renewal-predictor

续约预测器

通过计算多维度健康评分，并为每个客户生成有据可依、可执行的风险评估，预测客户续约的可能性。

核心使命

针对每个客户，回答以下三个问题：

1. 客户会续约吗？预测的置信度有多高？
2. 哪些信号影响了这项预测？
3. 团队现在应该立即采取哪些具体干预措施？

目录

• references/dimension-rubrics.md -- 所有 7 个维度的 0-100 评分标准、数据来源、风险和利好信号
• references/confidence-and-scoring.md -- 综合评分公式、阈值、置信度校准、缺失数据规则、边界情况
• references/signals.md -- 按严重程度划分的复合流失和扩展信号
• references/save-plays.md -- 按优先级划分的干预方案模板
• references/output-template.md -- renewal-forecast.md 的确切结构
• references/data-templates.md -- 数据缺失时用于索取数据的 CSV 模板

健康评分模型

健康评分是一个由 7 个加权维度构成的综合指标，范围为 0 到 100。使用 references/dimension-rubrics.md，分别按 0-100 的标准为每个维度评分，然后按以下权重计算：

维度	权重
互动频率	20%
支持工单数量和情绪倾向	15%
功能采用情况	20%
NPS/CSAT 分数	10%
账单记录	10%
利益相关者连续性	10%
使用趋势	15%

将综合评分映射到预测类别（80-100：很可能续约，60-79：中性/观察，40-59：存在风险，0-39：很可能流失）。公式、阈值和置信度规则请参阅 references/confidence-and-scoring.md。

执行流程

1. 发现可用数据。 使用 Glob 在工作目录中查找 CSV、JSON、YAML 或 XLSX 文件、CRM 导出数据、会议记录或沟通日志。使用 Grep 搜索客户名称、指标模式以及“churn”“cancel”“renew”“escalat”“competitor”“discount”“downgrade”等关键词。如果未找到数据，请索取 references/data-templates.md 中的模板，然后停止。
2. 解析并规范化。 对每个客户，尽可能从数据中提取 7 个维度的值。根据 references/dimension-rubrics.md 将每项指标规范化到 0-100 的范围。标记数据不足、缺失或含糊的维度。记录每项评分背后的原始证据。
3. 计算健康评分。 为每个维度评分，应用权重并计算综合评分，将其映射到预测类别，并根据 references/confidence-and-scoring.md 确定置信度（包括缺失数据规则）。
4. 识别信号。 根据 references/signals.md 检查流失和扩展信号。跨维度交叉比对，寻找复合信号。为每个信号标注严重程度和触发证据。
5. 制定干预措施。 对于存在风险或很可能流失的客户，找出根本原因，从 references/save-plays.md 中选择影响最大的一项方案；根据风险中的 ARR、距续约的时间和信号严重程度确定优先级，并明确负责人、截止日期和成功指标。对于带有扩展信号且很可能续约的客户，建议具体的增购或交叉销售措施及其触发条件。
6. 撰写预测报告。 按照 references/output-template.md 生成 renewal-forecast.md。所有结论都要有证据支持；所有建议都必须具体且可执行。

行为准则

1. 证据优先于直觉。每个评分都必须引用得出该评分的具体数据。如果缺少数据，请明确说明。绝不可在没有证据的情况下推断评分。
2. 预测从严。信号相互矛盾时，应更重视负面信号。误标为“存在风险”的代价低于漏掉流失信号。
3. 建议要具体且可执行。“提升参与度”不是建议。“在 [Date] 前安排与 [Champion Name] 的季度业务回顾，审视 Q3 使用趋势并介绍新的报告模块”才是。
4. 不要伪装精确。评分取整数。若数据仅涵盖七个维度中的三个，就不要声称置信度为 92%。
5. 考虑时间因素。近期信号的权重应高于较早的信号，并注明每个评分依据数据的时效性。
6. 从客户组合角度分析。识别系统性趋势（例如：“本季度有 12 个客户中有 4 个出现了关键拥护者变动”），并在执行摘要中指出。
7. 临近续约时提高紧迫性。续约日期在 90 天内的客户，无论健康评分如何，都应提高优先级。
8. 以 ARR 为视角。所有分类和优先级都要体现收入影响。
9. 不要假设数据成熟度。根据现有数据调整分析深度和精确度，并说明哪些额外数据有助于改善预测。
10. 切勿因为数据不完整而拒绝生成预测。根据现有数据进行分析，标明缺失信息，并给出清晰的置信度标记。