1. Resumen Ejecutivo

• Se entrenó un modelo LightGBM afinado y calibrado para estimar la probabilidad de fuga.
• El modelo alcanzó un AUC promedio de validación cruzada de aproximadamente 0.97, lo que refleja una muy buena capacidad discriminante.
• Sobre la base de 10,000 clientes activos, se generó un scoring de riesgo de fuga para apoyar la priorización comercial.
• Los factores más influyentes están relacionados con el comportamiento financiero del crédito, especialmente el saldo pendiente y su proporción respecto al capital concedido.
• La salida final ya quedó lista con probabilidad de fuga, clasificación binaria, recomendación de campaña y segmento de riesgo.

2. Objetivo del modelo

El objetivo fue construir un modelo predictivo que permitiera identificar clientes con alta probabilidad de fuga, de forma que la empresa pueda anticiparse con acciones de retención y asignar mejor sus recursos comerciales.

3. Descripción de la base histórica

La base de entrenamiento contiene información de clientes de una empresa de créditos, incluyendo variables de agencia, región, producto, condiciones del crédito y estado del cliente. A partir de la variable ESTADO se construyó la variable objetivo TARGET, donde:

• 0 = Cliente renovado
• 1 = Cliente retirado

Registros históricos	Variables originales	Clientes renovados	Clientes retirados	Tasa de fuga
78,829	14	48,815	30,014	0.3807

4. Metodología aplicada

Para desarrollar una solución robusta, se siguió un flujo de trabajo con criterios de ciencia de datos senior:

1. estandarización y limpieza de variables categóricas,
2. agrupación de categorías poco frecuentes,
3. creación de variables derivadas con valor de negocio,
4. partición holdout para evaluación final,
5. validación cruzada estratificada,
6. búsqueda de hiperparámetros con Optuna,
7. calibración de probabilidades,
8. entrenamiento final sobre toda la historia y scoring de clientes activos.

El algoritmo seleccionado fue LightGBM, por su alto desempeño en datos tabulares y su capacidad para capturar relaciones complejas sin exigir transformaciones excesivas.

Configuración del modelo final

Los hiperparámetros finales se obtuvieron mediante búsqueda automatizada con Optuna y, posteriormente, se aplicó calibración isotónica para mejorar la confiabilidad de las probabilidades.

Parámetro	Valor
Algoritmo	LightGBM
Calibración	Isotonic
n_estimators	551
learning_rate	0.066214
num_leaves	83
max_depth	9
min_child_samples	56
subsample	0.670769
colsample_bytree	0.642223
reg_alpha	2.638875
reg_lambda	1.368042
min_split_gain	0.154684
scale_pos_weight	1.626421

Respecto al umbral de decisión, el modelo original utilizaba un corte de 0.40 para clasificar clientes en fuga. En cambio, el modelo final mejorado seleccionó un umbral óptimo de 0.5853, definido en entrenamiento para maximizar el desempeño operativo. Ese fue el umbral utilizado en la predicción aplicada sobre la base de los 10,000 clientes activos.

5. Resultados del modelo

Para evitar una lectura fragmentada, esta sección resume en un solo bloque la comparación entre el modelo original, el baseline mejorado, el modelo afinado y la versión afinada + calibrada. La lógica de evaluación es la siguiente:

• ROC AUC y PR AUC muestran capacidad predictiva.
• Precision, Recall y F1 muestran el desempeño para detectar clientes en fuga.
• Brier, Log Loss y ECE muestran qué tan confiables son las probabilidades estimadas.

De esta forma, la lectura no se centra solo en si el modelo clasifica bien, sino también en si sus probabilidades son útiles para segmentar y tomar decisiones comerciales.

Modelo	ROC AUC	PR AUC	Brier	Log Loss	ECE	Precision fuga	Recall fuga	F1 fuga
Modelo original	0.9702	0.9558	0.0696	0.2185	0.0319	0.8063	0.9400	0.8680
Baseline mejorado	0.9722	0.9584	0.0676	0.2118	0.0317	0.8058	0.9465	0.8705
Modelo afinado	0.9726	0.9590	0.0671	0.2103	0.0316	0.8638	0.8929	0.8781
Modelo afinado + calibrado	0.9724	0.9588	0.0649	0.2040	0.0078	0.8967	0.8487	0.8721

Lectura estratégica de los resultados

Además de clasificar bien, el modelo debía entregar probabilidades confiables para segmentar y priorizar clientes. Por eso se revisaron métricas como Brier, Log Loss y ECE.

