churn-analysis

客户流失分析 Skill

生成结构化的客户流失分析，不止呈现总体流失率，还要找出客户流失的原因、风险最高的客群，以及对提升留存最有效的干预措施。

从 Brain 读取 / 写入 Brain

如果存在 professional-brain（brain/），请以其中的信息为依据，避免重复询问已知内容：

• 先读取： context.md（指标定义——此处“客户流失”的含义）、knowledge/ 和相关客群的 entities/。运行 python3 ../professional-brain/scripts/brain_query.py ./brain "churn"，并保留每条事实的来源标签。
• 📥 提议写入 Brain： 完成分析后，提议将留存方面的核心发现记录到 knowledge/（[data]），将留存决策记录到 decisions/，并将高风险驱动因素记录到 hypotheses/。展示这些内容，取得同意后，再使用 ../professional-brain/scripts/brain_write.py … --commit 写入（仅追加，默认试运行）。

必需输入

如果尚未提供，请询问以下信息：

• 分析时间段（例如 Q1、过去 12 个月）
• 期初客户总数和流失客户数
• 客户流失造成的 ARR 或收入损失
• 客户流失原因数据——退出调查结果、CSM 备注、支持数据或销售流失原因
• 客户细分——按等级、行业、客群或产品线划分
• 当前留存率（如已知）
• 近期变更——可能影响客户流失的定价、产品或支持模式变更

客户流失类别

分析前始终先对客户流失进行分类：

类别	定义
主动流失——可避免	客户因我们本可以解决的问题而离开（产品缺陷、引导体验不佳、客户关系破裂）
主动流失——不可避免	客户因我们无法控制的原因而离开（预算削减、被收购、公司倒闭）
非主动流失	付款失败、误未续约、管理员错误

每种类别的干预措施都不同。将它们混为一谈会导致错误结论。

输出格式

---

客户流失分析：[产品 / 客群 / 公司]

时间段：[开始日期] — [结束日期] 编制人：[姓名] | 日期：[日期]

---

核心数据

指标	数值
期初客户数	[N]
流失客户数	[N]
客户流失率	[X]%
期初 ARR	£/$/€[X]
客户流失造成的 ARR 损失	£/$/€[X]
总收入流失率	[X]%
同期扩张带来的 ARR	£/$/€[X]
净收入留存率（NRR）	[X]%

基准参考：

• 客户流失率：[X]%；行业基准为 [Y]%——[高于 / 低于 / 与基准持平]
• NRR：[X]%——[含义：高于 100% = 扩张收入抵消流失；低于 100% = 客户基础萎缩]

---

按类别划分的客户流失情况

类别	客户数	占流失客户的比例	ARR 损失
主动流失——可避免	[N]	[X]%	£/$/€[X]
主动流失——不可避免	[N]	[X]%	£/$/€[X]
非主动流失	[N]	[X]%	£/$/€[X]
总计	[N]	100%	£/$/€[X]

可避免流失占总流失的比例：[X]%——这是我们实际能够影响的部分。

---

客户流失原因——仅限可避免的流失

按出现频率排序。数据允许时，列出对应的 ARR 权重。

原因	数量	占可避免流失的比例	ARR 损失	代表性引述
[原因 1——例如“产品缺少关键功能”]	[N]	[X]%	£/$/€[X]	“[引述]”
[原因 2]	[N]	[X]%	£/$/€[X]	“[引述]”
[原因 3]	[N]	[X]%	£/$/€[X]	“[引述]”
[原因 4]	[N]	[X]%	£/$/€[X]	“[引述]”
其他	[N]	[X]%	£/$/€[X]	—

主题综合：[用 2–3 句话将主要原因归纳为 2–3 个主题。例如：“排名前三的原因集中在两个主题：［领域］的产品缺陷（影响 X% 的可避免流失），以及客户始终未能实现价值的引导失败（Y%）。”]

---

按细分群体分析流失

找出哪些细分群体的流失率高于或低于平均水平。

按层级

层级	流失率	与整体相比	备注
企业级	[X]%	+/-[X]pp
中型市场	[X]%	+/-[X]pp
SMB	[X]%	+/-[X]pp

按客户群组（获客年份）

客户群组	流失率	备注
[第 1 年]	[X]%
[第 2 年]	[X]%
[第 3 年]	[X]%

按行业 / 用例（如有数据）

细分群体	流失率	备注
[细分群体 1]	[X]%
[细分群体 2]	[X]%

主要模式： [哪个细分群体的流失率最高，以及可能的原因]

