# Churn de jogadores em iGaming: medir, prever e reduzir

Churn de jogadores em iGaming: defina-o por janelas de atividade, leia sinais precoces, monte um modelo preditivo e prove com controle que a ação funciona.

A taxa de churn de jogadores é a parcela dos jogadores que estavam ativos em um período e não estão ativos no seguinte. A fórmula é simples. O difícil é decidir o que conta como ativo, qual janela usar e se o seu trabalho de retenção muda algo que não aconteceria de qualquer forma.

Este guia leva você por cinco passos: definir o churn, calculá-lo, ler os sinais precoces, prever quem vai sair e provar com um grupo de controle que a intervenção funcionou. Ele foi escrito para gestores de CRM e retenção em cassinos e casas de apostas.

## Por que o churn é uma inferência

Em software por assinatura, o cliente cancela. Um cassino ou uma casa de apostas não tem evento de cancelamento. O jogador para de depositar e de apostar, e a conta continua aberta. Você infere o churn pela inatividade, então precisa defini-lo por conta própria.

Essa definição move todos os números seguintes. Duas equipes podem relatar 25% e 45% de churn para a mesma base de jogadores e as duas estarem certas, porque uma conta o login como atividade e a outra exige uma aposta.

## 1. Defina o churn antes de contar

Decida quatro coisas uma vez e escreva-as.

1. Evento de atividade. Uma aposta ou um depósito é mais honesto que um login, porque jogadores entram para ver o saldo ou sacar.
2. Escopo. A conta inteira ou um produto. O jogador que saiu dos slots para as apostas esportivas deixou o cassino, mas não a marca.
3. Janela. 30, 60 ou 90 dias de inatividade.
4. População. Jogadores com pelo menos um depósito. Cadastros sem depósito pertencem ao onboarding e à análise do primeiro depósito.

Merchie e Ernst, em um estudo com dados da empresa belga de jogos online Gaming1, usaram uma versão concreta. O jogador é considerado churn após 35 dias sem atividade. Um dia conta como ativo se o jogador teve ao menos uma sessão de jogo, uma aposta esportiva ou um depósito. Copie o formato, não os valores: um evento de atividade explícito e um limite explícito.

Mantenha dois estados separados. A queda é um silêncio curto que dispara uma mensagem. A perda é um silêncio longo, por exemplo de 90 dias, e é o número que você reporta. Um jogador além do seu limite de inatividade está inativo. Trazer jogadores inativos de volta é outra tarefa, tratada em [campanhas de reativação de jogadores](/blog/player-reactivation-campaigns/).

## 2. Calcule a taxa de churn e o churn de valor

O cálculo usa um período-base e um período de observação.



- **Taxa de churn** = jogadores ativos no período-base que estão inativos no período de observação ÷ jogadores ativos no período-base
- **Taxa de retenção** = 1 − taxa de churn
- **Churn de valor** = NGR no período-base dos jogadores que saíram ÷ NGR total no período-base





**Exemplo.** Um operador conta 20.000 jogadores depositantes com pelo menos uma aposta em janeiro. Em fevereiro, 13.000 dos mesmos jogadores apostam ao menos uma vez e 7.000 não apostam. A taxa de churn é 7.000 ÷ 20.000 = 35%. A taxa de retenção é 65%.



Três regras mantêm o número honesto.

- Use os mesmos jogadores no numerador e no denominador. Novos cadastros de fevereiro não entram no cálculo.
- Reporte lado a lado a taxa de queda em janela curta e a taxa de perda em janela longa. Parte dos 7.000 vai voltar em março.
- Corte a taxa por coorte: mês de cadastro, canal de aquisição, tamanho do primeiro depósito e primeiro produto. O método está em [análise de coortes em iGaming](/blog/cohort-analysis-igaming/).

A taxa de churn e a taxa de retenção são a mesma medida vista de dois lados. Veja o verbete do glossário sobre [taxa de churn](/glossary/churn-rate/).

### Pese o churn pelo valor

Uma taxa simples trata igual um jogador que deposita €10 por mês e um jogador regular de alto valor. O churn de valor corrige isso. Se 35% dos jogadores saíram, mas geravam só 12% do NGR, o problema é menor do que parece. Se geravam 30%, você está perdendo receita central.

**Mesmo churn em número de jogadores, dano diferente**

- Jogadores que saíram: 35%
- NGR perdido, churn de baixo valor: 12%
- NGR perdido, churn da receita central: 30%

Use NGR em vez de GGR, já que o custo do bônus pode transformar um jogador intenso em prejuízo. A diferença está explicada em [NGR vs GGR](/blog/ngr-vs-ggr/).