El modelo afinado fue el que más mejoró la capacidad de clasificación: llevó el ROC AUC de 0.9702 a 0.9726 y el F1 de fuga de 0.8680 a 0.8781.

El modelo afinado + calibrado mantuvo un AUC alto (0.9724), mejoró la precision de fuga de 0.8063 a 0.8967 y fortaleció sobre todo la calidad de las probabilidades: el Brier bajó de 0.0696 a 0.0649, el Log Loss de 0.2185 a 0.2040 y el ECE de 0.0319 a 0.0078.

En síntesis, el tuning mejora la clasificación y la calibración mejora la confiabilidad de las probabilidades.

Uso principal	Modelo recomendado	Motivo
Clasificación / activación de campaña	Modelo afinado	Mayor F1 de fuga y mejor equilibrio entre precisión y recall.
Segmentación / probabilidad / priorización	Modelo afinado + calibrado	Probabilidades más confiables y mejor base para optimizar el ROI de campañas de retención.

En este proyecto se eligió finalmente el modelo afinado + calibrado porque ofrece la mejor base para segmentar, priorizar campañas y mejorar el ROI esperado. Ese fue el modelo aplicado sobre la Base de Datos de Predicción de los 10,000 clientes activos.

6. Variables más influyentes

Para la interpretación ejecutiva se priorizan variables originales. Las variables derivadas, como SALDO_RATIO y CAPITAL_PAGADO, fueron útiles para mejorar el desempeño del modelo, pero no se reportan aquí como explicativas principales de negocio.

Bajo ese criterio, las variables con mayor peso explicativo fueron:

• SALDO_CAPITAL
• AGENCIA
• TASA_NOMINAL
• CAPITAL_CONCEDIDO
• CREDITOS ANTERIORES
• REGION
• SUBPRODUCTO
• PRODUCTO_GROUP (agrupación analítica de PRODUCTO)

Esto sugiere que la fuga está asociada principalmente al saldo pendiente, a la estructura del crédito y a diferencias operativas o comerciales entre agencias y líneas de producto.

Característica	Importancia	% importancia relativa
SALDO_CAPITAL	3394	26.70%
AGENCIA	2692	21.18%
TASA_NOMINAL	1308	10.29%
CAPITAL_CONCEDIDO	1299	10.22%
CREDITOS ANTERIORES	1128	8.87%
REGION	837	6.58%
SUBPRODUCTO	783	6.16%
PRODUCTO_GROUP	582	4.58%

7. Scoring de clientes activos

Clientes activos evaluados	Clientes por debajo del umbral técnico	Umbral del modelo
10,000	8,107	0.5853

Segmento	Clientes	% de riesgo de fuga
Crítico	1,522	80.08% – 100.00%
Alto	371	58.54% – 79.95%
Medio	3,087	40.05% – 58.46%
Bajo	5,020	0.00% – 39.96%

Código cliente	Código préstamo	Probabilidad fuga	Segmento riesgo
57	1750	1.0000	Crítico
80	293380	1.0000	Crítico
3535	58360	0.7995	Alto
3602	149600	0.7995	Alto
1462	152800	0.5846	Medio
2569	205540	0.5846	Medio
7973	69280	0.3996	Bajo
9358	308100	0.3996	Bajo

8. Recomendación final

Con el umbral seleccionado por desempeño, el modelo identifica 1,893 clientes que superan el umbral técnico del modelo. La segmentación operativa del informe se mantiene así:

• Bajo: 0.00% a 39.99%
• Medio: 40.00% a 58.52%
• Alto: 58.53% a 79.99%
• Crítico: 80.00% o más

Desde una perspectiva comercial, el foco principal recomendado no debería estar únicamente en los clientes Críticos, sino en la combinación de segmentos Medio y Alto, donde suele existir una mejor relación entre volumen, riesgo y posibilidad real de retención.

Por tanto, la recomendación operativa es:

• Medio: campañas masivas de bajo costo y alto alcance.
• Alto: campañas específicas y más personalizadas.
• Crítico: intervención selectiva, priorizando clientes de mayor valor.
• Bajo: monitoreo, sin intervención activa.

Este enfoque busca optimizar el esfuerzo comercial y mejorar el retorno esperado de las campañas.

