关于 customer-health-analyst
customer-health-analyst 是面向客户成功团队的指导技能,用于设计健康评分和预测分析。它按流失信号、客户细分、报告和干预等主题组织规则,帮助将客户数据转化为行动。
主要功能
- 01健康评分设计与校准
- 02领先与滞后指标分析
- 03流失预测与早期预警
- 04客户使用和采用分析
- 05风险干预指导
- 06队列分析与高管报告
适用场景
- 01设计客户健康评分模型
- 02在续约前发现流失风险
- 03按细分客户制定干预措施
- 04向高管汇报客户健康状况
安装
复制下面的命令,在终端中运行。
$
npx skills add https:/ / github.com/ ncklrs/ startup-os-skills --skill customer-health-analyst安装后在 Claude Code 中输入/customer-health-analyst确认已加载。
包含的文件
除 SKILL.md 外,安装时一起下载的参考资料和脚本。
rules/_sections.mdchurn-prediction-modeling.mdcohort-analysis-benchmarking.mddata-enrichment-360.mdexecutive-reporting-dashboards.mdhealth-model-validation.mdhealth-score-design.mdindicators-leading-lagging.mdrisk-identification-escalation.mdsegmentation-tier-scoring.mdusage-analytics-adoption.md详细介绍
客户健康分析师
为客户健康评分、预测分析和数据驱动的客户成功策略提供专业指导。将原始客户数据转化为可执行的洞察,预防客户流失并推动业务扩展。
理念
客户健康并非单一指标,而是一个预测系统:
- 衡量重要指标 — 健康评分应预测结果,而不只是追踪活动
- 着眼未来,而非事后 — 关注能在为时已晚之前预测客户流失的指标
- 按需细分,采取行动 — 不同客户需要不同的干预措施
- 自动化检测 — 对整个客户群进行规模化健康监控
- 形成闭环 — 没有行动的分析只是昂贵的数据收集
此技能的工作方式
调用时,应用 rules/ 中按以下主题组织的指南:
health-*— 健康评分设计、权重设置和校准indicators-*— 领先指标与滞后指标分析churn-*— 预测建模和预警系统usage-*— 分析和采用率指标risk-*— 风险识别、升级和干预data-*— 数据丰富和客户 360° 视图构建cohort-*— 分析和基准比较executive-*— 报告和仪表板segmentation-*— 客户分层和评分模型
核心框架
健康评分层级
┌─────────────────────────────────────────────────────────────────┐
│ COMPOSITE HEALTH SCORE │
│ (0-100) │
├─────────────────────────────────────────────────────────────────┤
│ │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌──────────┐ │
│ │ PRODUCT │ │ENGAGEMENT│ │ GROWTH │ │ SUPPORT │ │
│ │ USAGE │ │ │ │ SIGNALS │ │ HEALTH │ │
│ │ (35%) │ │ (25%) │ │ (20%) │ │ (20%) │ │
│ └──────────┘ └──────────┘ └──────────┘ └──────────┘ │
│ │
├─────────────────────────────────────────────────────────────────┤
│ COMPONENT METRICS │
│ │
│ Usage: Engagement: Growth: Support: │
│ - DAU/MAU - NPS score - Seat trend - Ticket volume │
│ - Features - CSM meetings - Usage trend - Resolution time │
│ - Depth - Email opens - Expansion - Sentiment │
│ - Breadth - Logins - Contract - Escalations │
│ │
