nomad+22%
YuppTVStreaming
Cómo YuppTV detecta la intención de churn con la suficiente antelación para cambiar el resultado
+18%
retention · medido frente a un holdout aleatorio
En resumen
Las cancelaciones de YuppTV se decidían mucho antes del botón de cancelar. Markin lee la caída en la profundidad de visualización, la adecuación del catálogo y la fricción de pago que la precede, y actúa mientras el resultado aún es modificable, elevando la retención un 18 % en las cohortes tratadas contra un holdout aleatorio.
Resultados
Cada decisión lleva un control group+18%
Retención en cohorts tratados
vs holdout aleatorio, ventana de medición completa
-27%
churn involuntario
recuperaciones por fallo de pago gestionadas como una decisión, no como una secuencia de recordatorios
+9%
ARPU
de un ajuste del plan, no de aumentos de precio
Rango anonimizado en despliegues de Markin en grandes bases B2C, leído durante una ventana de medición completa. No es un benchmark de la industria ni un pronóstico para tu base.
De un vistazo
- Sector
- Streaming / OTT
- Mercados
- Audiencia global de la diáspora
- Base
- Millones de suscriptores en todos los niveles de planes
- Acciones en vivo
- Prevención de churn, ajuste de plan, dunning, win-back
- Stack
- Warehouse, eventos de producto, Braze, Recurly, contact center
- Primer uplift medido
- Semana 7
El desafío
YuppTV conocía su churn rate hasta el decimal y casi no podía hacer nada al respecto. El modelo marcaba a los suscriptores como de alto riesgo en la última semana del ciclo, cuando la decisión ya estaba tomada y la única palanca que quedaba era un descuento.
La verdadera señal fue anterior y más silenciosa: la profundidad de visualización disminuyendo en el contenido que impulsó la suscripción original, un cambio a sesiones más cortas, una tarjeta fallida sin resolver, un plan que incluía canales que nadie en el hogar veía.
Esas señales vivían en diferentes sistemas, se movían constantemente y necesitaban una acción diferente cada vez. Una campaña de retention las trata a todas como una sola audiencia y paga por aquellas que nunca se iban a ir.
Lo que hizo Markin
Data and context, intelligence, action01 / Datos y contexto
Visualización, facturación y soporte en una sola vista
Markin lee los eventos de reproducción, los metadatos del catálogo, el historial del plan y el estado de pago directamente de los sistemas de YuppTV, por lo que las señales de intención se evalúan de forma conjunta en lugar de un panel a la vez.
02 / Inteligencia
Intención, no una puntuación de riesgo
En lugar de puntuar a todos semanalmente, la capa de inteligencia forma hipótesis sobre por qué un hogar específico se está desvinculando, dimensiona cada una y propone una acción que coincide con la causa: catálogo, plan, precio o pago.
03 / Acción
La acción más económica que funciona
Recomendaciones de contenido, movimientos de plan, actualizaciones de tarjeta y, solo cuando nada más supera el listón, una oferta de retención. Cada acción se ejecuta contra un holdout, para que YuppTV pueda ver lo que realmente compró un descuento.
Experimentos ejecutados
Hypothesis to measured lift| Hipótesis | Segment | Acción | Canal | Uplift medido |
|---|---|---|---|---|
| Los suscriptores se desvinculan cuando termina el contenido que los adquirió | Hogares con una caída del 40 %+ en la profundidad de visualización semanal | Re-onboarding de catálogo en torno a títulos adyacentes, sin oferta | Fila de Push + in-app | +11 % de retención |
| El churn involuntario es un problema de decisioning, no un problema de cobro | Pagos fallidos con alto engagement | Actualización de tarjeta programada para una sesión de visualización, reintento programado en torno al día de pago | En la aplicación + SMS | -27 % de churn involuntario |
| Algunas cancelaciones son por falta de coincidencia de plan, no por intención de irse | Suscriptores que usan un tercio de su tier | Se ofrece downgrade antes de la cancelación, upgrade a aquellos que consumen en exceso | Cuenta + correo electrónico | +9 % ARPU |
| Las ofertas genéricas de ahorro pagan a los suscriptores que se habrían quedado | Alertas de alto riesgo con visualización estable | Retener la oferta, medir contra el control | Ninguno | Gasto en descuentos reducido, retención sin cambios |
Cómo se implementó
Semana 0
Señales conectadas
Datos de reproducción, facturación y soporte conectados en modo de solo lectura. Cancelaciones históricas reproducidas para encontrar las señales que realmente las preceden.
Semana 3
Primer motion en vivo
El re-onboarding de catálogo se activa en la señal de desvinculación, con un holdout en cada decisión.
Semana 7
Primer uplift legible
La retención muestra un +11 % en el cohort tratado. Las ofertas de ahorro generales se retiran por no superar al control.
Semana 12
Cuatro motions en producción
Prevención de churn, ajuste de plan, dunning y win-back funcionando continuamente, con resultados leídos contra el control semanalmente.
En sus palabras
“Dejamos de pagar para retener suscriptores que nunca se iban a ir y comenzamos a llegar a los que sí lo hacían.”
Líder de retención, YuppTV
La stack con la que trabajó Markin
No migration, no new system of recordPreguntas que hacen los compradores sobre este caso
¿En qué se diferencia esto de un modelo de predicción de churn?
Una puntuación te dice quién está en riesgo. No te dice por qué, qué hacer al respecto o si la acción funcionó. Markin formula una hipótesis por hogar, elige la acción más barata que aborda la causa y la prueba contra un holdout.
How was the YuppTV result measured?
Cada decision lleva asociada un holdout aleatorizado. El uplift citado es la diferencia entre la cohorte tratada y ese grupo de control durante una ventana de medición completa, no una comparación de antes y después.
¿Tuvieron que mover sus datos a Markin?
No. Markin lee del data warehouse, CDP y eventos de producto ya existentes. Nada se copia a un nuevo sistema y nada está bloqueado.
¿Qué equipo lo gestionó día a día?
El equipo de growth existente. Markin realiza el trabajo analítico, un equipo de streaming de ese tamaño necesitaría un pod dedicado de data science para producir, y enruta cada acción a las herramientas que ya operan.
¿Cuánto tiempo hasta el primer uplift medible?
Un primer movimiento se activa en unos 30 días y el primer resultado estadísticamente legible llega en las seis semanas siguientes. El impacto escalado suele leerse a los 90 días.
