---

machine-translated to es from skills/churn-analysis/SKILL.md — review: pending. Native fixes welcome via PR.

name: churn-analysis description: "Produce un análisis de churn estructurado que separe el churn evitable del inevitable. Úsalo cuando investigues por qué se van los clientes, identifiques segmentos en riesgo, calcules net revenue retention o construyas un plan de intervención de retención. Produce un informe de churn con cálculos de tasa, razones categorizadas por evitabilidad, desglose por segmento, análisis de timing, señales de alerta temprana e intervenciones priorizadas según impacto estimado."

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, cuáles son los segmentos más en riesgo, y qué intervenciones tendrán el mayor impacto en la retención.

Lee de / Escribe en el Brain

Si existe un professional-brain (brain/), toma como base en lugar de volver a preguntar por lo que ya sabes:

• Lee primero: context.md (definiciones de métricas — qué significa "churn" aquí), knowledge/ y entities/ de segmentos relacionados. Ejecuta python3 ../professional-brain/scripts/brain_query.py ./brain "churn" y mantén la etiqueta de procedencia de cada hecho.
• 📥 Propón al Brain: después de producir, propón registrar el hallazgo titular de retención a knowledge/ ([data]), cualquier decisión de retención a decisions/ y los drivers en riesgo como hypotheses/. Muéstralos, obtén confirmación, luego escribe con ../professional-brain/scripts/brain_write.py … --commit (append-only, dry-run por defecto).

Inputs Requeridos

Pregunta por estos si no están ya disponibles:

• Período de tiempo siendo analizado (p. ej. Q1, últimos 12 meses)
• Total de clientes al inicio del período y clientes que hicieron churn
• ARR o ingresos perdidos por churn
• Datos de razones de churn — resultados de encuestas de salida, notas de CSM, datos de soporte o razones de pérdida de ventas
• Segmentos de clientes — por tier, industria, cohorte o línea de producto
• Tasa de retención actual si se conoce
• Cualquier cambio reciente — precios, producto, modelo de soporte — que haya podido afectar al churn

Categorías de Churn

Siempre clasifica el churn antes de analizarlo:

Categoría	Definición
Voluntario — evitable	El cliente se fue debido a un problema que habríamos podido solucionar (gaps de producto, onboarding pobre, fallos relacionales)
Voluntario — inevitable	El cliente se fue por razones fuera de nuestro control (cortes de presupuesto, adquisición, cierre de empresa)
Involuntario	Fallo de pago, no renovación de contrato por error, error administrativo

Las intervenciones para cada categoría son diferentes. Mezclarlas lleva a conclusiones equivocadas.

Formato de Output

---

Análisis de Churn: [Producto / Segmento / Empresa]

Período: [Fecha inicio] — [Fecha fin] Preparado por: [Nombre] | Fecha: [Fecha]

---

Números Titulares

Métrica	Valor
Clientes al inicio del período	[N]
Clientes que hicieron churn	[N]
Tasa de churn de clientes	[X]%
ARR al inicio del período	£/$/€[X]
ARR perdido por churn	£/$/€[X]
Tasa de churn de ingresos (bruto)	[X]%
ARR de expansiones (mismo período)	£/$/€[X]
Net revenue retention (NRR)	[X]%

Contexto de benchmark:

• Tasa de churn de clientes: [X]% vs. benchmark de industria [Y]% — [arriba / abajo / en línea]
• NRR: [X]% — [Lo que significa: arriba del 100% = la expansión compensa el churn; abajo del 100% = base encogida]

---

Desglose de Churn por Categoría

Categoría	Clientes	% del churn	ARR perdido
Voluntario — evitable	[N]	[X]%	£/$/€[X]
Voluntario — inevitable	[N]	[X]%	£/$/€[X]
Involuntario	[N]	[X]%	£/$/€[X]
Total	[N]	100%	£/$/€[X]

Churn evitable como % del churn total: [X]% — este es el número que realmente podemos influir.

---

Razones de Churn — Solo Churn Evitable

Ordena por frecuencia. Incluye peso de ARR donde los datos lo permitan.

Razón	Cantidad	% del churn evitable	ARR perdido	Cita representativa
[Razón 1 — p. ej. "Producto carece de característica clave"]	[N]	[X]%	£/$/€[X]	"[Cita]"
[Razón 2]	[N]	[X]%	£/$/€[X]	"[Cita]"
[Razón 3]	[N]	[X]%	£/$/€[X]	"[Cita]"
[Razón 4]	[N]	[X]%	£/$/€[X]	"[Cita]"
Otros	[N]	[X]%	£/$/€[X]	—

Síntesis temática: [2–3 oraciones agrupando las razones principales en 2–3 temas. P. ej. "Las tres razones principales se agrupan en dos temas: gaps 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 sobre- o sub-indexan para churn.

