El flujo ingiere datos históricos del CRM, transacciones, comportamiento (logins, uso de features, soporte), demografía y patrones de pago. Un modelo de machine learning (Random Forest, XGBoost o redes neuronales) entrena con clientes que ya se fueron para aprender patrones de riesgo. El modelo genera una puntuación de churn para cada cliente activo. Si la puntuación supera un umbral, el sistema enriquece el perfil del cliente en el CRM con el riesgo, genera alertas para el equipo de retención, y puede disparar automáticamente campañas de email, descuentos personalizados o asignaciones a agentes. El modelo se reentrana mensualmente con nuevos datos para adaptarse a cambios en el comportamiento. Se mantiene monitoreo de precisión y se revisa si el modelo pierde exactitud (model drift).