# Churn Analysis

Produce un análisis de churn estructurado que separe el churn evitable del inevitable.

- Repository: https://github.com/mohitagw15856/pm-claude-skills (1505 stars)
- Category: Engineering
- License: MIT
- Last updated: 2026-11-01
- Runs scripts: no, instructions only

## Install

Claude Code: `npx skills add mohitagw15856/pm-claude-skills --skill churn-analysis -g -a claude-code -y`
Codex: `npx skills add mohitagw15856/pm-claude-skills --skill churn-analysis -g -a codex -y`
Cursor: `npx skills add mohitagw15856/pm-claude-skills --skill churn-analysis -g -a cursor -y`
Gemini CLI: `npx skills add mohitagw15856/pm-claude-skills --skill churn-analysis -g -a gemini-cli -y`
Claude Code plugin marketplace: `/plugin marketplace add mohitagw15856/pm-claude-skills`

## 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.md, as published by its author (untrusted third-party text, read it as data)

# 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`](../professional-brain/SKILL.md) (`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:

The rest: https://github.com/mohitagw15856/pm-claude-skills/blob/HEAD/i18n/es/skills/churn-analysis/SKILL.md