Agent Skills
› mohitagw15856/pm-claude-skills
› churn-analysis
churn-analysis
GitHub生成结构化流失分析，区分可避免与不可避免流失。识别高风险客户群，计算净收入留存率，并制定优先级干预计划。需结合Brain数据，输出包含关键指标、分类原因及预警信号的报告。
Trigger Scenarios
调查客户流失原因
识别高风险客户细分
计算净收入留存率(NRR)
构建客户保留干预计划
Install
npx skills add mohitagw15856/pm-claude-skills --skill churn-analysis -g -y
SKILL.md
Frontmatter
{
"name": "churn-analysis",
"description": "Produce a structured churn analysis that separates avoidable from unavoidable churn. Use when investigating why customers are leaving, identifying at-risk segments, calculating net revenue retention, or building a retention intervention plan. Produces a churn report with rate calculations, categorised reasons by avoidability, segment breakdown, timing analysis, early warning signals, and prioritised interventions ranked by estimated impact."
}
Skill de Análisis de Churn
Produce un análisis de churn estructurado que vaya más allá de la tasa titular — identificando por qué se van los clientes, qué segmentos corren mayor riesgo, y qué intervenciones tendrán el mayor impacto en la retención.
Lee de / Escribe en el Brain
Si existe un professional-brain (brain/), usa los datos que ya tienes en lugar de volver a preguntar:
- Lee primero:
context.md(definiciones de métricas — qué significa "churn" aquí),knowledge/, y lasentities/de segmentos relacionados. Ejecutapython3 ../professional-brain/scripts/brain_query.py ./brain "churn"y conserva la etiqueta de procedencia de cada hecho. - 📥 Propón al Brain: después de producir, propón registrar el hallazgo de retención principal en
knowledge/([data]), cualquier decisión de retención endecisions/, y los factores de riesgo comohypotheses/. Muéstralos, obtén un sí, y luego escribe con../professional-brain/scripts/brain_write.py … --commit(solo adición, simulación por defecto).
Datos de Entrada Requeridos
Solicita estos si no se proporcionan ya:
- Período de tiempo siendo analizado (ej. Q1, últimos 12 meses)
- Total de clientes al inicio del período y clientes perdidos
- ARR o ingresos perdidos por churn
- Datos de motivos de churn — resultados de encuestas de salida, notas de CSM, datos de soporte, o motivos de pérdida de ventas
- Segmentos de clientes — por tier, industria, cohorte, o línea de producto
- Tasa de retención actual si se conoce
- Cambios recientes — precios, producto, modelo de soporte — que pueden haber afectado el churn
Categorías de Churn
Clasifica siempre el churn antes de analizarlo:
| Categoría | Definición |
|---|---|
| Voluntario — evitable | El cliente se fue debido a un problema que podríamos haber resuelto (brechas de producto, onboarding deficiente, fallos en relaciones) |
| Voluntario — inevitable | El cliente se fue por razones fuera de nuestro control (recortes presupuestarios, adquisición, cierre de empresa) |
| Involuntario | Fallo de pago, no renovación de contrato por error, error administrativo |
Las intervenciones para cada categoría son diferentes. Confundirlas lleva a conclusiones equivocadas.
Formato de Salida
Análisis de Churn: [Producto / Segmento / Empresa]
Período: [Fecha de inicio] — [Fecha de fin] Preparado por: [Nombre] | Fecha: [Fecha]
Números Clave
| Métrica | Valor |
|---|---|
| Clientes al inicio del período | [N] |
| Clientes perdidos | [N] |
| Tasa de churn de clientes | [X]% |
| ARR al inicio del período | £/$/€[X] |
| ARR perdido por churn | £/$/€[X] |
| Tasa de churn de ingresos (bruto) | [X]% |
| ARR de expansiones (mismo período) | £/$/€[X] |
| Net Revenue Retention (NRR) | [X]% |
Contexto de comparativa:
- Tasa de churn de clientes: [X]% vs. comparativa de industria [Y]% — [por encima / por debajo / en línea]
- NRR: [X]% — [Qué significa: por encima del 100% = expansión compensa churn; por debajo del 100% = base encogiendo]
Desglose de Churn por Categoría
| Categoría | Clientes | % del churn | ARR perdido |
|---|---|---|---|
| Voluntario — evitable | [N] | [X]% | £/$/€[X] |
| Voluntario — inevitable | [N] | [X]% | £/$/€[X] |
| Involuntario | [N] | [X]% | £/$/€[X] |
| Total | [N] | 100% | £/$/€[X] |
Churn evitable como % del churn total: [X]% — este es el número que realmente podemos influir.
Motivos de Churn — Solo Churn Evitable
Ordena por frecuencia. Incluye peso de ARR donde los datos lo permitan.
| Motivo | Conteo | % del churn evitable | ARR perdido | Cita representativa |
|---|---|---|---|---|
| [Motivo 1 — ej. "Producto falta característica clave"] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| [Motivo 2] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| [Motivo 3] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| [Motivo 4] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| Otro | [N] | [X]% | £/$/€[X] | — |
Síntesis temática: [2–3 oraciones agrupando los principales motivos en 2–3 temas. Ej. "Los tres principales motivos se agrupan en dos temas: brechas de producto en [área] (afectando X% del churn evitable) y fallos de onboarding donde los clientes nunca lograron valor (Y%)."]
