O Investigador de Causas do Churn: Transforme Feedbacks de Cancelamento em uma Lista Priorizada de Correções para Retenção
Porque é que este prompt importa
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 que o 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.
A maioria das análises de churn para na contagem das razões declaradas, o que gera um relatório que parece rigoroso, mas que reflete principalmente o que os clientes acharam mais fácil digitar em um formulário de cancelamento — não necessariamente o que realmente os fez ir embora. "Muito caro" é o caminho de menor resistência para quem não quer admitir que nunca entendeu como usar o produto.
Este Prompt foi criado para ir além dessa camada superficial: forçar uma classificação explícita entre churn corrigível e inevitável, tratar respostas vagas como sinais que merecem investigação em vez de meros dados para contabilizar, e encerrar com intervenções específicas e testáveis — não uma lista de reclamações.
Por que classificar corrigível vs. inevitável antes de qualquer rankeamento
Sem essa etapa, um relatório de churn tende a misturar "a startup do cliente fechou" com "falta uma funcionalidade que eles precisavam" em um único amontoado indiferenciado de receita perdida — o que faz com que todos os motivos de churn pareçam igualmente acionáveis, quando apenas alguns deles são. Forçar a classificação logo de início garante que o rankeamento e as recomendações subsequentes se apliquem apenas a problemas que realmente valem a pena resolver, em vez de diluir esforços em causas que nenhuma mudança de produto poderia corrigir.
Por que o Prompt pede ao modelo que sinalize suas próprias inferências
Razões vagas de cancelamento são comuns exatamente porque os clientes raramente querem dar a explicação real — aquela que seria constrangedora. Pedir ao modelo que infira uma causa mais profunda a partir do contexto disponível — nível de plano, tempo entre cadastro e cancelamento, padrões de uso quando fornecidos — revela padrões que uma simples contagem jamais detectaria. Mas uma inferência não é um fato, e tratá-la como tal arrisca construir uma estratégia de retenção sobre um palpite. O requisito explícito de nível de confiança mantém essa distinção visível, em vez de deixar que uma inferência plausível se torne silenciosamente a base de uma decisão de roadmap.
A restrição mais importante: apenas correções específicas e testáveis
"Melhorar o onboarding" não é uma correção — é uma categoria de correções, e é exatamente o tipo de recomendação vaga que um modelo entrega quando não há uma restrição que force a especificidade. Exigir que cada intervenção seja algo que possa de fato ser construído e mensurado (um checklist, uma integração específica, um e-mail direcionado em um ponto de gatilho específico) transforma o output de um documento de discussão em algo que um time de produto poderia colocar no sprint board na mesma semana.
Adaptando o Prompt
Os campos de período e taxa de churn na seção de Contexto importam mais do que parecem: uma startup com 40 cancelamentos em um trimestre e outra com 4.000 em um mês precisam de limiares de confiança muito diferentes antes de agir sobre um padrão inferido, e nomear a escala real permite que o modelo calibre suas ressalvas de forma adequada — em vez de tratar todo conjunto de dados como igualmente conclusivo.