A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification

Resumen Técnico: Un Marco de Ventana Móvil para la Predicción de Abandono e Identificación de Impulsores del Comportamiento

Definición del Problema
La predicción del abandono de clientes (churn) en entornos de servicios no contractuales y de pago por uso presenta desafíos únicos que difieren de los modelos contractuales. En estos entornos, la desvinculación no es un evento explícito (como la terminación de un contrato), sino que debe inferirse a partir de la inactividad conductual sostenida. La literatura existente suele depender de representaciones estáticas y de punto único del comportamiento del cliente o de supuestos temporales simplificados. Estos enfoques frecuentemente agregan datos en resúmenes de grano grueso (por ejemplo, RFM de por vida o estadísticas trimestrales), lo que oscurece las dinámicas a corto plazo que preceden al abandono. Además, muchos estudios carecen de formulaciones de problemas temporales explícitas, con ventanas de observación y horizontes de predicción indefinidos, lo que limita la interpretabilidad y la preparación operativa de los modelos para la evaluación continua del riesgo.

Metodología
El estudio propone un marco de predicción de abandono temporalmente explícito, diseñado específicamente para plataformas de servicios no contractuales. El núcleo de la metodología consiste en una estrategia de construcción de instancias de ventana móvil que transforma los datos brutos de nivel de evento en un panel de instancias conductuales indexadas en el tiempo.

• Formulación Temporal: Para cada cliente, el marco define una ventana de observación conductual fija de 30 días ($W_b$) seguida de una ventana de evaluación de abandono de 30 días ($W_c$). El abandono se operacionaliza como la ausencia de actividad calificable durante la ventana de evaluación. Esto asegura una separación temporal clara entre la evidencia conductual (entradas) y los resultados de abandono (etiquetas).
• Generación de Instancias: Las ventanas avanzan con un desplazamiento diario (stride). Para evitar la redundancia, las ventanas consecutivas que producen resúmenes conductuales idénticos se colapsan; solo se generan nuevas instancias cuando ocurre un cambio conductual (por ejemplo, una nueva reserva) dentro de la ventana de observación.
• Ingeniería de Características: El marco extrae 40 características diseñadas de cada ventana de observación, categorizadas en:
  • Actividad de Reservas: Volumen y tasas de éxito/cancelación.
  • Comportamiento Monetario: Patrones de gasto y uso de la billetera (derivados únicamente de reservas exitosas).
  • Características Espaciales y de Servicio: Dispersión geográfica y preferencias de tipo de servicio.
  • Contexto Temporal: Indicadores de recencia y atributos del calendario.
  • Preferencias Categóricas: Métodos de pago dominantes y fuentes.
  • Indicadores Basados en Tendencias: Tendencias lineales en el compromiso y el gasto para capturar dinámicas a corto plazo.
• Enfoques de Modelado: Se evalúan dos paradigmas complementarios dentro de este diseño temporal unificado:
  1. Aprendizaje Basado en Características: Un modelo XGBoost (Gradient Boosting) entrenado sobre vectores de características agregados.
  2. Aprendizaje Basado en Secuencias: Una red de Memoria de Corto Plazo de Largo Alcance (LSTM) entrenada sobre secuencias ordenadas de resúmenes conductuales a nivel de ventana para capturar dependencias temporales.
• Protocolo de Evaluación: Los modelos se entrenan con datos históricos (2024) y se evalúan en un conjunto de datos futuros temporalmente retenidos (junio–julio de 2025) sin reentrenamiento, para evaluar la robustez frente a cambios temporales. La interpretabilidad se logra mediante la importancia de características basada en la ganancia y el análisis SHAP (Shapley Additive Explanations).

Resultos Clave
El marco fue evaluado en un conjunto de datos del mundo real de un servicio de lavado de autos bajo demanda no contractual, que comprende más de 100,000 clientes y 400,000 eventos de reserva.

• Desempeño Predictivo:
  • El modelo XGBoost alcanzó una precisión del 87.6% y un ROC-AUC de 0.94 en el conjunto de prueba de ventana móvil, demostrando una clasificación equilibrada y una fuerte estabilidad.
  • El modelo LSTM logró un mayor recall (exhaustividad) del 96.1% en el conjunto de prueba, lo que indica una sensibilidad superior en la detección de patrones de desvinculación temporal, aunque con una precisión general ligeramente inferior a la de XGBoost.
• Generalizabilidad Temporal: Al aplicarse al conjunto de datos futuros no vistos (2025) sin reentrenamiento:
  • XGBoost mantuvo una precisión del 83.14% y un ROC-AUC de 0.911, mostrando una fuerte robustez ante cambios en la distribución.
  • LSTM mantuvo un alto recall del 91.80% para usuarios en abandono, aunque su ROC-AUC disminuyó a 0.830.
• Impulsores del Abandono: El análisis identificó trend_total_bookings (tendencia de reservas totales), weekend_success_rate (tasa de éxito en fines de semana), total_bookings (total de reservas) y days_since_last_booking (días desde la última reserva) como los predictores globales dominantes. El análisis SHAP confirmó que las tendencias decrecientes de reservas, la inactividad prolongada y el compromiso disperso aumentan significativamente la probabilidad de abandono.

Significancia y Reivindicaciones
El artículo sostiene que la contribución principal no reside en la complejidad del modelo, sino en el diseño cuidadoso del encuadre temporal. El estudio demuestra que:

1. Separación Temporal Explícita: Definir ventanas de observación y evaluación claras es crítico para un modelado de abandono realista en entornos no contractuales, evitando la fuga de información y asegurando una evaluación de riesgo prospectiva.
2. Necesidad de la Ventana Móvil: Pasar de instantáneas estáticas a evaluaciones de nivel de instancia con ventana móvil permite la detección de dinámicas conductuales a corto plazo que la agregación estática oscurece.
3. Interpretabilidad y Despliegue: El marco equilibra el desempeño predictivo con la explicabilidad. Al vincular la importancia de las características con ventanas de tiempo específicas, el modelo respalda la toma de decisiones accionable, permitiendo a los proveedores identificar cuándo y por qué un cliente está en riesgo, en lugar de simplemente si está en riesgo.
4. Robustez sobre Complejidad: Los resultados sugieren que un encuadre temporal bien estructurado permite que incluso modelos ligeros (como XGBoost) alcancen un desempeño robusto y listo para el despliegue, desafiando la noción de que las arquitecturas de aprendizaje profundo son estrictamente necesarias para una predicción de abandono de alta calidad en estos contextos.

El estudio conclula que este marco proporciona una base práctica para el soporte de decisiones orientado al abandono en entornos de servicios dinámicos, enfatizando que el rigor temporal es tan vital como la sofisticación algorítmica.