Der Churn-Ursachenermittler: Unstrukturiertes Kündigungsfeedback in eine priorisierte Liste umsetzbarer Retention-Maßnahmen verwandeln
Warum dieser Prompt wichtig ist
SaaS companies that treat all churn as price-related tend to discount their way into margin erosion while the actual retention problem — a broken onboarding flow, a missing integration — goes unaddressed and keeps bleeding customers regardless of price. Acquiring a replacement customer typically costs 5 to 25 times more than retaining an existing one, so misdiagnosing churn root cause doesn't just cost the lost accounts — it means paying that acquisition premium repeatedly to replace customers who could have been kept with a fixable, and usually cheaper, product change.
Wofür wir ihn verwenden
A SaaS founder pulls 40 cancellation survey responses from the last quarter. Most cite "too expensive" or "didn't need it," but the churn rate keeps climbing even after a recent price cut — a sign the stated reasons aren't the real ones, and there's no time to manually cross-reference every response against usage data before the next board meeting.
Prompt
Role: You are a retention-focused business analyst who has seen every version of a customer giving the socially easiest cancellation reason rather than the real one. Context: I run [YOUR PRODUCT OR COMPANY TYPE]. Here is our raw churn data from the last [TIME PERIOD]: [PASTE CANCELLATION SURVEY RESPONSES, EXIT INTERVIEW NOTES, OR SUPPORT TICKET SUMMARIES]. Our current churn rate is [X]% per [MONTH/YEAR]. Task: Analyze this data in five stages: 1. Categorize each stated cancellation reason into a small number of root-cause buckets (e.g. price sensitivity, missing feature, poor onboarding, switched to a competitor, no longer needs the problem solved, poor support experience) 2. For each bucket, classify it as FIXABLE churn (something the product or process could realistically address) or UNFIXABLE churn (segment mismatch, company shutdown, budget cuts unrelated to us) 3. Identify vague or surface-level responses (e.g. "just not using it enough") and infer the likely deeper cause using any other context clues provided in the data 4. Rank the fixable buckets by estimated revenue impact if addressed 5. For the top 3 fixable buckets, propose one specific, testable intervention each Constraints: - Do not take a stated churn reason at face value if it is vague — dig for the likely real reason using available context, but clearly flag any inference as an inference, not a fact, with a confidence level - Distinguish reasons within our control from those that aren't — do not recommend fixes for unfixable churn - Every recommended intervention must be specific enough to actually build and test, not generic advice like "improve onboarding" - If the data sample is too small or skewed toward one segment to draw a confident conclusion, say so explicitly Output Format: ## Root-Cause Breakdown [Table: Bucket | Count | Fixable? | % of Total Churn] ## Likely-Understated Reasons [List of vague responses with inferred real cause and confidence level] ## Top 3 Priority Fixes [Ranked list: bucket, estimated revenue impact, specific proposed intervention, how to test it] ## Data Quality Caveat [Note any limitations in the sample]
Ergebnis
Root-Cause Breakdown
| Bucket | Count | Fixable? | % of Total |
|---|---|---|---|
| Missing Slack/Teams integration | 11 | FIXABLE | 27% |
| "Too expensive" (stated) | 9 | PARTIALLY FIXABLE | 22% |
| Poor onboarding / never activated | 8 | FIXABLE | 20% |
| Company downsized or shut down | 6 | UNFIXABLE | 15% |
| Switched to competitor (Asana, Monday named) | 4 | FIXABLE | 10% |
| Vague ("just not using it") | 2 | UNCLEAR | 5% |
Likely-Understated Reasons
The 9 "too expensive" responses: Cross-referencing plan tier shows 6 of these 9 were on the lowest-usage tier, suggesting the real issue may be perceived value rather than absolute price — these customers likely churned because they weren't using enough of the product to justify any price, not because the price itself was uncompetitive. Confidence: Medium — would need usage logs to fully confirm.
The 2 vague "not using it enough" responses came from accounts that canceled within 30 days of signup, which lines up with the onboarding-failure bucket rather than a distinct category. Recommend merging these into "Poor onboarding" for a corrected total of 10 responses (24%). Confidence: High.
Top 3 Priority Fixes
- Missing integrations (27% of churn, ~$41K ARR at risk) — Build Slack and Microsoft Teams integrations, the two most-requested missing integrations across all 11 responses in this bucket. Test: ship the Slack integration first (mentioned in 8 of 11 responses), then track 90-day retention for the next cohort of at-risk accounts with heavy Slack usage.
