuación?

Una vez por semana, el mismo día siempre. Diario genera ruido sin información nueva: las señales de fuga se mueven en escala de semanas. Mensual llega tarde en negocios de ciclo corto, que son justo donde el estudio de Palbin sitúa la mayor parte de la facturación recurrente.

¿Sirve esto si vendo por proyectos y no por pedidos recurrentes?

Sirve, pero cambian las señales. El intervalo entre pedidos deja de significar gran cosa y ganan peso otras tres: cuánto tarda el cliente en responder comparado con antes, si sigue pidiendo presupuestos y cómo evoluciona el porcentaje de propuestas que te acepta. La estructura —cinco señales, tres niveles, recálculo semanal, registro del desenlace— se mantiene igual.

¿Puedo meter los datos de mis clientes en una herramienta de IA?

Depende de la herramienta, de dónde se procesan los datos y de qué has informado en tu política de privacidad. No es un detalle menor y no cabe en una respuesta corta: lo tratamos con la normativa en la mano en la guía de IA para la gestión de clientes.

¿Cuánto se puede recuperar con un sistema así?

No lo sabemos, y desconfía de quien te dé un porcentaje. Depende del sector, del motivo real por el que se van tus clientes y de si alguien llama de verdad cuando salta el aviso. Lo que sí es medible desde el primer mes es otra cosa: cuántos clientes en riesgo estás detectando ahora que antes se te escapaban sin enterarte.