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, cuáles son los segmentos más en riesgo, y qué intervenciones tendrán el mayor impacto en la retención.
Lee de / Escribe en el Brain
Si existe un professional-brain (brain/), toma como base en lugar de volver a preguntar por lo que ya sabes:
- Lee primero:
context.md(definiciones de métricas — qué significa "churn" aquí),knowledge/yentities/de segmentos relacionados. Ejecutapython3 ../professional-brain/scripts/brain_query.py ./brain "churn"y mantén la etiqueta de procedencia de cada hecho. - 📥 Propón al Brain: después de producir, propón registrar el hallazgo titular de retención a
knowledge/([data]), cualquier decisión de retención adecisions/y los drivers en riesgo comohypotheses/. Muéstralos, obtén confirmación, luego escribe con../professional-brain/scripts/brain_write.py … --commit(append-only, dry-run por defecto).
Inputs Requeridos
Pregunta por estos si no están ya disponibles:
- Período de tiempo siendo analizado (p. ej. Q1, últimos 12 meses)
- Total de clientes al inicio del período y clientes que hicieron churn
- ARR o ingresos perdidos por churn
- Datos de razones de churn — resultados de encuestas de salida, notas de CSM, datos de soporte o razones de pérdida de ventas
- Segmentos de clientes — por tier, industria, cohorte o línea de producto
- Tasa de retención actual si se conoce
- Cualquier cambio reciente — precios, producto, modelo de soporte — que haya podido afectar al churn
Categorías de Churn
Siempre clasifica el churn antes de analizarlo:
| Categoría | Definición |
|---|---|
| Voluntario — evitable | El cliente se fue debido a un problema que habríamos podido solucionar (gaps de producto, onboarding pobre, fallos relacionales) |
| Voluntario — inevitable | El cliente se fue por razones fuera de nuestro control (cortes de presupuesto, adquisición, cierre de empresa) |
| Involuntario | Fallo de pago, no renovación de contrato por error, error administrativo |
Las intervenciones para cada categoría son diferentes. Mezclarlas lleva a conclusiones equivocadas.
Formato de Output
Análisis de Churn: [Producto / Segmento / Empresa]
Período: [Fecha inicio] — [Fecha fin] Preparado por: [Nombre] | Fecha: [Fecha]
Números Titulares
| Métrica | Valor |
|---|---|
| Clientes al inicio del período | [N] |
| Clientes que hicieron churn | [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) | £/$/€[X] |
| Net revenue retention (NRR) | [X]% |
Contexto de benchmark:
- Tasa de churn de clientes: [X]% vs. benchmark de industria [Y]% — [arriba / abajo / en línea]
- NRR: [X]% — [Lo que significa: arriba del 100% = la expansión compensa el churn; abajo del 100% = base encogida]
Desglose de Churn por Categoría
| Categoría | Clientes | % del churn | ARR perdido |
|---|---|---|---|
| Voluntario — evitable | [N] | [X]% | £/$/€[X] |
| Voluntario — inevitable | [N] | [X]% | £/$/€[X] |
| Involuntario | [N] | [X]% | £/$/€[X] |
| Total | [N] | 100% | £/$/€[X] |
Churn evitable como % del churn total: [X]% — este es el número que realmente podemos influir.
Razones de Churn — Solo Churn Evitable
Ordena por frecuencia. Incluye peso de ARR donde los datos lo permitan.
| Razón | Cantidad | % del churn evitable | ARR perdido | Cita representativa |
|---|---|---|---|---|
| [Razón 1 — p. ej. "Producto carece de característica clave"] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| [Razón 2] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| [Razón 3] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| [Razón 4] | [N] | [X]% | £/$/€[X] | "[Cita]" |
| Otros | [N] | [X]% | £/$/€[X] | — |
Síntesis temática: [2–3 oraciones agrupando las razones principales en 2–3 temas. P. ej. "Las tres razones principales se agrupan en dos temas: gaps 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 sobre- o sub-indexan para churn.
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 los datos están 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 Timing
- Duración promedio del contrato antes del churn: [X meses]
- Momento de mayor riesgo: [p. ej. "Mes 3 — cuando el valor del trial se ha agotado pero la adopción completa no ha sucedido"]
- Distribución de timing del churn:
| Cuándo ocurrió el churn | % de cuentas en churn |
|---|---|
| 0–3 meses | [X]% |
| 3–6 meses | [X]% |
| 6–12 meses | [X]% |
| 12+ meses | [X]% |
Señales de Alerta Temprana
Basándote en las cuentas que hicieron churn, identifica las señales que precedieron al churn (y que hubieran podido disparar una intervención más temprana):
| Señal | Tiempo de adelanto antes del churn | Cómo detectarla |
|---|---|---|
| [Señal 1 — p. ej. "DAU/MAU cayó por debajo del 15%"] | [~X semanas] | [Dashboard de uso / alerta] |
| [Señal 2 — p. ej. "Sin QBR en 90+ días"] | [~X semanas] | [Flag de CRM] |
| [Señal 3 — p. ej. "El champion dejó la cuenta"] | [~X semanas] | [Alerta de LinkedIn / tracking de CSM] |
| [Señal 4] | [~X semanas] | [Método de detección] |
Recomendaciones de Intervención
Ordenadas por impacto estimado × viabilidad.