- Onboarding failure (24% corrected, ~$31K ARR at risk) — Customers who don't complete initial project setup within 7 days churn at a much higher rate. Test: add a guided setup checklist with a human check-in email at day 3 for any account below 50% setup completion, and measure whether 30-day retention improves versus a control group.
- Perceived value on low-usage tier (~$28K ARR at risk, contingent on usage-data confirmation) — Before discounting further, confirm this is a usage problem rather than a price problem by pulling actual login and feature-usage data for the 6 flagged accounts. If usage was genuinely low, the fix is a re-engagement campaign highlighting underused high-value features, not another price cut.
Data Quality Caveat
This sample (40 responses) skews toward customers willing to fill out a cancellation survey, which may undercount silent churn from customers who simply stopped paying without responding — those accounts could have a different root-cause distribution. Treat the fixable and unfixable percentages as directional, not precise.
Die meisten Churn-Analysen enden beim Auszählen der angegebenen Gründe — das Ergebnis ist ein Bericht, der methodisch wirkt, aber größtenteils widerspiegelt, was Kunden am einfachsten in ein Kündigungsformular tippen konnten, nicht unbedingt was sie wirklich vertrieben hat. "Zu teuer" ist der Weg des geringsten Widerstands für einen Kunden, der nicht erklären möchte, dass er nie verstanden hat, wie er das Produkt nutzen soll.
Dieser Prompt ist darauf ausgelegt, über diese Oberflächenschicht hinauszugehen: Er erzwingt eine explizite Klassifizierung in behebbar und nicht behebbar, behandelt vage Antworten als Signale, die es zu untersuchen lohnt, statt sie lediglich zu zählen, und liefert am Ende konkrete, testbare Interventionen statt einer Beschwerdeliste.
Warum man behebbar vs. nicht behebbar klassifizieren sollte, bevor man überhaupt priorisiert
Ohne diesen Schritt vermischt ein Churn-Bericht "das Startup des Kunden wurde geschlossen" mit "wir haben ein Feature gefehlt, das sie brauchten" zu einem einzigen undifferenzierten Haufen verlorener Umsätze — wodurch jeder Churn-Grund gleich handlungsrelevant erscheint, obwohl das nur für einen Teil zutrifft. Die Klassifizierung vorab zu erzwingen bedeutet, dass das anschließende Ranking und die Empfehlungen ausschließlich Probleme betreffen, die tatsächlich lösbar sind — statt den Aufwand auf Ursachen zu verteilen, die kein Produktupdate beheben kann.
Warum der Prompt das Modell auffordert, seine eigenen Schlussfolgerungen zu kennzeichnen
Vage Kündigungsgründe sind gerade deshalb so häufig, weil Kunden selten die unangenehme wahre Erklärung geben wollen. Das Modell anzuweisen, aus verfügbarem Kontext — Plan-Tier, Zeitspanne zwischen Anmeldung und Kündigung, Nutzungsmuster, sofern vorhanden — eine wahrscheinliche tiefere Ursache abzuleiten, bringt Muster ans Licht, die eine einfache Auszählung völlig übersehen würde. Aber eine Schlussfolgerung ist kein Fakt, und sie als solchen zu behandeln birgt das Risiko, eine Retention-Strategie auf einer Vermutung aufzubauen. Die explizite Anforderung eines Konfidenzlevels hält diese Unterscheidung sichtbar, statt zuzulassen, dass eine plausibel klingende Inferenz stillschweigend zur Grundlage einer Roadmap-Entscheidung wird.
Die wichtigste Einschränkung: ausschließlich konkrete, testbare Maßnahmen
"Onboarding verbessern" ist keine Maßnahme — es ist eine Kategorie von Maßnahmen, und genau die Art vager Empfehlung, auf die ein Modell ohne eine auf Spezifität drängende Einschränkung zurückfällt. Jede Intervention so zu definieren, dass sie tatsächlich gebaut und gemessen werden könnte — eine Checkliste, eine konkrete Integration, eine gezielte E-Mail zu einem bestimmten Trigger-Punkt — verwandelt das Ergebnis von einem Diskussionsdokument in etwas, das ein Produktteam noch in derselben Woche auf ein Sprint Board setzen könnte.
Anpassungsmöglichkeiten
Der Zeitraum und die Churn-Rate im Kontextabschnitt sind wichtiger als sie wirken: Ein Startup mit 40 Kündigungen pro Quartal und eines mit 4.000 pro Monat benötigen sehr unterschiedliche Konfidenzschwellen, bevor sie auf einem abgeleiteten Muster handeln — und das tatsächliche Ausmaß zu benennen ermöglicht es dem Modell, seine Vorbehalte entsprechend zu kalibrieren, statt jeden Datensatz als gleich aussagekräftig zu behandeln.