A maioria dos modelos preditivos de churn usa variáveis internas: frequência de login, tickets de suporte, NPS, tempo desde o último uso. Mas ignora uma dimensão fundamental — se a mensalidade pesa ou não no orçamento do cliente. Dois clientes com o mesmo padrão de uso podem ter riscos de churn completamente diferentes se um mora em região com renda mediana de R$ 12.000 e o outro em região com renda mediana de R$ 1.800.
Sem dados territoriais, o modelo de churn não consegue distinguir um cliente para quem a mensalidade é irrelevante de outro para quem ela compromete uma fatia significativa da renda. Ambos aparecem com o mesmo health score.
Sem a PrismaData, ambos têm o mesmo health score. Com ela, o Cliente B é sinalizado como alto risco financeiro — a mensalidade pesa 7× mais no orçamento da região.
Envie latitude e longitude do endereço do cliente. Receba renda estimada da região, z-score comparativo e dados de contexto territorial. Cada variável é uma feature pronta para o modelo de churn.
{
// — Renda (personal_income_pdf) —
"renda_media_regiao": 1654.20,
"renda_mediana_regiao": 1420.00,
"renda_comparada_z_score": -0.84,
"renda_comparada_cdf": 0.2005,
"qtde_pessoas": 487,
// — Feature derivada (calculada pelo cliente) —
"peso_mensalidade_sobre_mediana": 0.2106,
// → 21,06% — mensalidade consome 1/5 da renda local
// — Contexto territorial (slum) —
"favela_distancia_m": 340.8,
"favela_dompp_total": 1204,
// — Fronteira (border) —
"ponto_contido_na_faixa_de_fronteira": false
}
A integração não substitui seu modelo existente — adiciona features que ele não tem acesso hoje.
Converta endereços ou CEPs em coordenadas (lat/lng). Se já tem coordenada, pule direto.
Envie coordenadas para query_personal_income_pdf. Calcule peso = mensalidade / renda_mediana.
Adicione peso_mensalidade, z_score_renda e renda_mediana no seu XGBoost, Random Forest ou qualquer classificador.
Integração via API REST. Envie a coordenada ou CEP do cliente — em tempo real durante o onboarding ou em batch para enriquecer a base existente.
Toda empresa com modelo recorrente (SaaS, assinatura, plano, financiamento) que captura endereço do cliente pode se beneficiar.
Mensalidade de R$ 199 pesa 2% para quem mora na Faria Lima e 14% para quem está na periferia de Belém. Mesmo NPS, riscos completamente diferentes.
Plano de R$ 119 numa região com renda mediana de R$ 1.200 compromete 10% do orçamento. A portabilidade é questão de tempo.
Inadimplência de plano de saúde além de 60 dias gera cancelamento automático. Saber que o prêmio compromete 25% da renda do entorno antecipa o risco.
Setor com churn mensal de até 9,6%. Saber que a parcela do curso equivale a 30% da renda local permite oferecer planos adequados antes do cancelamento.
Churn anual de 12–24% em fintech. Clientes em regiões com renda incompatível com o custo do produto migram primeiro para alternativas gratuitas.
Aluno que cancela após 3 meses porque "não está usando" frequentemente está cancelando porque o boleto começou a apertar.
O dado territorial não serve para excluir clientes — serve para calibrar a estratégia de retenção. Dois cenários reais mostram por quê:
Cliente em região com renda mediana de R$ 1.600, pagando plano de R$ 349 (22% da renda). Modelo detecta alto risco de churn por pressão financeira. O CS entra em contato e oferece um plano intermediário de R$ 149 — retém o cliente, preserva parte da receita.
Cliente em região com renda mediana de R$ 1.800, pagando R$ 299 (17% da renda). Parece alto risco — mas o uso é diário, o NPS é 9, e ele já indicou 3 pessoas. A renda da região é baixa, mas o cliente pode ter renda individual acima da mediana. O dado territorial é uma camada a mais, não um veredito.
Os modelos de renda da PrismaData são recalibrados mensalmente com microdados da PNAD Contínua, indicadores do BACEN e outras fontes oficiais. A inferência é feita por algoritmos de ML — o que significa que os dados de renda acompanham a dinâmica real da economia, não ficam estáticos por uma década.
Dados de referência: PNAD Contínua (IBGE), Censo Demográfico 2022, indicadores do Banco Central, SNIS e fontes públicas oficiais. Modelos proprietários com inferência via ML, recalibrados mensalmente.
A PrismaData retorna dados brutos da região. Você deriva as features. Exemplos prontos para injeção:
valor_plano / renda_mediana — Quanto da renda típica do entorno a mensalidade representa. Contínuo. Ideal para threshold de risco.A chave de consulta é a coordenada geográfica — não CPF, nome ou qualquer identificador pessoal. Os dados retornados descrevem uma região, não um indivíduo.
A renda retornada é a mediana da região, não do cliente. O modelo de churn usa contexto territorial como proxy, não como dado pessoal. Simplifica compliance.
Cada variável é rastreável — renda vem de modelo com base em PNAD Contínua e BACEN, comunidade de dados cartográficos do IBGE. Se o regulador perguntar, você tem a resposta.
Referências:
¹ Vena Solutions / UserMotion, SaaS Churn Rate Benchmarks, 2024–2025. Churn anual de 3,8–4,9% em B2B SaaS; 5–7% considerado aceitável.
² Harvard Business Review / Bain & Company. Custo de aquisição vs. retenção: adquirir novo cliente custa 5–7× mais do que reter existente.
³ CustomerGauge, Average Churn Rate by Industry, 2025. Telecom: 15–25% anual. SaaS SMB: 5–7% mensal.
⁴ UserMotion, SaaS Churn Rate Benchmark 2024. 36% das empresas consideram os primeiros 90 dias como período crítico. Churn de 10% no mês 1, caindo para 4% no mês 3.
⁵ WeAreFounders, SaaS Churn Rates by Industry 2025. Fintech: 12–24% anual; EdTech: até 9,6% mensal.
⁶ Springer / EPJ Data Science. Features espaço-temporais e comportamentais melhoram predição de churn bancário (AUC 77,9% vs. 51,3% demográfico).