Caso real: "por que o churn subiu?" eram cinco perguntas
Um pedido de três palavras aberto em decisões — e a descoberta de que metade delas mudava a resposta.
O pedido chegou pelo chat, às 17h de uma quinta: "o churn subiu em março, consegue ver por quê?". Parece uma pergunta. São cinco.
- Usar a IA como analista crítico antes de escrever consulta.
- Separar definição, recorte, comparação e causa.
- Sair da conversa com uma especificação em vez de um palpite.
Antes de qualquer SELECT: o que é churn nesta empresa? Cliente que cancelou o contrato? Que parou de comprar? Que reduziu o consumo abaixo de um limite? Cada definição usa uma tabela diferente e dá um número diferente.
A tentação é escolher a definição mais fácil de consultar e seguir. É assim que nasce a análise que responde com precisão a pergunta que ninguém fez.
Não escreva nenhuma consulta ainda. Você é um analista sênior cético. Pedido recebido: "o churn subiu em março, consegue ver por quê?" Contexto: [cole o dicionário de dados] Devolva: 1) Definições que precisam ser fixadas antes de medir qualquer coisa 2) Para cada definição possível, que tabela/coluna ela usaria e por que daria um número diferente 3) Que comparações fazem o "subiu" ter sentido (contra o quê?) 4) Explicações candidatas para uma alta de churn, e o dado que distinguiria entre elas 5) No máximo 5 perguntas objetivas para quem pediu Não escolha por mim. Marque como PENDENTE tudo que depende de decisão de negócio.
[prompt acima]
DEFINIÇÕES A FIXAR (todas PENDENTE) - Churn = cancelamento formal (contratos.cancelado_em) ou inatividade (sem pedido há N dias)? Os dois números costumam divergir muito. - Se inatividade: N = 30, 60 ou 90 dias? Muda quem entra na conta. - Churn de CLIENTES ou de RECEITA? Perder 10 clientes pequenos e perder 1 grande dão o mesmo churn de clientes e receitas opostas. - Conta o cliente que cancelou e voltou no mesmo mês? - Base do denominador: clientes ativos no início do mês, média do mês, ou fim do mês? Em base que cresce rápido, isso sozinho muda o %. COMPARAÇÕES QUE DÃO SENTIDO A "SUBIU" - Contra fevereiro (mês anterior) — sensível a sazonalidade e a mês curto - Contra março do ano passado — controla sazonalidade - Contra a média móvel de 6 meses — separa tendência de ruído - ATENÇÃO: fevereiro tem 28 dias. Churn por inatividade de 30 dias medido em meses de tamanhos diferentes produz alta artificial. EXPLICAÇÕES CANDIDATAS E O QUE AS DISTINGUE | Explicação | O que checar | | Mudança de preço | Coorte por data de reajuste vs. não reajustados | | Queda de qualidade | Tickets de suporte / incidentes em fev-mar | | Coorte ruim entrando | Churn por mês de aquisição, não por mês civil | | Fim de promoção | Clientes com desconto que expirou em fev | | Mudança no processo de cobrança | Falhas de pagamento por mês | | Nada — ruído | Intervalo do churn histórico mês a mês | PERGUNTAS PARA QUEM PEDIU 1. Quando você diz churn, é cancelamento formal ou parou de comprar? 2. Você quer entender perda de clientes ou de receita? 3. "Subiu" comparado a quê? 4. Aconteceu algo em fevereiro/março: preço, promoção, incidente, cobrança? 5. A decisão que depende disso é qual? (muda o nível de precisão necessário)
- A observação sobre fevereiro ter 28 dias é o tipo de coisa que produz uma "alta de churn" inteiramente artificial em métrica de inatividade — e que passa despercebida em nove de cada dez análises.
- A distinção entre churn por mês civil e por coorte de aquisição é a mais importante da lista: se entrou uma leva ruim em dezembro, o churn de março não fala sobre março.
- A última pergunta ("qual decisão depende disso?") não é sobre dados e é a que mais economiza trabalho — ela define quanta precisão vale a pena.
- Nenhuma explicação foi escolhida. A resposta é uma lista de verificações, não um diagnóstico.
O que aconteceu no caso
As respostas: churn era inatividade de 60 dias, o interesse era receita, a comparação era contra o mês anterior, e tinha acontecido um reajuste em janeiro.
Com isso fixado, a análise virou específica: churn de receita por coorte de reajuste, comparado ao mesmo recorte em janelas de mesmo tamanho. O resultado desmontou a hipótese inicial — a alta estava concentrada em clientes que não foram reajustados, e vinha de uma coorte de aquisição de dezembro com perfil diferente.
Se a primeira consulta tivesse sido escrita às 17h05, ela teria comparado março com fevereiro em meses de tamanhos diferentes e confirmado a hipótese do reajuste. Com número. Em slide.
Boa parte dos pedidos chega assim: "consegue puxar os dados que mostram que o reajuste causou o churn?". Quem pede raramente percebe que embutiu a conclusão.
A resposta profissional não é recusar nem obedecer: é devolver a pergunta reformulada. "Posso medir o churn separando quem foi reajustado de quem não foi — assim a gente vê se a hipótese se sustenta. Serve?"
Como perceber: O pedido contém um "que mostram que", "comprovando" ou "para justificar".
- A definição da métrica foi fixada por escrito antes da consulta.
- O denominador está explícito.
- As janelas comparadas têm o mesmo tamanho.
- Existem pelo menos três explicações candidatas na mesa.
- Sei qual decisão depende deste número.
- Antes de medir, fixe a definição — a mesma palavra costuma esconder cinco números diferentes.
Comentários e dúvidas
Inscreva-se grátis para comentar, tirar dúvidas, marcar seu progresso e emitir o certificado ao fim do curso.
Inscrever-se grátis com GoogleAinda não há comentários nesta aula.