### Leia uma taxa alta contra o seu próprio histórico

Um único número de churn só é comparável quando o evento de atividade, a janela e a população coincidem. Use estas verificações no lugar de um benchmark externo.

- Sua própria tendência, com a definição congelada. Uma alta de vários pontos em dois ou três períodos comparáveis é um sinal.
- Curvas de coorte. Se as coortes recentes perdem jogadores mais rápido que as antigas na mesma idade, mudaram a qualidade da aquisição, o onboarding, o produto ou a política de bônus.
- Churn de valor contra churn em número de jogadores.
- Sazonalidade. Grandes eventos esportivos, ciclos de pagamento e feriados mexem na atividade. Compare iguais com iguais.

## 3. Encontre os sinais precoces

Os jogadores raramente somem de uma hora para outra. O comportamento se desgasta primeiro, e um programa de retenção pode agir sobre esse desgaste. Transforme estes sinais em números e teste-os nos seus dados.

| Sinal | O que medir | Por que importa |
|---|---|---|
| Intervalos maiores entre sessões | Intervalo atual contra a mediana do próprio jogador | Uma base pessoal vence um limite fixo |
| Frequência de depósito em queda | Depósitos nos últimos 14 dias contra os 14 anteriores | Dinheiro entrando é o sinal comercial mais cedo |
| Apostas ou sessões menores | Média móvel contra a média de 60 dias | O interesse some antes de a atividade parar |
| Mix de produtos mais estreito | Produtos usados por mês | Menos produtos, menos motivos para voltar |
| Saque sem novo depósito | Tempo entre o saque e o próximo depósito | O jogador sacou e foi embora |
| Eventos de atrito | Depósitos recusados, atrasos de KYC, chamados ao suporte | Muitas vezes uma causa que dá para corrigir |
| Mensagens ignoradas | Taxa de abertura ou clique por jogador | Fadiga do canal |
| Dependência de bônus | Parcela da atividade dentro de períodos de bônus | O engajamento pode não sobreviver à oferta |

O sinal que importa é a mudança em relação ao histórico do próprio jogador. Um jogador semanal e um diário têm intervalos normais diferentes.

As causas variam por operador, então trate estas como hipóteses a testar. As mais comuns: nenhum segundo depósito, aquisição movida a bônus, dependência de uma liga ou torneio, atrito em pagamentos e verificação, mensagens irrelevantes e ofertas de concorrentes. Para descobrir quais dominam na sua base, mapeie onde os jogadores saem por etapa do ciclo de vida, como em [gestão do ciclo de vida do jogador](/blog/player-lifecycle-management/).

## 4. Preveja quem vai sair

Uma regra como "30 dias sem apostar" só age depois que o jogador já foi embora. Um modelo atribui uma pontuação de risco aos jogadores enquanto eles ainda estão ativos, de modo que uma correção ou uma mensagem chegue mais cedo e um orçamento limitado vá para os jogadores certos.

### Defina o alvo

O alvo tem três parâmetros. Errá-los é o erro de modelagem mais comum.

- Janela de histórico: até onde o modelo olha para trás, por exemplo 60 dias.
- Definição de churn: inatividade de N dias.
- Horizonte de previsão: quanto à frente você prevê. No estudo de Merchie e Ernst, o modelo lia 60 dias de histórico e previa o churn nos 30 dias seguintes.

Calcule a pontuação apenas para jogadores que ainda estão ativos na data do cálculo. Prever que um jogador inativo está inativo é trivial.

### Escolha as variáveis e o modelo

Parta da tabela de sinais. Recência (dias desde a última aposta e o último depósito), frequência (sessões e depósitos por semana), valor (apostas, depósitos, NGR), tendências (últimos 14 dias contra os 14 anteriores), mix de produtos, eventos de pagamento, parcela de bônus, contatos com o suporte, engajamento com mensagens e tempo de casa.

Comece com uma regressão logística regularizada. Ela é rápida, um gestor de CRM consegue lê-la e estabelece uma linha de base que os outros modelos precisam superar. Depois teste árvores com gradient boosting. Modelos de sequência aprendem direto das séries temporais diárias.

Merchie e Ernst usaram redes recorrentes nos dados da Gaming1. Os resultados dão uma expectativa realista.

- Cerca de 22% das amostras de teste eram jogadores que saíram.
- Três tipos de célula recorrente chegaram a precisão de 0,62 a 0,64 e recall de 0,49 a 0,61 para a classe de churn. A acurácia ficou em cerca de 0,83.
- A acurácia sozinha engana em classes desbalanceadas. Um modelo que dissesse "sem churn" para todos marcaria cerca de 78% nessa divisão.

