🎬 Assista esta matéria
Prever cancelamento é diferente de recuperar cliente cancelado. O segundo é campanha de marketing. O primeiro é uma lista semanal de assinantes que provavelmente vão pedir baixa nos próximos 30 ou 60 dias — e que ainda estão pagando. É aí que a IA tem uso real no provedor pequeno.
O mercado explica a urgência. Segundo dados preliminares da Anatel para o segundo trimestre de 2026, a banda larga fixa fechou o período com cerca de 55,4 milhões de acessos, e o Brasil perdeu quase 1 milhão de acessos no trimestre — perda que a agência atribuiu aos provedores regionais. O grupo “Outros”, que reúne os pequenos ISPs, recuou de 55,0% para 54,0% de participação. A Anatel pondera que parte disso é consolidação e limpeza de base, não necessariamente cliente perdido, mas o recado é o mesmo: crescer por adição líquida ficou mais difícil.
Os dados que você já tem valem mais que o algoritmo
A literatura acadêmica sobre churn em telecom converge em poucos preditores que aparecem em quase todo estudo: tempo de casa do assinante, tipo e duração do contrato, e padrão de uso do serviço. Nenhum deles exige integração nova — todos estão no seu ERP e no seu sistema de monitoramento.
Monte uma tabela com uma linha por assinante e, no mínimo, estas colunas dos últimos 12 meses:
- Tempo de casa em meses e data da última renovação ou upgrade.
- Histórico de pagamento: número de atrasos, dias médios de atraso, bloqueios por inadimplência.
- Chamados de suporte: quantidade, tempo até resolução, reincidência no mesmo problema.
- Qualidade entregue: quedas registradas na porta ONU, tempo total offline, perda de pacote.
- Contexto comercial: plano atual, desconto aplicado, se há concorrente novo na rua dele.
- Rótulo: cancelou nos 60 dias seguintes? Sim ou não.
Esse rótulo é o ponto crítico. Sem histórico de quem cancelou, não existe previsão — existe palpite. Se a sua base de cancelados não está registrada com data e motivo, comece por aí, antes de qualquer modelo.
Comece com o modelo simples
Os algoritmos mais citados nos estudos são regressão logística, random forest e gradient boosting (XGBoost). Para um ISP com 3 mil a 30 mil assinantes, a regressão logística resolve e tem uma vantagem decisiva: ela entrega o peso de cada variável, então você consegue explicar ao time comercial por que aquele cliente está na lista.
Rode o treino com dados até, por exemplo, junho, e teste prevendo os cancelamentos de julho e agosto. Se o modelo acertar mais que a sua intuição atual, já serve. O erro comum é perseguir acurácia alta: um modelo que diz “ninguém vai cancelar” acerta 95% das vezes em uma base com 5% de churn, e é inútil. Olhe quantos cancelamentos reais entraram na sua lista dos 200 mais arriscados.
A lista só vale se alguém ligar
O modelo não retém ninguém. Defina antes o que acontece com a lista: quem liga, em quanto tempo, e com qual oferta. Separe os casos por motivo provável — cliente com muitas quedas recebe visita técnica, não desconto; cliente com atraso crônico recebe renegociação ou mudança de plano; cliente com concorrente novo na rua recebe proposta de upgrade.
Meça o resultado contra um grupo de controle. Pegue 20% da lista de risco e não faça nada. Se o churn desse grupo for igual ao do grupo abordado, o problema não está no modelo — está na oferta.
E atenção à LGPD: dados de uso e de pagamento do assinante podem ser tratados para execução do contrato e para legítimo interesse, mas o registro da finalidade precisa estar documentado antes de o primeiro score sair.
Fontes: Convergência Digital — dados Anatel 2T26, Teleco — acessos de banda larga, Minerva IPCB — previsão de abandono em telecomunicações
🎙️ Gostou? Receba só o que te interessa, todo dia
Escolha seus temas e receba um briefing diário em áudio e texto, de graça, no WhatsApp ou e-mail.
Montar meu briefing grátis