Cierre metodológico y archivos finales

El modelo desarrollado predice churn, es decir, estima la probabilidad de que un cliente abandone. Sin embargo, no predice persuadabilidad, por lo que no permite afirmar directamente qué clientes cambiarían su comportamiento como resultado de una campaña. En otras palabras, el modelo identifica riesgo, pero no mide de forma causal quién sería realmente recuperable mediante una intervención comercial. En el apéndice de este informe se hacen unas recomendaciones de campaña con base en el riesgo de fuga y la caracterización del cliente.

Los archivos finales disponibles para el ejercicio son:

• predicciones_clientes_activos.xlsx
• predicciones_clientes_activos.csv

1. Resumen ejecutivo

Se aplicó el algoritmo K-means para segmentar la base de 10,000 clientes activos y obtener grupos homogéneos en términos de saldo, monto de crédito, experiencia previa y riesgo de fuga. La idea central del análisis es que la probabilidad de churn no reemplaza la segmentación, sino que la enriquece: ayuda a distinguir qué clientes se parecen entre sí y, al mismo tiempo, cuáles requieren prioridad comercial.

El resultado final recomendado es una solución de 5 clusters, que se describen en detalle más adelante.

2. ¿Por qué se utilizó K-means?

Se eligió K-means por tres razones principales:

1. Es fácil de explicar. El algoritmo agrupa clientes parecidos entre sí y separa clientes distintos.
2. Es práctico para negocio. Produce segmentos claros que luego pueden traducirse a campañas, retención, fidelización o monitoreo preventivo.
3. Funciona bien con este problema. La base tiene variables numéricas relevantes y algunas categóricas codificadas que permitieron un preprocesamiento apropiado.

3. Relación con el modelo de churn

Este ejercicio no parte de una base aislada, sino de la continuidad del proyecto de predicción de fuga. Primero se estimó la probabilidad de churn para los clientes activos; después, esa información se usó como una característica más dentro del clustering.

Esto es importante porque permite caracterizar mejor a los clientes. Ya no se observan solo por saldo o por monto, sino también por su nivel de riesgo. En consecuencia, los clusters no representan únicamente grupos financieros, sino perfiles que combinan comportamiento crediticio y vulnerabilidad de retención.

4. Selección del número de clusters

Se compararon soluciones entre k=3 y k=7 usando métricas internas de calidad. La siguiente tabla resume los resultados.

k	Silhouette	Calinski	Davies	Cluster mín.	Cluster máx.
3	0.6973	12,744.15	0.5626	0.0299	0.8777
4	0.4627	12,545.91	0.7424	0.0299	0.6269
5	0.5504	14,096.70	0.6666	0.0277	0.6464
6	0.5646	15,324.20	0.6620	0.0273	0.6398
7	0.5481	16,873.69	0.6865	0.0273	0.4141

Explicación de la tabla

• Silhouette: mide qué tan bien separado queda cada grupo. Más alto es mejor.
• Calinski-Harabasz: mide qué tan compactos son los clusters y qué tan lejos quedan entre sí. Más alto es mejor.
• Davies-Bouldin: mide cuánto se parecen los clusters entre sí. Más bajo es mejor.
• Smallest cluster share: indica qué proporción tiene el cluster más pequeño.
• Largest cluster share: indica qué proporción tiene el cluster más grande.

En términos simples, esta tabla permite ver si una solución separa bien, si los grupos quedan ordenados y si no se forman clusters demasiado extremos o poco útiles.

¿Qué se concluye de la tabla?

• Con k=3, la silueta es alta, pero aparece un cluster demasiado grande, de casi 88% de la cartera. Eso simplifica demasiado la segmentación.
• Con k=5, mejora el equilibrio: la separación técnica sube, el tamaño de los grupos sigue siendo manejable y la lectura de negocio gana claridad.
• Con k=6 y k=7, algunas métricas mejoran parcialmente, pero ya se entra en una segmentación más fragmentada, con menor ganancia práctica para un informe ejecutivo.

Por eso se mantuvo k=5 como solución final. Durante el análisis se revisó una alternativa más compacta, pero k=5 resultó más completa y equilibrada.

Explicación de las gráficas

Las tres gráficas muestran exactamente lo mismo que la tabla, pero en forma visual.

• En la gráfica de Silhouette, se ve que k=3 luce muy alto, pero eso ocurre porque agrupa demasiado; no necesariamente porque sea la mejor solución de negocio.
• En la gráfica de Calinski-Harabász, a partir de k=5 los grupos muestran una estructura más ordenada y mejor separada.
• En la gráfica de Davies-Bouldin, k=5 queda en una zona favorable porque logra una buena separación sin caer en una fragmentación innecesaria.