| Intervención | Aborda | Reducción de churn estimada | Esfuerzo | Propietario |
|---|---|---|---|---|
| [Intervención 1 — p. ej. "Mejorar onboarding para [segmento] con check-in dedicado de 30 días"] | [Razón 1] | [X cuentas / £X ARR] | Bajo / Medio / Alto | [Team] |
| [Intervención 2] | [Razón 2] | [X cuentas / £X ARR] | Bajo / Medio / Alto | [Team] |
| [Intervención 3] | [Razón 3] | [X cuentas / £X ARR] | Bajo / Medio / Alto | [Team] |
Decisión de prioridad: [Cuál es una intervención, si se implementa este trimestre, tendría el mayor impacto y por qué]
Lo Que No Sabemos (Gaps de Datos)
- [Gap de datos 1 — p. ej. "La tasa de respuesta de encuesta de salida es solo del 30% — los datos de razones pueden no ser representativos"]
- [Gap de datos 2 — p. ej. "Sin datos de uso de producto para tier SMB — no se puede confirmar correlación de señal de uso"]
- [Gap de datos 3]
Anti-Patrones
- No mezcles churn evitable e inevitable en planes de intervención — recomendar fixes de producto para clientes que hicieron churn por cierre de empresa desperdicia recursos
- No calcules la tasa de churn usando el recuento de clientes de fin de período como denominador — esto subestima el churn; siempre divide clientes en churn por la cohorte inicial
- No confíes únicamente en datos de encuesta de salida para razones de churn — las tasas de respuesta son típicamente bajas y el sesgo de auto-selección sesgará la muestra hacia clientes lo suficientemente comprometidos para completar una encuesta
- No recomiendes intervenciones sin vincularlas a una razón de churn específica — 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 ocultar una base de ingresos encogida
Materiales Más Profundos
Este skill viene con archivos de soporte — úsalos cuando estén disponibles:
references/avoidability-calls.md— ¿Evitable o No? Los Judgment Calls en Clasificación de Churn. Aplícalo mientras produces el output; lleva la calibración y los judgment calls que el resumen del método anterior comprime.templates/churn-report.md— una versión rellenable del deliverable con los quality gates en línea. Ofrécela cuando el usuario quiera trabajar el documento ellos mismos en lugar de tenerlo generado.
Rúbrica de Scoring (0–40)
Puntúa cualquier output de este skill antes de entregarlo; 32+ es de calidad ship.
| Dimensión | 0 | 5 | 10 |
|---|---|---|---|
| Integridad de matemática de tasa | Churn computado en recuento de fin de período; sin NRR | Denominador correcto pero solo churn bruto | Denominador correcto, churn bruto y neto lado a lado, contexto de benchmark que interpreta en lugar de decorar |
| Separación de evitabilidad | Todo churn tratado como un pool | Categorías tabuladas pero las intervenciones aún abordan el pool completo | División evitable/inevitable/involuntaria llevada a través de cada sección downstream; intervenciones tocan solo la parte evitable |
| Insight de segmento & timing | Solo promedios | Tabla de segmento presente pero sin lectura de sobre-índice | Nombra la celda de sobre-índice específica (tier × cohorte) y el momento de mayor riesgo, con el "por qué" |
| Linkage de intervención | Las recomendaciones flotan libres de causas | Cada intervención nombra una razón pero el impacto no está dimensionado | Cada intervención mapea a una razón ordenada con cuentas/ARR estimados recuperados, y la llamada de prioridad justifica su secuenciación |
Quality Checks
- La tasa de churn se calcula correctamente (churn ÷ cohorte inicial, no total de fin de período)
- El churn evitable e inevitable están separados — las intervenciones solo tocan el churn evitable
- Las razones de churn son reportadas por clientes, no asumidas internamente
- El análisis de segmento identifica qué segmentos sobre-indexan — no solo promedios
- Las señales de alerta temprana son específicas y detectables, no genéricas ("bajo engagement")
- Las intervenciones se vinculan directamente a las razones principales de churn — ninguna recomendación sin un match de causa raíz
Frases de Trigger de Ejemplo
- "Investigar por qué se van los clientes."
- "Calcular net revenue retention."
- "Construir un plan de intervención de retención."
