ooligo
claude-skill

Claude を使った構造化チャーン根本原因分析

Difficulty
中級
Setup time
30min
For
revops · csm
RevOps

Stack

ほとんどのチャーンポストモーテムは一度書かれ、誰も読まず、「チャンピオンが去った、製品のギャップ、価格設定」に集約されます。なぜなら四半期末に grep すると、CSM のフリーテキストメモは常にそう縮小されるからです。このワークフローは、チャーンした 1 つのアカウントを取り込み、構造化された根本原因分析を生成する Claude スキルを提供します:180 日間のタイムライン、2 パスの証拠→分類分析、固定分類法に対するカテゴリ分類、固定ライブラリから選ばれた防止推奨事項。出力は CSM 間で十分に一貫しているため、RevOps が四半期ごとに何も再コーディングせずに集計できます。

アーティファクトバンドルは apps/web/public/artifacts/churn-analysis-skill/ にあります。SKILL.md(Claude スキル自体)、references/1-churn-taxonomy.md(チームが割り当て可能な 5〜10 のカテゴリ)、references/2-prevention-action-library.md(スキルが推奨できる防止アクションのメニュー)、references/3-sample-output.md(レビュアーが受け取るものを知るための文字通りのマークダウン形状)が含まれています。

使用するタイミング

確定チャーンごとに 1 回このスキルを実行します。クローズロストまたは非更新イベントが CRM に記録され、CSM が最終メモを追加するために少なくとも 24 時間が経過した後です。出力は CSM がレビューし、RevOps が共有の Notion または Drive フォルダに保存し、リーダーシップが四半期末にカテゴリ全体のパターンを見つけるために集計するポストモーテム文書です。

適切な対象は、契約価値が 30 分のレビューサイクルを正当化するのに十分なほど大きく、タイムラインデータが分析に十分なほど豊富な(CRM イベント、ヘルススコア、サポートケース、理想的には Gong コール)ミッドマーケットとエンタープライズのアカウントです。ARR が約 25K 未満では、分析コストと学習の比率が割に合わなくなります。

使用しないタイミング

各ケースで別の適切な答えがある 4 つのケースでこのスキルをスキップしてください:

  • 健全なアカウントの事前リスクスコアリング。 ヘルス スコアモデルや別のリスクスコアリングスキルを使用してください。このポストモーテム型スキルを前向きに実行すると — チャーンしていないライブアカウントで — CSM にチャーンのナラティブを植え付け、次の会話を偏らせます。
  • 更新サイクル中のリアルタイムチャーン予測。 同じ問題です。ここでの 2 パスタイムライン分析は結果が固定されていることを前提とします。前向きに使用すると誤った確信のシグナルが生成されます。
  • クローズロストの新規ロゴのウィン/ロス分析。 異なるフレーミングが必要です — ディール ナラティブ、競合他社の置き換え、ICP の適合性 — と異なる分類法。開始すらしなかったディールにチャーンカテゴリを強制適用するのではなく、別のウィン/ロス スキルを使用してください。
  • CSM がすでに知っている単一イベントの説明。 「チャンピオンが去って後継者がいなかった」と既にわかっている場合は、CRM フィールドを直接編集してください。このスキルは、CSM がチャーンをまだ明確に帰属できないケース、またはチームが集計のために構造化された形状を必要とするケースのためです。

