Retenção e recorrência • CRM para restaurantes
Como descobrir quando um cliente está prestes a parar de comprar
O cliente raramente avisa que vai abandonar um restaurante. O sinal aparece primeiro no comportamento: o intervalo entre pedidos aumenta, a frequência cai, o canal muda ou uma experiência ruim interrompe um padrão que antes era estável.
Por que “churn” é diferente em restaurantes
Em um serviço por assinatura, o cancelamento marca uma saída. Em restaurantes e delivery, a relação é não contratual: a pessoa pode voltar amanhã, daqui a dois meses ou nunca mais, sem registrar uma decisão formal. Por isso, definir todo cliente ausente há 30 dias como perdido costuma gerar dois erros ao mesmo tempo: abordar cedo demais quem ainda está no ritmo normal e tarde demais quem já quebrou o hábito.
A pergunta útil não é “quantos dias sem comprar significam churn para todos?”. É “quanto o intervalo atual se desviou do padrão esperado para este cliente, categoria, canal ou ocasião?”. Um cliente que pede almoço duas vezes por semana e passa 18 dias sem comprar merece uma leitura diferente de alguém que costuma pedir em datas especiais.
Modelos de análise de bases não contratuais tratam a atividade como probabilidade, não como um estado observável perfeito. A literatura de customer-base analysis usa recência e frequência para estimar a chance de um cliente continuar ativo e as transações futuras esperadas. Na prática do restaurante, você pode começar com uma régua simples e auditável antes de adotar um modelo estatístico.
O sinal mais forte: o intervalo perdeu o ritmo
Calcule o tempo entre pedidos de cada cliente e encontre uma referência de cadência. A mediana costuma ser mais robusta do que a média quando existem poucos intervalos muito longos. Em seguida, compare os dias desde a última compra com essa referência.

Uma regra inicial pode usar faixas relativas ao comportamento, sem fingir precisão:
| Leitura | O que observar | Ação indicada |
|---|---|---|
| No ritmo | Intervalo atual próximo do padrão histórico | Não pressionar; manter a jornada normal |
| Atenção | Intervalo começou a ultrapassar o padrão | Investigar contexto e testar lembrete relevante |
| Em risco | Intervalo muito acima do habitual, com histórico de frequência ou valor | Priorizar contato e oferta coerente com a causa provável |
| Inativo | Ausência prolongada e baixa resposta a tentativas anteriores | Rever custo da abordagem e reduzir pressão |
Os limites devem nascer dos dados da operação. Compare por tipo de restaurante, unidade, canal e ocasião de consumo. Pizza de sexta-feira, almoço executivo e pedido de sobremesa têm ciclos diferentes.
Combine cinco sinais antes de agir
1. Recência piorou
Recência é o tempo desde a última compra. Sozinha, ela diz quem está há mais tempo sem comprar; comparada à cadência, mostra quem está atrasado em relação ao próprio padrão.
2. Frequência caiu
Observe janelas equivalentes. Se alguém fazia quatro pedidos a cada 30 dias e passou a um, há mudança mesmo que a última compra seja recente. Evite comparar um mês completo com um período ainda em andamento.
3. O intervalo ficou mais instável
Clientes com cadência previsível são mais fáceis de monitorar. Quando os intervalos passam de 7, 8 e 7 dias para 18 e 25, a desaceleração pode aparecer antes de uma ausência longa.
4. Houve sinal de experiência ruim
Cancelamento, atraso, item faltante, nota baixa ou reclamação próxima à última compra mudam a hipótese. Nesse caso, uma mensagem genérica com cupom pode ignorar a causa. O primeiro passo é reconhecer e corrigir a experiência.
5. O valor em risco justifica a prioridade
Frequência alta, gasto acumulado, margem e potencial futuro ajudam a ordenar a fila. Isso não significa abandonar clientes de menor ticket, mas evitar gastar o mesmo esforço em situações economicamente diferentes.
Use RFV para separar atraso de prioridade
A análise RFV reúne recência, frequência e valor. Na Repediu, a matriz organiza clientes em grupos como campeões, fiéis, atenção, prestes a hibernar, em risco, hibernados e perdidos. O segmento “em risco” combina uma recência pior com histórico relevante de frequência e gasto.
Você pode aprofundar a lógica no guia de análise RFV da Repediu. Para transformar o diagnóstico em audiência, a plataforma permite criar segmentos por dias desde a última compra, canal e classificação RFV, combinando regras com operadores E/OU.
RFV é uma boa camada de priorização, mas não explica a causa. Dois clientes podem aparecer no mesmo grupo por motivos distintos: um teve uma experiência ruim; outro mudou de rotina; outro apenas migrou de canal. Use o segmento para organizar a investigação, não para disparar a mesma mensagem automaticamente.
Um método prático para criar sua régua de risco
- Defina a unidade do cliente. Escolha como reconhecer a mesma pessoa entre canais. Cadastros duplicados fragmentam pedidos e fazem clientes frequentes parecerem ocasionais.
- Escolha uma janela histórica. Use um período com dados consistentes e sazonalidade conhecida. Registre quais pedidos entram e como cancelamentos ou testes são tratados.
- Calcule a cadência. Meça os intervalos entre compras por cliente e, para quem tem pouco histórico, use um segmento comparável.
