El comportamiento de un usuario antes de cancelar suele dejar huellas: sesiones más cortas, menos frecuencia de visitas, abandono de funciones que antes usaba. GA4 ya captura buena parte de esas señales como eventos, solo hay que ponerlas a trabajar.
Un modelo de churn no necesita ser sofisticado para ser útil. Una regresión logística simple, entrenada con frecuencia de sesiones, recencia de la última visita y profundidad de uso (eventos clave completados), ya da una probabilidad de churn razonable para priorizar a qué usuarios contactar primero.
El desafío más común no es el modelo, es la data: hay que exportar los eventos de GA4 a BigQuery (la integración nativa existe y es gratuita hasta cierto volumen) para tener el historial completo necesario para entrenar cualquier cosa seria.
Una vez que el modelo funciona, el mayor valor no es predecir el churn — es entender qué variables lo explican, y actuar sobre esas antes de que el usuario llegue al punto de irse.