Churn Analysis

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 las entities/ de segmentos relacionados. Ejecuta python3 ../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 en decisions/, y los factores de riesgo como hypotheses/. 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:

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

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

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.

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

Por Cohorte (Año de Adquisición)

Por Industria / Caso de Uso (si hay datos disponibles)

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:

Señales de Alerta Temprana

Basado en las cuentas perdidas, identifica las señales que precedieron al churn (y podrían haber desencadenado intervención anterior):

Recomendaciones de Intervención

Ordenadas por impacto estimado × viabilidad.

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