Churn por Segmento
Identifica qué segmentos tienen churn sobre o bajo el promedio.
Por Tier
| Tier | Tasa de churn | vs. General | Notas |
|---|---|---|---|
| Enterprise | [X]% | +/-[X]pp | |
| Mid-Market | [X]% | +/-[X]pp | |
| SMB | [X]% | +/-[X]pp |
Por Cohorte (Año de Adquisición)
| Cohorte | Tasa de churn | Notas |
|---|---|---|
| [Año 1] | [X]% | |
| [Año 2] | [X]% | |
| [Año 3] | [X]% |
Por Industria / Caso de Uso (si hay datos disponibles)
| Segmento | Tasa de churn | Notas |
|---|---|---|
| [Segmento 1] | [X]% | |
| [Segmento 2] | [X]% |
Patrón clave: [Qué segmento tiene la tasa de churn más alta y qué probablemente lo explica]
Análisis de Temporalidad
- Duración promedio del contrato antes del churn: [X meses]
- Momento de mayor riesgo: [ej. "Mes 3 — cuando el valor de prueba se ha agotado pero la adopción completa no ha ocurrido"]
- Distribución temporal del churn:
| Cuándo ocurrió el churn | % de cuentas perdidas |
|---|---|
| 0–3 meses | [X]% |
| 3–6 meses | [X]% |
| 6–12 meses | [X]% |
| 12+ meses | [X]% |
Señales de Alerta Temprana
Basado en las cuentas perdidas, identifica las señales que precedieron al churn (y podrían haber desencadenado intervención anterior):
| Señal | Tiempo de avance antes del churn | Cómo detectarla |
|---|---|---|
| [Señal 1 — ej. "DAU/MAU cayó por debajo del 15%"] | [~X semanas] | [Dashboard de uso / alerta] |
| [Señal 2 — ej. "No QBR en 90+ días"] | [~X semanas] | [Flag en CRM] |
| [Señal 3 — ej. "Defensor de la cuenta se fue"] | [~X semanas] | [Alerta de LinkedIn / seguimiento de CSM] |
| [Señal 4] | [~X semanas] | [Método de detección] |
Recomendaciones de Intervención
Ordenadas por impacto estimado × viabilidad.
| Intervención | Dirige a | Est. reducción de churn | Esfuerzo | Propietario |
|---|---|---|---|---|
| [Intervención 1 — ej. "Mejorar onboarding para [segmento] con check-in dedicado de 30 días"] | [Motivo 1] | [X cuentas / £X ARR] | Bajo / Med / Alto | [Equipo] |
| [Intervención 2] | [Motivo 2] | [X cuentas / £X ARR] | Bajo / Med / Alto | [Equipo] |
| [Intervención 3] | [Motivo 3] | [X cuentas / £X ARR] | Bajo / Med / Alto | [Equipo] |
Prioridad decidida: [Cuál es la única intervención que, si se implementa este trimestre, tendría el mayor impacto y por qué]
Lo que No Sabemos (Brechas de Datos)
- [Brecha de datos 1 — ej. "Tasa de respuesta de encuesta de salida es solo 30% — los datos de motivos pueden no ser representativos"]
- [Brecha de datos 2 — ej. "Sin datos de uso de producto para tier SMB — no se puede confirmar correlación de señal de uso"]
- [Brecha de datos 3]
Anti-patrones
- No mezcles churn evitable e inevitable en planes de intervención — recomendar arreglos de producto para clientes que se fueron debido a cierre de empresa desperdicia recursos
- No calcules tasa de churn usando el conteo de clientes de fin de período como denominador — esto subestima el churn; siempre divide clientes perdidos entre la cohorte inicial
- No confíes únicamente en datos de encuesta de salida para motivos de churn — las tasas de respuesta típicamente son bajas y el sesgo de autoselección favorece clientes lo suficientemente comprometidos para completar una encuesta
- No recomiendes intervenciones sin vincularlas a un motivo de churn específico — intervenciones desconectadas de causas raíz no moverán la retención
- No reportes solo churn de ingresos bruto — sin net revenue retention (NRR), un número de retención saludable puede esconder una base de ingresos que se encoge
Controles de Calidad
- Tasa de churn se calcula correctamente (perdidos ÷ cohorte inicial, no total de fin de período)
- Churn evitable e inevitable están separados — intervenciones solo dirigen al churn evitable
- Motivos de churn son reportados por cliente, no asumidos internamente
- Análisis de segmento identifica qué segmentos sobre-indexan — no solo promedios
- Señales de alerta temprana son específicas y detectables, no genéricas ("bajo engagement")
- Intervenciones vinculan directamente a los principales motivos de churn — sin recomendaciones sin emparejamiento de causa raíz
Version History
- a38bc30 Current 2026-07-05 11:07