セットアップ

  1. 分類法を定義する。 references/1-churn-taxonomy.md をチームの 5〜10 の根本原因カテゴリで編集します。テンプレートには product-gapchampion-departurepricingconsolidationservice-failureadoption-failurerestructurecompetitive-displacement が含まれています。各スラッグの証拠要件を、チームが設けたい基準の厳しさに合わせて絞り込んでください — これらの要件が分類パスで強制するものです。リストを 10 以下に保ってください。集計が全体の目的です。
  2. 防止ライブラリを作成する。 references/2-prevention-action-library.md を編集します。スキルは分析ごとにこのファイルから 1 つのアクションを選ぶように制約されています — 新しいものを発明できません。テンプレートは一般的な 8 つをカバーしています(スポンサー変更検出、ヘルスアラート、Sev-1 パターンでのエスカレーション等)。チームのプレイを追加してください。
  3. スキルをインストールする。 バンドルを ~/.claude/skills/churn-analysis/ に配置します。HUBSPOT_TOKENGAINSIGHT_TOKEN を環境変数として設定します。Gong を使用する場合は、証拠パスがコールトランスクリプトを取得できるよう GONG_API_KEY を設定します。そうしない場合、スキルは Gong の証拠なしで実行し、出力にそのギャップを記載します。
  4. チャーンに対して実行する。 Claude Code から:analyze_churn(account_id="HUB-5523-ACME", churn_date="2026-04-15", taxonomy="churn-taxonomy")。スキルは 180 日間のタイムラインを取得し、2 パスを実行し、構造化分析を stdout に出力します(または CHURN_OUT_DIR を設定した場合は ./out/churn-{account_id}-{YYYY-MM-DD}.md に)。
  5. CSM レビューにルーティングする。 出力は CSM が完了する 4 項目のチェックリストで終わります:分析を読んだことの確認、事実の誤りの修正、分類の確認またはオーバーライド(CSM の判断が優先)、防止推奨事項の承認/修正/却下(理由を添えて)。

スキルの実際の動作

4 ステップ、この順番で、バンドルがコミットする設計上の選択を伴います。

ステップ 1 — 180 日間のタイムラインを構築する。 ヘルススコアのデルタ、連絡先の変更(CRM の遅れがある場合は LinkedIn の退職日を伴う)、サポートケース、Gong コールサマリー、製品使用指標、QBR の結果を取得します。churn_date - 180 日 を基点にします。churn_date の直前 30 日以内に 3 件未満のタイムラインイベントがある場合、スキルは文字通りのステータス insufficient data — fewer than 3 timeline events in the 30-day pre-churn window; manual CSM postmortem required を返して停止します。短くて薄いタイムラインは、レビューに耐えられない自信に満ちた読み取りを招きます。

ステップ 2 — 証拠パス。 証拠のみを抽出する最初の Claude パス:逐語的な引用、チケットの抜粋、ソース(CRM、Gainsight、Zendesk、Gong)と日付を伴う指標のデルタ。分類なし、防止推奨なし。出力は中間アーティファクトとして保持される証拠行のフラットリストです。

ステップ 3 — 分類パス。 証拠リストと分類法だけを受け取る 2 番目の Claude パス。2 パス設計は明示的な設計上の選択です:単一パスモデルは「何が起きたか」と「どのカテゴリに属するか」を混在させ、モデルが既に疑っているカテゴリに向けて証拠選択を偏らせます。分類パスを凍結された証拠リストから作業させることが、そのバイアスに対するガードです。パスは 1 つの主カテゴリと最大 2 つの寄与カテゴリを割り当てます — 分類法から厳格に、新しいラベルなし — そして各割り当てをサポートする証拠行を引用します。いずれのカテゴリも 3 件の証拠行をクリアしない場合、主は insufficient-evidence になります。

ステップ 4 — 防止推奨事項。 防止アクションライブラリを読みます。チャーン日の 60 日前に存在していた場合、主要な根本原因を監視可能なシグナルとして表面化したであろう 1 つのアクションを選択します。スキルは新しいアクションを発明できません — ライブラリのエントリが一致しない場合、no library match — prevention action requires human design を返し、人間が意図的にライブラリを拡張します。

2 パスの形状とライブラリの制約が重要な部分です。ほとんどのアドホックなチャーン分析は、モデルが証拠について推論できないために失敗するのではありません — モデルが 1 回の呼吸で証拠、カテゴリ、推奨事項について推論することを許可されるために失敗します。それにより、どれほど薄くても最も説得力のあるナラティブが勝ちます。

コストの実態

単一の分析は約 12K 入力トークン(180 日間のタイムライン + リファレンスファイル + CSM メモ)と約 3K 出力トークンを実行します。Claude Sonnet では約 0.05 USD の分析コストです。Opus では約 0.30 USD です。四半期に 40 件のチャーンを実行するチームは四半期で 2〜12 USD のモデルコストを支払っています。

