El Investigador de Causas Raíz del Churn: Convierte el Feedback Desordenado de Cancelaciones en una Lista Priorizada de Mejoras para la Retención
Por qué importa este prompt
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.
Para qué lo usamos
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]
Resultado
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.
La mayoría de los análisis de churn se detienen en contabilizar los motivos declarados, lo que produce un informe que parece riguroso pero que en realidad refleja principalmente lo que los clientes encontraron más fácil de escribir en un formulario de cancelación — no necesariamente lo que realmente los llevó a irse. "Es demasiado caro" es el camino de menor resistencia para un cliente que no quiere explicar que nunca llegó a entender cómo usar el producto.
Este Prompt está diseñado para ir más allá de esa capa superficial: forzar una clasificación explícita entre corregible e incorregible, tratar las respuestas vagas como señales que vale la pena investigar en lugar de simples datos que contabilizar, y terminar con intervenciones específicas y comprobables en vez de una lista de quejas.
Por qué clasificar corregible vs. incorregible antes de priorizar cualquier cosa
Sin este paso, un informe de churn tiende a mezclar "la startup del cliente cerró" con "nos falta una funcionalidad que necesitaban" en un mismo montón indiferenciado de ingresos perdidos — lo que hace que cada motivo de churn parezca igualmente accionable cuando solo algunos lo son realmente. Forzar la clasificación desde el principio significa que el ranking y las recomendaciones posteriores solo aplican a problemas que realmente vale la pena resolver, en lugar de diluir el esfuerzo en causas que ningún cambio de producto podría solucionar.
Por qué el Prompt le pide al modelo que marque sus propias inferencias
Los motivos de cancelación vagos son habituales precisamente porque los clientes rara vez quieren dar la explicación real, que suele ser incómoda. Pedirle al modelo que infiera una causa más profunda a partir del contexto disponible — nivel del plan, tiempo entre el registro y la cancelación, patrones de uso si se proporcionan — saca a la luz patrones que un simple recuento pasaría por alto por completo. Pero una inferencia no es un hecho, y tratarla como tal arriesga construir una estrategia de retención sobre una suposición. El requisito explícito de nivel de confianza mantiene visible esa distinción, en lugar de dejar que una inferencia plausible se convierta silenciosamente en la base de una decisión de roadmap.
La restricción más importante: solo soluciones específicas y comprobables
"Mejorar el onboarding" no es una solución — es una categoría de soluciones, y es exactamente el tipo de recomendación vaga a la que un modelo tiende por defecto cuando no hay una restricción que fuerce la especificidad. Exigir que cada intervención sea algo que realmente pueda construirse y medirse — una checklist, una integración concreta, un email dirigido en un punto de activación específico — transforma el output de un documento de discusión en algo que un equipo de producto podría colocar en un sprint board esa misma semana.
Cómo adaptarlo
Los campos de período de tiempo y tasa de churn en la sección de contexto importan más de lo que parecen: una startup con 40 cancelaciones en un trimestre y otra con 4.000 en un mes necesitan umbrales de confianza muy distintos antes de actuar sobre un patrón inferido, y nombrar la escala real le permite al modelo calibrar sus advertencias en consecuencia, en lugar de tratar cada conjunto de datos como igualmente concluyente.