- Crie faixas de atenção. Defina quando o intervalo atual começa a se afastar do esperado. Não copie um número universal.
- Adicione frequência e valor. Priorize quem tinha hábito e relevância econômica.
- Cruze experiência e contexto. Inclua avaliações, cancelamentos, canal, unidade, produto e data da última comunicação.
- Teste a intervenção. Separe públicos comparáveis e meça retorno incremental, margem e nova compra.
A tela de segmentos da Repediu já oferece a propriedade “Dias da última compra” e segmentos padrão baseados em RFV. Nos fluxos, os blocos de clientes podem trazer pessoas de um segmento ordenadas por quem comprou há mais tempo ou por quem mais gastou, desde que a assinatura inclua os dados de clientes. Veja como funcionam os dados da Repediu dentro das automações.
Qual ação usar para cada hipótese
| Hipótese | Mensagem ou ação | O que evitar | Métrica |
|---|---|---|---|
| Perda de hábito | Lembrar a ocasião de consumo ou facilitar a repetição | Desconto automático para toda a base | Reativação e próxima compra sem incentivo |
| Experiência ruim | Reconhecer, ouvir e resolver a causa | Fingir que nada aconteceu | Resposta, resolução e recompra posterior |
| Preço ou margem percebida | Testar benefício limitado ou alternativa de mix | Cupom permanente | Margem incremental e recorrência |
| Mudança de preferência | Apresentar novidade relacionada ao histórico | Recomendar item aleatório | Conversão por categoria e frequência |
| Migração de canal | Confirmar identidade e consolidar leitura | Marcar como perdido sem checar dados | Pedidos unificados por cliente |
Como medir sem confundir retorno com efeito da campanha
Uma compra depois da mensagem não prova que a mensagem causou a compra. Parte dos clientes voltaria naturalmente. Quando houver volume, mantenha um grupo de comparação elegível que não recebeu a ação. Se isso não for possível, compare coortes, períodos equivalentes e o histórico do mesmo segmento.
Acompanhe pelo menos quatro dimensões:
- Volume: quantos clientes entraram em atenção e em risco.
- Conversão: quantos voltaram dentro da janela definida.
- Tempo: quanto levou até a recompra e se o intervalo voltou ao padrão.
- Valor: receita, margem e compras seguintes, não apenas o pedido de reativação.
Na Repediu, o relatório de clientes recuperados mostra quem voltou após um período de inatividade, os dias sem comprar, o status RFV e valores de compra. Use essa leitura junto com a exposição à campanha e a janela de análise; contar todo retorno como resultado de marketing pode inflar a conclusão.
Checklist semanal de clientes em risco
- Atualize pedidos, identidades e integrações antes de classificar.
- Compare dias desde a última compra com a mediana de intervalo.
- Abra por unidade, canal e segmento quando houver amostra suficiente.
- Priorize clientes com histórico de frequência e valor.
- Revise cancelamentos, avaliações e reclamações próximas à última compra.
- Escolha uma ação ligada à hipótese, com owner e prazo.
- Meça reativação, margem e nova compra após o retorno.
- Registre quem pediu para não receber contato e respeite preferências.
Identifique clientes em risco antes que o silêncio vire perda
Organize recência, frequência, valor e intervalo entre pedidos para priorizar a base certa e agir com contexto.
Perguntas frequentes
Quantos dias sem comprar definem um cliente em risco?
Não existe um número universal. Use a cadência da operação, do segmento ou do próprio cliente. O mesmo período pode ser normal para uma compra ocasional e crítico para quem pedia toda semana.
RFV prevê com certeza quem vai abandonar?
Não. RFV resume comportamento passado e ajuda a priorizar. Ele não conhece sozinho a causa da ausência nem garante o comportamento futuro.
Devo oferecer cupom assim que o cliente atrasar?
Não automaticamente. Primeiro avalie contexto, margem e causa provável. Lembrete, novidade, conveniência ou recuperação de experiência podem ser mais adequados.
Cliente recuperado é igual a campanha convertida?
Não necessariamente. Cliente recuperado voltou após inatividade; atribuir o retorno à campanha exige saber se ele foi exposto e usar uma comparação adequada.
Antecipar risco é ler mudança, não adivinhar o futuro
O melhor alerta não nasce de uma lista genérica de inativos. Ele nasce da diferença entre o comportamento esperado e o observado. Quando o intervalo se alonga, a frequência perde força e o valor em risco é relevante, você tem uma fila de investigação mais útil.
Comece com uma régua simples, explicável e revisada toda semana. Depois, conforme a base amadurecer, avance para modelos probabilísticos. O objetivo não é rotular pessoas como “perdidas”, e sim agir antes, com menos ruído, mais contexto e uma medida clara do resultado.
Fontes e leituras complementares
- Central de Ajuda da Repediu: Análise RFV
- Central de Ajuda da Repediu: Segmentos
- Central de Ajuda da Repediu: Clientes recuperados
- Central de Ajuda da Repediu: dados de clientes nos fluxos
- Fader, Hardie e Lee: BG/NBD para análise de base de clientes
- Kim et al.: revisão sobre análise de churn contratual e não contratual
Conteúdo editorial atualizado em novembro de 2026.




