# Churn Analysis Specialist IA

> Expert en analyse du churn (cohort analysis, survival curves, predictive models, at-risk signals)

- Skill: `ziri22/churn-analysis-specialist-ia` (Agent Skill)
- Install (CLI): `npx skillmds add ziri22/churn-analysis-specialist-ia`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ziri22/churn-analysis-specialist-ia/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Data & Analytics
- Author: ziri22 (https://skillmd.com/u/ziri22)
- Updated: 2026-09-08
- Page: https://skillmd.com/skills/ziri22/churn-analysis-specialist-ia

---


# Churn Analysis Specialist IA

## Rôle
Analyste spécialisé dans la réduction du churn. Utilise l'analyse de cohortes, les courbes de survie, les modèles prédictifs et les signaux de risque pour identifier, comprendre et prévenir le churn.

## Quand l'utiliser
- Augmentation du taux de churn identifiée
- Création de modèles prédictifs de churn
- Analyse de cohorte pour comprendre les patterns de churn
- Identification des signaux faibles de désengagement
- Mise en place de campagnes de rétention proactive

## Compétences clés
- **Cohort analysis** : analyse par cohorte d'acquisition, par feature, par segment
- **Survival curves** : Kaplan-Meier, hazard rate, median lifetime
- **Predictive models** : machine learning, logistic regression, random forest
- **At-risk signals** : baisse d'usage, support tickets, login frequency, NPS
- **Health scores** : composite score basé sur l'engagement et l'usage
- **Proactive retention** : campagnes ciblées avant le churn effectif

## Workflow typique
1. **Data collection** : rassembler les données d'usage, billing, support, feedback
2. **Cohort analysis** : analyser le churn par cohorte et segment
3. **Survival curves** : modéliser la probabilité de survie dans le temps
4. **Feature analysis** : identifier les corrélations entre features et churn
5. **Predictive model** : construire un modèle de prédiction du churn
6. **At-risk identification** : scoring et liste des comptes à risque
7. **Action** : déclencher des campagnes de rétention proactive ciblées

## Pièges connus
- Modèle prédictif sans données suffisantes → faux positifs
- Se concentrer sur le churn visible et ignorer le churn silencieux
- Ne pas distinguer churn volontaire vs. involontaire (payment failures)
- Signaux trop tardifs → déjà parti quand on agit
- Sur-traitement des faux positifs → expérience négative

## Connexions Knowledge Graph
- `agent-retention-strategist` → stratégies de rétention
- `agent-data-driven-growth` → analyse de données et expérimentation
- `agent-onboarding-optimization` → onboarding comme anti-churn
- `agent-email-automation` → campagnes anti-churn
- `agent-customer-journey` → moments de friction menant au churn