La conclusión sencilla es esta: k=4 era una posibilidad razonable, pero k=5 mostró un mejor punto de equilibrio entre simplicidad, separación y utilidad práctica.

5. Segmentación final seleccionada

A continuación se presenta el resumen de la solución final de 5 clusters.

Orden	Cluster	Clientes	Fuga mediana	Campaña %	Capital (med.)	Descripción
1	Riesgo crítico accionable	1,777	0.8853	0.9876	5,000	Clientes con alta probabilidad de fuga, alta presión comercial y prioridad inmediata de retención.
2	Premium estable de alto saldo	800	0.1349	0.0025	40,000	Clientes de ticket alto con saldo todavía elevado, pero con probabilidad de fuga baja y perfil financieramente estable.
3	Premium amortizado heterogéneo	277	0.2686	0.2274	50,000	Clientes de ticket alto con fuerte avance de pago; combinan bajo riesgo promedio con una fracción menor que requiere seguimiento selectivo.
4	Recurrentes de ticket medio	682	0.2373	0.0777	18,000	Clientes con experiencia previa, monto medio y baja fuga, adecuados para crecimiento y cross-sell más que para retención intensiva.
5	Base masiva de riesgo medio	6,464	0.3813	0.0031	5,000	Segmento dominante de la cartera: clientes de ticket bajo o medio, con probabilidad de fuga intermedia y necesidad de monitoreo preventivo.

Como validación adicional, se revisó una alternativa de segmentación más compacta. Sin embargo, la solución de 5 clusters conservó una mejor separación práctica entre perfiles de negocio, especialmente al distinguir con más claridad el grupo de fuga más crítica.

6. ¿Qué muestran las gráficas principales?

Proyección en componentes principales

Esta gráfica ubica a los clientes en un plano resumido de dos dimensiones. No muestra todas las variables una por una, sino una versión condensada de la información.

En términos sencillos, lo que se observa es que los clusters no están puestos al azar: hay zonas donde se concentran perfiles parecidos y otras donde aparecen grupos claramente diferentes. La gráfica también muestra que la cartera no forma un solo bloque, sino varios grupos con comportamientos claramente distintos.

Mapa de calor

El mapa de calor compara los clusters entre sí en variables clave. Los colores muestran si un cluster está por encima o por debajo del promedio general.

• los tonos más intensos indican que ese cluster destaca mucho en esa variable,
• los tonos más suaves indican valores cercanos al promedio,
• y las cifras escritas dentro del mapa permiten ver el valor real.

La principal conclusión del mapa de calor es que los clusters sí representan perfiles distintos. Por ejemplo, hay un grupo que destaca por fuga alta, otro por saldo alto y estabilidad, y otro por ser la base masiva de la cartera.

Composición de riesgo por cluster

Esta gráfica muestra la mezcla de clientes de riesgo bajo, medio, alto y crítico dentro de cada cluster. Su valor es que conecta directamente el clustering con el trabajo previo de churn.

La lectura sencilla es que algunos clusters están dominados por clientes de bajo riesgo, mientras que otros concentran una mayor proporción de casos críticos o altos. Eso hace que la segmentación no sea solamente descriptiva, sino también útil para priorizar acciones.

7. Explicación de cada cluster

Cluster 1. Riesgo crítico accionable

Este es el grupo más delicado. Aquí se concentran clientes con probabilidad de fuga muy alta y una gran proporción de casos en segmentos de riesgo crítico o alto. En otras palabras, son clientes que requieren acción inmediata. Si la empresa quisiera priorizar retención, este sería el primer grupo a intervenir.

Cluster 2. Premium estable de alto saldo

Este grupo reúne clientes de valor alto, con saldo todavía importante y bajo riesgo de fuga. No necesitan campañas agresivas de recuperación; más bien conviene cuidarlos con servicio, fidelización y seguimiento de valor.

Cluster 3. Premium amortizado heterogéneo

Aquí aparecen clientes de ticket alto, pero con buena parte del crédito ya pagada. No es un grupo masivo, y por eso conviene leerlo como un segmento selectivo. La empresa puede tratarlos con acciones más puntuales, enfocadas en mantener relación y detectar casos que valga la pena retener.