---

时间分析

• 流失前的平均合同期限： [X 个月]
• 风险最高的时点： [例如“第 3 个月——试用带来的价值已经消退，但尚未实现全面采用”]
• 流失时间分布：

流失发生时间	已流失账户占比
0–3 个月	[X]%
3–6 个月	[X]%
6–12 个月	[X]%
12 个月以上	[X]%

---

早期预警信号

根据已流失账户，找出流失前出现的信号（以及本可以触发更早干预的信号）：

信号	距流失的提前时间	检测方式
[信号 1——例如“DAU/MAU 降至 15% 以下”]	[约 X 周]	[使用情况仪表板 / 警报]
[信号 2——例如“90 天以上未进行 QBR”]	[约 X 周]	[CRM 标记]
[信号 3——例如“关键联系人离开该账户”]	[约 X 周]	[LinkedIn 警报 / CSM 跟踪]
[信号 4]	[约 X 周]	[检测方式]

---

干预建议

按预估影响 × 可行性排序。

干预措施	针对的问题	预估流失减少量	投入	负责人
[干预措施 1——例如“为[细分群体]改进引导流程，并安排专门的 30 天回访”]	[原因 1]	[X 个账户 / £X ARR]	低 / 中 / 高	[团队]
[干预措施 2]	[原因 2]	[X 个账户 / £X ARR]	低 / 中 / 高	[团队]
[干预措施 3]	[原因 3]	[X 个账户 / £X ARR]	低 / 中 / 高	[团队]

优先建议： [如果本季度只能实施一项干预措施，哪一项影响最大？为什么？]

---

尚不清楚的事项（数据缺口）

• [数据缺口 1——例如“退出调查的回复率仅为 30%——原因数据可能缺乏代表性”]
• [数据缺口 2——例如“没有 SMB 层级的产品使用数据——无法确认使用信号与流失的相关性”]
• [数据缺口 3]

---

反模式

• 不要在干预计划中混淆可避免与不可避免的流失——针对因公司倒闭而流失的客户建议修复产品问题，会浪费资源
• 不要以期末客户数为分母计算流失率——这会低估流失率；始终用流失客户数除以期初客户群
• 不要只依赖退出调查数据来分析流失原因——回复率通常较低，而且自我选择偏差会使样本偏向那些投入度足以完成调查的客户
• 不要在未关联具体流失原因的情况下提出干预建议——与根本原因脱节的干预措施无法改善留存
• 不要只报告总收入流失率——若没有净收入留存率（NRR），看似健康的留存数字可能掩盖收入基数正在萎缩

深入材料

此技能附带支持文件——如有，请使用：

• references/avoidability-calls.md —《可避免还是不可避免？流失分类中的判断要点》。生成输出时请参考该文件，其中包含本方法摘要所概括的校准标准和判断要点。
• templates/churn-report.md — 可填写的交付成果模板，内含质量检查关卡。若用户想自行完成文档，而不是让系统生成，可向其提供此模板。

评分标准（0–40）

移交前，请为此技能的任何输出评分；32 分以上即可交付。

维度	0	5	10
流失率计算的严谨性	按期末客户数计算流失率；未计算 NRR	分母正确，但只计算了总流失率	分母正确，同时列出总流失率和净流失率，并提供用于解读而非装饰的基准背景
可避免性区分	将所有流失视为同一类	对类别进行了统计，但干预措施仍针对全部流失客户	在所有后续部分中持续区分可避免、不可避免和非自愿流失；干预措施仅针对可避免的部分
客群与时间洞察	仅提供平均值	有客群表格，但未指出过度集中情况	指明过度集中的具体单元格（层级 × 队列）和风险最高的时点，并说明原因
干预措施关联	建议与原因无关	每项干预措施都说明了原因，但未估算影响	每项干预措施都对应一个按优先级排序的原因，并估算可挽回的客户数／ARR；优先级安排须有理有据

质量检查

• 流失率计算正确（流失客户数 ÷ 初始队列客户数，而非期末总数）
• 已区分可避免和不可避免的流失——干预措施仅针对可避免的流失
• 流失原因来自客户反馈，而非内部臆测
• 客群分析指出哪些客群的流失率过高，而不只是给出平均值
• 早期预警信号具体且可检测，而非笼统的“参与度低”
• 干预措施直接对应主要流失原因——每项建议都有对应的根因

示例触发短语

• “调查客户流失的原因。”
• “计算净收入留存率。”
• “制定客户留存干预计划。”