O modelo ordena os jogadores bem o bastante para ser útil. Mesmo assim, erra para uma minoria grande deles.

### Valide como uma previsão

- Divida por tempo. Treine em datas anteriores e teste em posteriores. Uma divisão aleatória vaza comportamento futuro para o treino.
- Procure vazamento. Qualquer variável que use informação posterior à data do cálculo faz o modelo parecer forte e falhar em produção.
- Use métricas de ranking. Meça precisão e recall no ponto de corte que vai usar e o lift do decil superior: quanto a taxa de churn nos 10% de maiores pontuações é mais alta que a média.
- Verifique a calibração. Se o modelo diz 70%, cerca de 70% desses jogadores devem sair.
- Planeje o drift. No mesmo estudo, os autores viram que o recall dos eventos de churn começa a cair quando a janela de treino é menor que cerca de um ano. Viram também as métricas mudarem em torno de dois eventos pontuais: o operador suspendeu vários tipos de bônus por motivo legal em março de 2020, e o cassino ficou fora do ar por alguns dias em junho de 2020. Reavalie todo mês e depois de qualquer mudança grande de produto ou de bônus.



Um modelo diz quem tem probabilidade de sair. Ele não diz quem vai responder a uma mensagem. Alguns jogadores de alto risco estão perdidos de qualquer forma, alguns ficariam sem contato e uns poucos se irritam com ele. A modelagem de uplift trata disso. Gutierrez e Gérardy a definem como o conjunto de técnicas usadas para modelar o impacto incremental de uma ação ou tratamento sobre o resultado de um cliente. Você pode começar sem modelos de uplift, mas precisa de um grupo de controle.

## 5. Intervenha e prove o efeito

### Combine a ação com a causa

- Corrija o atrito primeiro. Depósitos recusados, saques lentos e atrasos de verificação são mais baratos de corrigir do que de compensar. Encaminhe esses jogadores ao suporte, não a uma promoção.
- Dispare pelo comportamento. Contate o jogador quando o intervalo passar da norma dele, não no dia 30 para todos. O roteiro mais amplo está em [estratégias de retenção de jogadores](/blog/player-retention-strategies/).
- Amarre as ofertas ao produto que o jogador usou. Teste uma oferta específica do produto contra um bônus de recarga genérico.
- Alterne os canais com base em evidência. Se o jogador ignora um canal, um quarto email não é a resposta.
- Limite a dependência de bônus. Descontos pesados elevam a atividade neste mês e ensinam os jogadores a esperar a próxima oferta. Compare o NGR depois do custo do bônus.
- Dê aos jogadores valiosos um contato pessoal de um gerente de VIP ou de retenção. Automatize a cauda longa.

### Rode o teste de holdout

Relatar que 30% dos jogadores que receberam mensagem voltaram não prova nada, porque parte deles voltaria de qualquer jeito.

1. Defina a audiência elegível antes da campanha, por exemplo jogadores acima de um corte de risco que estão ativos e não foram suprimidos.
2. Separe ao acaso um holdout dessa audiência. Quanto menor a base, maior a parcela necessária.
3. Envie a campanha só ao restante. O holdout não recebe nenhuma mensagem deste programa.
4. Compare taxa de retorno, depósitos por jogador e NGR por jogador depois do custo de bônus e de campanha, em uma janela fixa.
5. Reporte a diferença, com intervalo de confiança se os volumes permitirem.



**Exemplo.** Um operador seleciona 10.000 jogadores em risco elegíveis. 1.000 vão para o grupo de controle e 9.000 para o grupo de campanha. Em 30 dias, 2.430 jogadores do grupo de campanha depositam (27%) e 190 do grupo de controle depositam (19%). O NGR por jogador é €14,20 no grupo de campanha e €11,00 no de controle. O custo por jogador do grupo de campanha é €1,50.

A taxa de depositantes subiu 8 pontos percentuais. O NGR por jogador subiu €3,20, ou €1,70 depois do custo. Em 9.000 jogadores, são €15.300. Um simples "27% voltaram" superestima o efeito, porque 19% voltaram sem nenhum contato.



**Parcela de jogadores em risco que depositaram em 30 dias**

- Grupo de campanha: 27%
- Grupo de controle: 19%
- Adicionado pela campanha: 8%

Quatro coisas estragam o teste.