Cluster 4. Recurrentes de ticket medio

Este cluster representa clientes con experiencia previa y montos intermedios. No son el grupo más riesgoso y tampoco el más premium. Su principal valor es que pueden ser una base natural para crecimiento, profundización comercial o cross-sell.

Cluster 5. Base masiva de riesgo medio

Este es el grupo más grande de la cartera. No destaca por un riesgo extremo, pero su tamaño hace que sea estratégicamente muy importante. Pequeños cambios en este cluster pueden mover mucho el resultado total de la empresa. Por eso se recomienda monitoreo preventivo y acciones escalables de bajo costo.

8. Ejemplos de clientes por cluster

La siguiente tabla muestra 2 clientes de ejemplo por cluster. No se presentan como casos únicos ni definitivos, sino como una muestra concreta para observar cómo se ven los perfiles dentro de cada grupo.

Orden	Cluster	Caso	Cliente	Préstamo	Capital	Saldo	Créditos previos	Prob. fuga	Riesgo
1	Riesgo crítico accionable	1	57	1750	600.00	306.72	1	1.0000	Crítico
1	Riesgo crítico accionable	2	80	293380	998.00	352.42	1	1.0000	Crítico
2	Premium estable de alto saldo	1	9250	100930	45,000.00	38,406.64	1	0.9906	Crítico
2	Premium estable de alto saldo	2	8649	228380	40,000.00	28,661.79	1	0.9683	Crítico
3	Premium amortizado heterogéneo	1	9054	55120	45,000.00	1,672.79	1	1.0000	Crítico
3	Premium amortizado heterogéneo	2	9055	128370	45,000.00	1,696.63	1	1.0000	Crítico
4	Recurrentes de ticket medio	1	7776	123150	16,002.00	385.16	1	1.0000	Crítico
4	Recurrentes de ticket medio	2	7858	221080	17,000.00	7.79	1	1.0000	Crítico
5	Base masiva de riesgo medio	1	5783	273210	10,000.00	3,127.14	1	0.6638	Alto
5	Base masiva de riesgo medio	2	5607	51880	10,000.00	2,914.66	1	0.6550	Alto

9. Conclusión final

La segmentación final confirma que K-means fue una elección adecuada para este problema porque produce grupos claros y útiles para negocio. Además, el valor del ejercicio aumenta al conectarlo con el modelo de churn: la probabilidad de fuga y el segmento de riesgo ayudan a interpretar mejor qué representa cada cluster.

En resumen, el análisis sugiere que la cartera activa no debe verse como un solo bloque. Existen grupos con urgencia de retención, grupos de valor alto y estable, grupos selectivos ya amortizados, clientes recurrentes de ticket medio y una base masiva que conviene monitorear preventivamente. Esa lectura vuelve la segmentación útil para la toma de decisiones comerciales.

1. Lógica del cruce

El modelo de churn aporta la probabilidad de fuga y clasifica a los clientes en segmentos Bajo, Medio, Alto y Crítico. El modelo de clustering, por su parte, aporta una lectura del perfil del cliente, su nivel de saldo, avance de pago y naturaleza comercial.

El valor del cruce está en que permite responder una pregunta más útil para negocio: a qué tipo de cliente conviene aplicar una campaña costosa, a cuál una acción personalizada, a cuál una campaña masiva automatizada y a cuál solo monitorear.

Clientes analizados	Clusters finales	Segmentos de riesgo
10,000	5	4

2. Cruce entre cluster y riesgo de fuga

Cluster	Crítico	Alto	Medio	Bajo
Riesgo crítico accionable	1,410	343	24	0
Premium estable de alto saldo	2	0	35	763
Premium amortizado heterogéneo	62	1	42	172
Recurrentes de ticket medio	48	4	163	467
Base masiva de riesgo medio	0	13	5,831	620

