Cómo saber qué clientes vas a perder con un Excel de ventas
Casi ninguna empresa pequeña se entera de que está perdiendo un cliente. No hay una baja ni un aviso: simplemente deja de comprar, y cuando alguien lo nota han pasado seis meses. La información para verlo venir suele estar ya en el Excel de ventas.
Por qué «el que lleva más tiempo sin comprar» no vale
La reacción natural es ordenar los clientes por días sin comprar y llamar a los primeros. El problema es que cada cliente tiene su propio ritmo. Uno que compra cada semana y lleva un mes parado es una señal de alarma; otro que compra dos veces al año y lleva cuatro meses parado está haciendo lo de siempre.
Ordenar por antigüedad del último pedido mezcla las dos cosas y te hace llamar a quien no toca. Lo que importa no es cuánto lleva sin comprar, sino cuánto lleva sin comprar comparado con su propio ritmo, y qué ha pasado con su gasto en los últimos meses.
Las tres preguntas que sí sirven
¿Lo vamos a perder? Un modelo entrenado con tu propio historial calcula la probabilidad de que cada cliente no vuelva a comprar en los próximos 90 días. Aprende de los clientes que ya se fueron: qué tenían en común antes de irse.
¿Por qué? Para cada cliente, qué rasgos empujan su riesgo hacia arriba y cuáles hacia abajo: los días que lleva sin comprar frente a su ritmo habitual, cuántas veces ha comprado, cómo ha evolucionado su gasto, la variedad de productos que se lleva.
¿Cuánto vale y qué hago? Un cliente en riesgo que factura 200 € al año y otro que factura 20.000 € no son la misma llamada. El valor esperado a 12 meses se calcula con los modelos de valor de cliente habituales en márketing, y cada cliente cae en un grupo con una acción asociada: no los pierdas, fieles, en riesgo, nuevos, habituales, perdidos.
La lista útil no es «los 50 con más riesgo», sino riesgo multiplicado por valor: a quién llamar primero.
Qué datos necesitas
Una exportación de ventas con tres columnas obligatorias:
- Fecha de la venta.
- Código de cliente — un código, no el nombre. No hace falta ningún dato personal.
- Importe (o cantidad y precio).
Opcionales: número de pedido o factura, categoría o producto, y una columna de devoluciones. Cuanta más historia, mejor: con 12 meses o más el horizonte de predicción es de 90 días.
Hay dos casos en los que no se puede calcular nada, y la herramienta lo dice en vez de inventarse un número: si ningún cliente ha dejado de comprar nunca, no hay nada que aprender; si ninguno ha vuelto a comprar, probablemente las columnas elegidas no son las correctas.
Un caso real, con sus aciertos y sus fallos
El ejemplo publicado usa un conjunto de datos público de un comercio online: 5.864 clientes y 44.870 facturas en dos años. El modelo ordena bien el riesgo en el 78 % de los casos con clientes que no había visto, y entre los de más riesgo acabó yéndose el 87 %, justo lo que predecía.
También se publica lo que falla: en el trimestre de prueba el modelo de valor se quedó un 24 % por debajo de las compras reales, porque ese trimestre era temporada alta. Esa clase de cosas conviene saberlas antes de tomar decisiones con el número.
Los datos no salen de tu ordenador
Todo el cálculo ocurre en tu navegador. El archivo no se sube a ningún servidor, así que no hay que pedir permiso a nadie para probarlo con datos reales ni firmar un contrato de tratamiento de datos para hacer una prueba.
Pruébalo con tus datos o mira el caso real. El análisis en pantalla es gratis, sin registro, y el archivo no sale de tu ordenador.
How to find out which customers you are about to lose, from a sales spreadsheet
Hardly any small business notices it is losing a customer. There is no cancellation and no warning: they simply stop buying, and by the time someone notices, six months have gone. The information needed to see it coming is usually already in the sales spreadsheet.
Why "whoever has gone longest without buying" does not work
The natural move is to sort customers by days since their last order and call the top of the list. The trouble is that every customer has their own rhythm. Someone who buys weekly and has been quiet for a month is an alarm; someone who buys twice a year and has been quiet for four months is doing exactly what they always do.
Sorting by recency mixes the two and sends you after the wrong people. What matters is not how long since the last purchase, but how long compared with that customer's own rhythm, and what has happened to their spending in recent months.
The three questions that do work
Are we about to lose them? A model trained on your own history works out the probability that each customer will not buy again within the next 90 days. It learns from the customers who already left: what they had in common before leaving.
Why? For each customer, which traits push their risk up and which pull it down: days since the last purchase against their usual rhythm, how many times they have bought, how their spending has moved, the variety of products they take.
What are they worth and what do I do? A customer at risk who spends €200 a year and one who spends €20,000 are not the same phone call. Expected 12-month value is calculated with the customer-value models standard in marketing, and each customer falls into a group with an action attached: do not lose them, loyal, at risk, new, regular, lost.
The useful list is not "the 50 riskiest" but risk multiplied by value: who to call first.
What data you need
A sales export with three required columns:
- Date of the sale.
- Customer code — a code, not a name. No personal data is needed.
- Amount (or quantity and price).
Optional: order or invoice number, category or product, and a returns column. The more history the better: with 12 months or more the prediction horizon is 90 days.
There are two cases where nothing can be calculated, and the tool says so instead of inventing a number: if no customer has ever stopped buying, there is nothing to learn from; if none ever bought again, the chosen columns are probably not the right ones.
A real case, with what it gets right and wrong
The published example uses a public dataset from an online retailer: 5,864 customers and 44,870 invoices over two years. The model ranks risk correctly 78% of the time on customers it had not seen, and among the riskiest, 87% did leave — exactly what it predicted.
What it gets wrong is published too: in the test quarter the value model came in 24% below actual purchases, because that quarter was peak season. That is the kind of thing worth knowing before making decisions with the number.
Your data never leaves your computer
The whole calculation happens in your browser. The file is not uploaded to any server, so there is nobody to ask for permission before trying it with real data and no data-processing agreement to sign for a test.
Try it with your data or read the real case. The on-screen analysis is free, with no sign-up, and the file never leaves your computer.