- Um grupo de controle escolhido à mão ou diferente em valor do grupo de campanha. Sorteie e depois confira o NGR passado e o tempo de casa.
- Um holdout contaminado por outras campanhas. Mantenha um holdout global permanente quando vários programas rodam ao mesmo tempo.
- Uma janela curta demais. Um bônus pode antecipar um depósito sem criar um novo. Olhe de 30 a 60 dias.
- IDs de jogador diferentes no CRM e no PAM. Audiência, IDs e NGR precisam bater antes do lançamento.

Se um holdout verdadeiro for impossível, uma coorte histórica equivalente é um substituto mais fraco e deve ser chamada de estimativa. Você pode modelar a economia da coorte antes com a [calculadora de economia de campanha](/tools/campaign-economics-calculator/).

## Trabalho de churn e jogo responsável

Os sinais de churn e os sinais de dano se sobrepõem. Um programa de churn não pode perseguir jogadores vulneráveis.

Interrompa o marketing direto e direcionado e a adesão a novas ofertas de bônus quando forem identificados fortes indicadores de dano. Limite ainda mais o marketing direto conforme os indicadores se reforçam. Entre os indicadores estão perseguir perdas, apostas erráticas, uso de pausas, autoexclusões anteriores e depósitos recusados. Vários deles parecem sinais comuns de risco de churn em um painel. Um modelo treinado só em receita pode colocar esses jogadores no topo da fila para receber um bônus.

Situações fora da conta, como dificuldade financeira, divórcio, luto e perda de emprego, também importam. Aja com base nas informações que você tem.

Regras para o operador:



- Aplique a supressão antes da pontuação ou da segmentação: autoexcluídos, jogadores em pausa, em resfriamento, sinalizados por dano e descadastrados nunca entram na audiência.
- Respeite o consentimento por canal.
- Mantenha a equipe de jogo mais seguro informada sobre as definições de audiência e registre quem foi contatado e por quê.
- Nunca otimize um modelo para "mais provável de continuar jogando" sem um filtro de dano.



Veja [jogo responsável no CRM](/blog/responsible-gambling-crm/) para a abordagem completa.

## Checklist para reduzir o churn



- Definições escritas de atividade, churn e inatividade, usadas em todos os relatórios.
- Churn em número de jogadores e churn de valor por coorte.
- Um intervalo-base por jogador para as regras de disparo.
- Um alvo de previsão com janela de histórico, limite de inatividade e horizonte.
- Uma validação por tempo, uma checagem de vazamento e uma checagem de calibração.
- Regras de supressão que rodam antes de toda campanha.
- Um holdout aleatório para cada programa.
- Resultados reportados como NGR incremental depois do custo.
- Uma revisão mensal do drift do modelo e dos resultados dos testes.

## FAQ

### Qual é uma boa taxa de churn de jogadores em iGaming?

O número depende do evento de atividade, da janela e do mix de produtos, então uma taxa de 30 dias de um operador não se compara a uma de 90 dias de outro. Use como referência seus próprios períodos anteriores e suas próprias coortes, com a definição congelada.

### Como calcular a taxa de churn de jogadores?

Fixe uma base de jogadores que estavam ativos em uma janela de referência, por exemplo os últimos 30 dias. Conte quantos deles não têm atividade válida na janela seguinte. A taxa de churn é o número de jogadores que saíram dividido pela base. A taxa de retenção é um menos a taxa de churn.

### Quanto tempo sem atividade faz um jogador de cassino virar churn?

Depende do ritmo normal do jogador. Um jogador diário de slots que fica duas semanas sem jogar dá um sinal mais forte do que um apostador esportivo mensal que fica o mesmo tempo sem apostar. Use uma janela fixa de 30, 60 ou 90 dias para relatórios e um intervalo próprio de cada jogador para disparar mensagens.

### O machine learning consegue prever o churn de jogadores?

Consegue, o suficiente para ordenar os jogadores. Um estudo publicado com um operador belga de jogos online usou redes neurais recorrentes e chegou a precisão de 0,62 a 0,64 e recall de 0,49 a 0,61 para a classe de churn, conforme a arquitetura. Isso serve para priorizar jogadores numa campanha. Não torna certa nenhuma previsão individual.

### Como saber se uma campanha de retenção reduziu o churn?

Separe um grupo de controle aleatório da mesma audiência elegível e não envie nada a ele. Compare depósitos e NGR por jogador entre o grupo de campanha e o de controle no mesmo período. A diferença é o efeito da campanha.

### Devemos contatar todos os jogadores com probabilidade de churn?

Não. Retire os autoexcluídos, os jogadores que usam pausas ou ferramentas de resfriamento e quem mostra fortes indicadores de dano. Respeite o consentimento por canal. A pontuação de churn é um sinal comercial e nunca se sobrepõe a uma decisão de jogo mais seguro.