Por Tier

Tier	Tasa de churn	vs. General	Notas
Enterprise	[X]%	+/-[X]pp
Mid-Market	[X]%	+/-[X]pp
SMB	[X]%	+/-[X]pp

Por Cohorte (Año de Adquisición)

Cohorte	Tasa de churn	Notas
[Año 1]	[X]%
[Año 2]	[X]%
[Año 3]	[X]%

Por Industria / Caso de Uso (si los datos están disponibles)

Segmento	Tasa de churn	Notas
[Segmento 1]	[X]%
[Segmento 2]	[X]%

Patrón clave: [Qué segmento tiene la tasa de churn más alta y qué probablemente lo explica]

---

Análisis de Timing

• Duración promedio del contrato antes del churn: [X meses]
• Momento de mayor riesgo: [p. ej. "Mes 3 — cuando el valor del trial se ha agotado pero la adopción completa no ha sucedido"]
• Distribución de timing del churn:

Cuándo ocurrió el churn	% de cuentas en churn
0–3 meses	[X]%
3–6 meses	[X]%
6–12 meses	[X]%
12+ meses	[X]%

---

Señales de Alerta Temprana

Basándote en las cuentas que hicieron churn, identifica las señales que precedieron al churn (y que hubieran podido disparar una intervención más temprana):

Señal	Tiempo de adelanto antes del churn	Cómo detectarla
[Señal 1 — p. ej. "DAU/MAU cayó por debajo del 15%"]	[~X semanas]	[Dashboard de uso / alerta]
[Señal 2 — p. ej. "Sin QBR en 90+ días"]	[~X semanas]	[Flag de CRM]
[Señal 3 — p. ej. "El champion dejó la cuenta"]	[~X semanas]	[Alerta de LinkedIn / tracking de CSM]
[Señal 4]	[~X semanas]	[Método de detección]

---

Recomendaciones de Intervención

Ordenadas por impacto estimado × viabilidad.

Intervención	Aborda	Reducción de churn estimada	Esfuerzo	Propietario
[Intervención 1 — p. ej. "Mejorar onboarding para [segmento] con check-in dedicado de 30 días"]	[Razón 1]	[X cuentas / £X ARR]	Bajo / Medio / Alto	[Team]
[Intervención 2]	[Razón 2]	[X cuentas / £X ARR]	Bajo / Medio / Alto	[Team]
[Intervención 3]	[Razón 3]	[X cuentas / £X ARR]	Bajo / Medio / Alto	[Team]

Decisión de prioridad: [Cuál es una intervención, si se implementa este trimestre, tendría el mayor impacto y por qué]

---

Lo Que No Sabemos (Gaps de Datos)

• [Gap de datos 1 — p. ej. "La tasa de respuesta de encuesta de salida es solo del 30% — los datos de razones pueden no ser representativos"]
• [Gap de datos 2 — p. ej. "Sin datos de uso de producto para tier SMB — no se puede confirmar correlación de señal de uso"]
• [Gap de datos 3]

---

Anti-Patrones

• No mezcles churn evitable e inevitable en planes de intervención — recomendar fixes de producto para clientes que hicieron churn por cierre de empresa desperdicia recursos
• No calcules la tasa de churn usando el recuento de clientes de fin de período como denominador — esto subestima el churn; siempre divide clientes en churn por la cohorte inicial
• No confíes únicamente en datos de encuesta de salida para razones de churn — las tasas de respuesta son típicamente bajas y el sesgo de auto-selección sesgará la muestra hacia clientes lo suficientemente comprometidos para completar una encuesta
• No recomiendes intervenciones sin vincularlas a una razón de churn específica — 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 ocultar una base de ingresos encogida

Materiales Más Profundos

Este skill viene con archivos de soporte — úsalos cuando estén disponibles:

• references/avoidability-calls.md — ¿Evitable o No? Los Judgment Calls en Clasificación de Churn. Aplícalo mientras produces el output; lleva la calibración y los judgment calls que el resumen del método anterior comprime.
• templates/churn-report.md — una versión rellenable del deliverable con los quality gates en línea. Ofrécela cuando el usuario quiera trabajar el documento ellos mismos en lugar de tenerlo generado.

Rúbrica de Scoring (0–40)

Puntúa cualquier output de este skill antes de entregarlo; 32+ es de calidad ship.

Dimensión	0	5	10
Integridad de matemática de tasa	Churn computado en recuento de fin de período; sin NRR	Denominador correcto pero solo churn bruto	Denominador correcto, churn bruto y neto lado a lado, contexto de benchmark que interpreta en lugar de decorar
Separación de evitabilidad	Todo churn tratado como un pool	Categorías tabuladas pero las intervenciones aún abordan el pool completo	División evitable/inevitable/involuntaria llevada a través de cada sección downstream; intervenciones tocan solo la parte evitable
Insight de segmento & timing	Solo promedios	Tabla de segmento presente pero sin lectura de sobre-índice	Nombra la celda de sobre-índice específica (tier × cohorte) y el momento de mayor riesgo, con el "por qué"
Linkage de intervención	Las recomendaciones flotan libres de causas	Cada intervención nombra una razón pero el impacto no está dimensionado	Cada intervención mapea a una razón ordenada con cuentas/ARR estimados recuperados, y la llamada de prioridad justifica su secuenciación

Quality Checks

• La tasa de churn se calcula correctamente (churn ÷ cohorte inicial, no total de fin de período)
• El churn evitable e inevitable están separados — las intervenciones solo tocan el churn evitable
• Las razones de churn son reportadas por clientes, no asumidas internamente
• El análisis de segmento identifica qué segmentos sobre-indexan — no solo promedios
• Las señales de alerta temprana son específicas y detectables, no genéricas ("bajo engagement")
• Las intervenciones se vinculan directamente a las razones principales de churn — ninguna recomendación sin un match de causa raíz

Frases de Trigger de Ejemplo

• "Investigar por qué se van los clientes."
• "Calcular net revenue retention."
• "Construir un plan de intervención de retención."