L'Investigateur des Causes de Churn : Transformer les Feedbacks d'Annulation en une Liste de Correctifs Priorisés pour la Rétention
Pourquoi ce prompt est important
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.
À quoi nous l'utilisons
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]
Résultat
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 plupart des analyses de churn s'arrêtent au comptage des raisons déclarées, ce qui produit un rapport qui semble rigoureux mais reflète surtout ce que les clients ont trouvé le plus facile à saisir dans un formulaire d'annulation — pas nécessairement ce qui les a réellement poussés à partir. « Trop cher » est la voie de moindre résistance pour un client qui ne souhaite pas expliquer qu'il n'a jamais vraiment compris comment utiliser le produit.
Ce Prompt est conçu pour dépasser cette couche de surface : imposer une classification explicite remédiable-versus-irrémédiable, traiter les réponses vagues comme des signaux dignes d'investigation plutôt que comme de simples points de données à comptabiliser, et aboutir à des interventions spécifiques et testables plutôt qu'à une liste de réclamations.
Pourquoi classifier remédiable vs irrémédiable avant tout classement
Sans cette étape, un rapport de churn a tendance à mélanger « la startup du client a fermé » avec « il nous manque une fonctionnalité dont ils avaient besoin » dans une pile indifférenciée de revenus perdus — ce qui donne l'impression que chaque raison de churn est également actionnable, alors que seules certaines d'entre elles le sont réellement. Imposer la classification dès le départ garantit que le classement et les recommandations qui suivent ne s'appliquent qu'aux problèmes qui méritent vraiment d'être résolus, plutôt que de diluer les efforts sur des causes qu'aucune évolution produit ne pourrait corriger.
Pourquoi le Prompt demande au modèle de signaler ses propres inférences
Les raisons d'annulation vagues sont fréquentes précisément parce que les clients ne souhaitent généralement pas donner la vraie explication, souvent inconfortable. Demander au modèle d'inférer une cause plus profonde probable à partir du contexte disponible — niveau de plan, délai entre inscription et annulation, patterns d'usage si disponibles — fait émerger des tendances qu'un simple décompte manquerait entièrement. Mais une inférence n'est pas un fait, et la traiter comme telle risque de bâtir une stratégie de rétention sur une supposition. L'exigence explicite d'un niveau de confiance maintient cette distinction visible, plutôt que de laisser une inférence plausible devenir discrètement la base d'une décision de Roadmap.
La contrainte la plus importante : des correctifs spécifiques et testables uniquement
« Améliorer l'onboarding » n'est pas un correctif — c'est une catégorie de correctifs, et c'est exactement le type de recommandation vague vers lequel un modèle se tourne par défaut sans contrainte forçant la spécificité. Exiger que chaque intervention soit quelque chose qui pourrait réellement être construit et mesuré (une checklist, une intégration précise, un e-mail ciblé à un déclencheur spécifique) transforme le résultat d'un document de discussion en quelque chose qu'une équipe produit pourrait placer sur un sprint board dans la semaine.
Comment l'adapter
Les champs de période et de taux de churn dans la section Contexte sont plus importants qu'ils n'y paraissent : une startup avec 40 annulations sur un trimestre et une autre avec 4 000 sur un mois ont besoin de seuils de confiance très différents avant d'agir sur un pattern inféré, et nommer l'échelle réelle permet au modèle de calibrer ses mises en garde en conséquence, plutôt que de traiter chaque jeu de données comme également conclusif.