└─────────────────────────────────────────────────────────────────┘
领先指标与滞后指标
| 类型 | 定义 | 示例 | 行动窗口 |
|---|---|---|---|
| 领先指标 | 预测未来结果 | 使用量下降、参与度降低 | 60-90 天 |
| 同步指标 | 与结果同步变化 | 支持情绪、NPS | 30-60 天 |
| 滞后指标 | 事后确认 | 客户流失、收入损失 | 为时已晚 |
客户健康状态
┌─────────────────────────────────────────────────────────────────┐
│ │
│ THRIVING ──→ HEALTHY ──→ NEUTRAL ──→ AT-RISK ──→ CRITICAL │
│ (85+) (70-84) (50-69) (30-49) (<30) │
│ │
│ Expand Monitor Engage Intervene Escalate │
│ │
└─────────────────────────────────────────────────────────────────┘
健康评分组成部分
| 组成部分 | 权重 | 关键指标 | 重要性 |
|---|---|---|---|
| 产品使用情况 | 30-40% | DAU/MAU、功能采用率、使用深度 | 使用情况可预测价值实现 |
| 参与度 | 20-25% | NPS、CSM 联系、响应度 | 关系强度指标 |
| 增长信号 | 15-20% | 席位扩展、使用趋势 | 投入表明客户的承诺 |
| 支持健康度 | 15-20% | 工单量、情绪、解决情况 | 挫败感可预测客户流失 |
| 财务状况 | 5-10% | 付款记录、合同期限 | 财务承诺程度 |
客户流失风险因素
| 因素 | 风险权重 | 检测方法 |
|---|---|---|
| 内部支持者离职 | 严重 | 联系人追踪、LinkedIn |
| 使用量下降 >30% | 高 | 产品分析 |
| NPS 为负(0-6) | 高 | 调查回复 |
| 支持问题升级 | 高 | 工单分析 |
| 错过续约会议 | 高 | CSM 活动追踪 |
| 合同降级 | 极高 | 账单数据 |
| 提及竞争对手 | 高 | 通话记录、工单 |
| 提及预算审查 | 中 | CSM 记录 |
分析技术栈
| 层级 | 用途 | 工具/方法 |
|---|---|---|
| 收集 | 收集原始数据 | 产品事件、CRM、支持数据 |
| 处理 | 清理和转换 | ETL、数据管道 |
| 计算 | 计算评分 | 评分算法 |
| 存储 | 历史追踪 | 数据仓库 |
| 可视化 | 呈现洞察 | 仪表板、报告 |
| 行动 | 触发干预 | 告警、自动化 |
关键指标
| 指标 | 公式 | 目标 |
|---|---|---|
| 健康评分准确率 | 预测的客户流失数 / 实际客户流失数 | >70% |
| 领先指标相关性 | 与结果的相关性 | >0.6 |
| 评分分布 | 各健康层级所占百分比 | 钟形曲线 |
| 干预成功率 | 成功挽回数 / 已干预数 | >40% |
| 检测时间 | 从风险出现到采取行动的天数 | <14 天 |
| 误报率 | 错误告警数 / 告警总数 | <20% |
高管仪表板 KPI
| KPI | 定义 | 基准 |
|---|---|---|
| 总收入留存率 | 留存 ARR / 期初 ARR | 85-95% |
| 净收入留存率 | (留存 + 扩张)/ 期初 | 100-130% |
| 客户留存率 | 留存客户数 / 期初客户数 | 90-95% |
| 平均健康评分 | 客户群体的平均值 | 65-75 |
| 风险收入 | 健康评分 <50 的 ARR | <15% |
| 扩张率 | 扩张客户数 / 总客户数 | 15-30% |
群组分析框架
| 群组类型 | 划分依据 | 用例 |
|---|---|---|
| 基于时间 | 注册月份/季度 | 留存趋势 |
| 基于行为 | 功能使用模式 | 激活效果 |
| 基于价值 | ARR 档位 | 细分市场经济效益 |
| 行业 | 垂直领域 | 产品与市场契合度 |
| 获客来源 | 渠道/来源 | 营销效率 |
反模式
- 虚荣健康评分 — 分数看起来不错,却无法预测结果
- 产品使用权重过高 — 忽视关系和情绪信号
- 过度关注滞后指标 — 衡量已经发生的事情
- 一刀切的阈值 — 相同分数对不同细分群体的含义不同
- 仅靠人工追踪健康状况 — 没有自动化就无法扩展
- 有分数却无行动 — 计算风险,却没有干预方案
- 仅每年校准一次 — 健康模型需要持续优化
- 忽视数据质量 — 垃圾进,垃圾出
评论
支持 Markdown