Actualizado el 23 de octubre de 2026.
Para saber qué clientes van a dejar de comprarte, compara los días que llevan sin comprar con su ritmo habitual de compra. Cuando un cliente supera una vez y media su intervalo normal, lo más probable es que no vuelva. Con un modelo sencillo que combina los días sin comprar y los pedidos recientes, puedes ordenar a todos tus clientes por riesgo y actuar antes de perderlos.
En este artículo lo hacemos paso a paso con un ejemplo: la misma tienda online ficticia de café que usamos en el análisis RFM y en el cálculo del CLV, con 2.400 clientes y dos años de pedidos. Al final puedes descargar la plantilla de Excel con todos los cálculos.
Qué es el abandono de clientes
El abandono de clientes, o churn, es el cliente que deja de comprarte. En una suscripción es fácil de ver, porque el cliente se da de baja. En una tienda online, un comercio o un negocio B2B nadie avisa: simplemente deja de volver. Por eso lo primero es decidir cuándo das a un cliente por perdido.
En la tienda del ejemplo, en la que un cliente habitual compra cada uno o dos meses, consideramos perdido a quien lleva más de 180 días sin comprar. Con esa regla, a 1 de octubre de 2026 los 2.400 clientes se reparten así:
| Estado | Clientes | Qué significa |
|---|---|---|
| Activos | 464 | Han comprado al menos dos veces y la última hace 180 días o menos. Son los que se pueden perder. |
| Perdidos | 519 | Compraron más de una vez, pero llevan más de 180 días sin volver. |
| Una sola compra | 1.417 | Nunca han repetido. Su problema no es el abandono, sino conseguir la segunda compra. |
Este artículo se centra en los activos: clientes que ya repiten y que, si se van, se llevan muchas compras futuras. Para los de una sola compra, la estrategia de bienvenida y segunda compra está en el artículo del análisis RFM.
Las señales de que un cliente va a dejar de comprar
- Lleva más tiempo del habitual sin comprar. Es la señal más fuerte. No importa tanto el número de días como el retraso respecto a su propio ritmo.
- Compra menos que antes. Menos pedidos en los últimos meses, o pedidos más pequeños.
- Solo compra con descuento. Si ya no compra a precio normal, puede estar comparando con la competencia.
- Deja de abrir tus emails o se da de baja de la newsletter.
- Ha tenido una mala experiencia. Una devolución, una queja o un pedido que llegó tarde poco antes de dejar de comprar.
Las dos primeras salen de la lista de pedidos, que tiene cualquier tienda o programa de facturación. Con ellas basta para empezar.
Método 1: la regla del ritmo de compra
Cada cliente tiene su ritmo. Uno compra café cada mes y otro cada tres meses. Por eso, en lugar de mirar solo los días sin comprar, conviene compararlos con su intervalo habitual:
Ritmo = días sin comprar / intervalo medio entre sus pedidos
El intervalo medio es el tiempo entre su primera y su última compra dividido entre el número de pedidos menos uno. Un ritmo de 1 significa que el cliente está justo cuando le toca volver a comprar; un ritmo de 2, que se ha retrasado el doble de lo normal.
Para comprobar si funciona, tomamos a los clientes activos a 1 de abril de 2026 y miramos quién volvió a comprar en los seis meses siguientes:
La diferencia es clarísima. Entre los clientes que iban a su ritmo, no volvió alrededor de un tercio. Entre los que ya se habían retrasado más de una vez y media, no volvió el 90 %. Por eso usamos 1,5 como alerta.
La regla tiene un límite: es fiable, pero llega tarde. Solo detecta al 30 % de los clientes que se iban a ir, porque muchos se van antes de llegar a ese retraso, sobre todo los que tienen pocas compras.
Método 2: un modelo de probabilidad de abandono
Para avisar antes, calculamos para cada cliente activo la probabilidad de que no vuelva a comprar en los próximos 180 días. Usamos una regresión logística, el modelo más sencillo y fácil de explicar para este problema, con solo dos datos de cada cliente:
- Días sin comprar. Cuantos más, más riesgo.
- Pedidos en los últimos 180 días. Cuantos más, menos riesgo.
El modelo se entrena con Python sobre una foto del pasado: los clientes activos a 1 de octubre de 2025 y si volvieron a comprar o no en los seis meses siguientes. Después se comprueba con otra foto distinta, la de 1 de abril de 2026, que el modelo no ha visto. Ese es el resultado que cuenta:
- Contactando al 20 % de clientes con más riesgo, se llega al 40 % de los que se iban a ir. Al azar, se llegaría al 20 %.
- De cada 100 clientes que el modelo pone en ese 20 %, 89 se habrían ido de verdad. Las acciones no se malgastan en clientes que iban a volver igualmente.
- El AUC, la medida habitual de lo bien que un modelo ordena, es de 0,86 (1 sería perfecto y 0,5, azar).
Una vez entrenado, el modelo es una fórmula que se puede poner en una hoja de cálculo. En la plantilla está así:
Puntuación = 0,6066 + 0,0170 × días sin comprar − 0,8867 × pedidos de los últimos 180 días
Probabilidad de abandono = 1 / (1 + e−puntuación)
Ojo: esos coeficientes son los de la tienda del ejemplo. Con tus datos hay que volver a entrenar el modelo, porque cada negocio tiene su ritmo.