3. Regla operativa propuesta

Cluster	Riesgo	Acción sugerida	Razón
Riesgo crítico accionable	Alto	Intervención directa y costosa	Riesgo alto con mejor opción de recuperación que el segmento crítico extremo.
Premium amortizado heterogéneo	Crítico	Intervención directa y costosa	Son pocos clientes, pero de alto valor; justifican gestión premium.
Premium estable de alto saldo	Crítico	Intervención directa y costosa	Aunque el cluster es estable, los pocos casos críticos merecen intervención selectiva por valor.
Premium amortizado heterogéneo	Medio / Alto	Intervención personalizada	Clientes valiosos con riesgo no masivo; conviene un contacto selectivo.
Premium estable de alto saldo	Medio	Intervención personalizada	Segmento premium con baja fuga media, pero con algunos casos que ameritan seguimiento puntual.
Recurrentes de ticket medio	Medio / Alto	Intervención personalizada	Clientes conocidos, de ticket medio, donde una acción dirigida puede ser eficiente.
Base masiva de riesgo medio	Medio / Alto	Campaña masiva automatizada	Gran volumen con riesgo intermedio; mejor tratarlos con acciones escalables y de bajo costo.
Cualquier cluster	Crítico no priorizado	Monitoreo / sin intervención activa	El riesgo extremo no garantiza recuperabilidad y puede destruir ROI si se atiende en masa.
Cualquier cluster	Bajo	Monitoreo / sin intervención activa	No conviene invertir activamente en retención salvo excepciones comerciales.

4. Resumen final por tipo de acción

Interpretación de los buckets de acción:

• Intervención directa y costosa: acción intensiva y de alto esfuerzo comercial, reservada para clientes donde sí vale la pena invertir más recursos. Puede incluir llamada especializada, oferta económica relevante, ajuste de condiciones o gestión individual prioritaria.
• Intervención personalizada: acción selectiva pero de menor costo, dirigida a clientes con potencial de retención, aunque sin justificar una inversión tan alta. Puede incluir contacto dirigido, mensaje personalizado, seguimiento comercial o beneficio más acotado.
• Campaña masiva automatizada: acción de bajo costo y alto alcance, pensada para grandes volúmenes de clientes con riesgo intermedio. Puede ejecutarse por email, SMS, mensajería automatizada o recordatorios escalables.
• Monitoreo / sin intervención activa: clientes para los cuales no se recomienda una campaña de retención en esta etapa. Permanecen en observación y solo se reconsideran si aparece una señal adicional de valor o cambio de comportamiento.

Acción sugerida	Clientes	Particip. %	Fuga prom.	Capital (med.)
Campaña masiva automatizada	5,844	58.44%	0.4013	5,000
Intervención directa y costosa	407	4.07%	0.7960	5,000
Intervención personalizada	245	2.45%	0.3834	18,000
Monitoreo / sin intervención activa	3,504	35.04%	0.4801	16,000

Acción sugerida	Cluster	Riesgo	Clientes	Fuga prom.	Capital (med.)
Campaña masiva automatizada	Base masiva de riesgo medio	Medio	5,831	0.4008	5,000
Campaña masiva automatizada	Base masiva de riesgo medio	Alto	13	0.6207	5,000
Intervención directa y costosa	Riesgo crítico accionable	Alto	343	0.7617	5,000
Intervención directa y costosa	Premium amortizado heterogéneo	Crítico	62	0.9798	50,000
Intervención directa y costosa	Premium estable de alto saldo	Crítico	2	0.9794	42,500
Intervención personalizada	Recurrentes de ticket medio	Medio	163	0.3835	18,000
Intervención personalizada	Premium amortizado heterogéneo	Medio	42	0.3815	50,000
Intervención personalizada	Premium estable de alto saldo	Medio	35	0.3418	60,000
Intervención personalizada	Recurrentes de ticket medio	Alto	4	0.6734	18,000
Intervención personalizada	Premium amortizado heterogéneo	Alto	1	0.6655	—

5. Conclusiones operativas

La recomendación final ya no depende solo del score de churn ni solo del cluster, sino del cruce entre ambos.

• Intervención directa y costosa: debe concentrarse en clientes Alto del cluster Riesgo crítico accionable y en los pocos casos Críticos de clusters premium, donde el valor comercial justifica una gestión intensiva.
• Intervención personalizada: conviene para clientes Premium o Recurrentes con riesgo Medio o Alto, donde el volumen es manejable y el valor potencial justifica un tratamiento selectivo.
• Campaña masiva automatizada: debe enfocarse en la Base masiva de riesgo medio, especialmente en clientes Medio, porque allí está el mayor volumen y la mejor oportunidad para acciones escalables.
• Monitoreo: debe aplicarse a los clientes de riesgo Bajo y también a buena parte de los Críticos extremos cuando no exista una señal adicional de valor o recuperabilidad.

En otras palabras, este cruce permite pasar de una predicción de fuga a una priorización comercial accionable, distinguiendo qué clientes justifican inversión directa, cuáles conviene tratar con automatización y cuáles deben permanecer en observación.