Quién está en riesgo hoy
Aplicamos el modelo a los 464 clientes activos a 1 de octubre de 2026 y los separamos en tres niveles: riesgo alto (probabilidad del 70 % o más), medio (del 40 % al 70 %) y bajo.
| Riesgo | Clientes | Ventas últimos 12 meses | Margen últimos 12 meses | Probabilidad media |
|---|---|---|---|---|
| Alto | 122 | 11.590 € | 4.056 € | 84 % |
| Medio | 87 | 10.280 € | 3.598 € | 54 % |
| Bajo | 255 | 84.021 € | 29.407 € | 13 % |
Cruzarlo con los segmentos del análisis RFM dice a quién dedicar más esfuerzo:
| Segmento RFM | Riesgo alto | Riesgo medio | Riesgo bajo |
|---|---|---|---|
| Campeones | 0 | 14 | 226 |
| Leales | 21 | 15 | 4 |
| Potencialmente leales | 101 | 58 | 25 |
- Los campeones están tranquilos. Ninguno tiene riesgo alto: compran a menudo y hace poco.
- 21 clientes leales tienen riesgo alto. Son clientes con varias compras que han dejado de venir. Son pocos y valiosos: merecen una atención personal.
- 101 clientes potencialmente leales tienen riesgo alto. Han comprado dos o tres veces y se están enfriando. Aquí funciona mejor una secuencia automática.
Qué hacer con cada grupo de clientes
| Grupo | Qué hacer | Cuándo |
|---|---|---|
| Riesgo alto y mucho valor (leales) | Email personal o llamada: preguntar si todo fue bien, recomendar algo según sus compras y, si hace falta, un detalle. Nada de descuentos genéricos. | En cuanto entran en riesgo alto |
| Riesgo alto y poco valor | Secuencia automática de reactivación: recordatorio de reposición, novedades y, en el último email, una oferta con fecha límite. | Al pasar la alerta de ritmo |
| Riesgo medio | Recordatorio de reposición justo cuando les toca comprar según su ritmo. Es el email más barato y el que mejor funciona. | Cuando el ritmo llega a 1 |
| Riesgo bajo | Nada especial: newsletter normal y cuidar la experiencia de compra. | Siempre |
| Perdidos | Una o dos campañas de recuperación con un motivo para volver. Si no responden, se dejan de enviar para no dañar la entrega de los emails. | Una vez, al pasar los 180 días |
La mayoría de estos clientes acepta recibir emails (en el ejemplo, 94 de los 122 de riesgo alto), así que casi todo se puede automatizar en tu herramienta de email marketing.
Cómo saber si las acciones funcionan
Deja siempre un grupo de control: un 10 % de los clientes en riesgo, elegidos al azar, que no recibe ninguna acción. Al cabo de tres meses, compara cuántos volvieron a comprar en cada grupo. La diferencia es lo que de verdad has recuperado, y con el valor de vida del cliente sabes cuánto vale.
Sin grupo de control es fácil engañarse: muchos clientes en riesgo vuelven solos, y un descuento enviado a todos puede costar más de lo que recupera.
¿Y si mi negocio es B2B o de suscripción?
El método es el mismo y cambian las señales. En B2B, además de los días desde el último pedido, pesan la caída del volumen, las incidencias y el tiempo desde la última visita del comercial: todo eso suele estar en el CRM, y es lo que trabajamos en el análisis de datos de CRM. En una suscripción, las señales son el uso del servicio, los pagos fallidos y las visitas a la página de baja.
Descarga la plantilla de Excel
La plantilla incluye los pedidos y clientes ficticios del ejemplo y todas las fórmulas: estado de cada cliente, días sin comprar, intervalo habitual, alerta de ritmo, probabilidad de abandono y nivel de riesgo, y un resumen por nivel y por segmento RFM. Pega tus pedidos y tus clientes y tendrás la lista ordenada.
Preguntas frecuentes
¿Qué es la tasa de abandono de clientes y cómo se calcula?
La tasa de abandono (churn rate) es el porcentaje de clientes que dejas de tener en un periodo. Se calcula dividiendo los clientes que no han vuelto a comprar en ese periodo entre los clientes activos al principio. En el ejemplo, de 535 clientes activos en abril, el 44 % no volvió a comprar en los seis meses siguientes.
¿Cuándo se considera que un cliente ha abandonado?
En un negocio sin suscripción no hay una baja, así que hay que fijar un plazo. Lo habitual es usar dos o tres veces el intervalo normal entre compras de tus clientes. En la tienda del ejemplo, que vende café cada uno o dos meses, usamos 180 días sin comprar.
¿Necesito machine learning para predecir el abandono?
No para empezar. La regla del ritmo de compra se calcula en una hoja de cálculo y ya avisa de los clientes que se están retrasando. Un modelo de probabilidad, como una regresión logística, ordena mejor a todos los clientes y avisa antes, pero también se puede aplicar en Excel una vez entrenado.
¿Cada cuánto hay que revisar el riesgo de abandono?
Lo ideal es que se actualice solo, cada día o cada semana, y que lance las acciones de forma automática. Si lo haces a mano, una vez al mes es suficiente para la mayoría de las tiendas.
¿Sirve para negocios B2B o de suscripción?
Sí, cambiando las señales. En B2B pesan los días desde el último pedido, la caída del volumen, las incidencias y el contacto con el comercial. En una suscripción, el uso del servicio, los pagos fallidos y las visitas a la página de baja.
¿Analizamos tus clientes?
En Bebow Data hacemos el análisis de abandono de clientes con tus datos reales: definimos cuándo se pierde un cliente en tu negocio, entrenamos el modelo, lo dejamos en un dashboard que se actualiza solo y conectamos las alertas con tu email marketing o tu CRM.