より興味深い数字は時間の計算です。CSM が書いたポストモーテムは、意味のあるアカウントに対して 45〜90 分かかり、小規模なアカウントでは完全にスキップされます。スキルは約 3 分でレビュー可能なドラフトを生成します。CSM のレビューには約 15 分かかります。正味:分析あたり約 30 分節約され、さらに以前はポストモーテムのなかったアカウントにカバレッジが拡大します。四半期に 40 件のチャーンを処理する 8 人の CSM チームにとって、それは四半期あたり約 20 時間の CSM 時間が節約され、ポストモーテムのカバレッジが約 2 倍になります。

請求書に載らないコストは分類法とライブラリのキュレーション作業です。両方のリファレンスファイルにチーム固有のエントリを作成するのに最初の 4〜6 時間、その後 insufficient-evidence ケースをレビューして両ファイルを拡張するかどうかを決定するために四半期ごとに約 1 時間かかります。キュレーションをスキップすると、スキルは集計性の低い汎用出力を生成します。

成功の指標

四半期ごとに注目すべき集計指標:CSM がレビューでオーバーライドしなかった、防御可能な分類済み根本原因を持つチャーンの割合。定常状態での目標は 70〜80% です。90% を超えると、分類法が寛容になりすぎています(カテゴリが多すぎ、証拠要件が緩すぎ)— Claude はバケットが広いためすべてにラベルを見つけます。60% 未満は、タイムラインデータが薄すぎるか、チームが実際に見るチャーンの形に分類法が一致していないことを示します。

診断用の反対指標:insufficient-evidenceno library match の返却割合。これらは失敗ではありません — スキルが正直であることです。増加傾向は、計装のギャップ(薄いタイムラインを持つアカウントが増える)またはライブラリのギャップ(チームがまだ防止プレイをコード化していないチャーンの形が増える)を意味します。どちらも意図的に対処すべき有用なシグナルです。

代替案との比較

  • Gainsight チャーンダッシュボードと比較して。 Gainsight は記述レイヤーに優れています — ヘルススコア、タイムラインイベント、何がいつ起きたか。分析レイヤーでは弱いです:非構造化の Gong コールと CSM メモから証拠を抽出し、チームの分類法に対して分類します。スキルは Gainsight を置き換えません。Gainsight データを消費し、Gainsight がネイティブに生成しない構造化分類レイヤーを追加します。
  • 手動 CSM 作成ポストモーテムと比較して。 ほとんどのチームの現在のデフォルトです。CSM が投資している場合はポストモーテムあたりの品質は高くなりますが、CSM によって一貫性がなく、小規模なアカウントでは頻繁にスキップされ、各 CSM のフリーテキスト形状が微妙に異なるため四半期集計に役立ちません。スキルは集計するのに十分な一貫性のあるドラフトを生成します。CSM のレビューが品質基準を保ちます。
  • Catalyst、ChurnZero、その他の組み込みポストモーテムフローを持つ CS プラットフォームと比較して。 これらは CSM が記入する構造化テンプレートを提供します。一貫性の問題は解決しますが、証拠抽出の問題は解決しません — CSM は依然として 180 日分のコールとメモを自分で読む必要があります。スキルは読む作業を行います。CSM が判断を行います。

スキルは、すでに Gainsight または同等のタイムライン計装を持ち、構造化集計プロパティを望み、分類法とライブラリファイルをキュレーションする規律があるチームに最も適しています。タイムライン計装のないチームはまずそれを修正すべきです。スキルはデータを持っていることの下流にあります。

注意事項

  • 後知恵バイアス。 特に 180 日分のタイムラインがあれば、事後に明確なナラティブを構築することは簡単です。ガード:証拠パス(ステップ 2)は構造的に分類パス(ステップ 3)から分離されており、分類パスは日付とソースを明示的に引用する少なくとも 3 件の証拠行なしにカテゴリを割り当てることを拒否します。ステップ 1 の最後の insufficient data ショートサーキット(チャーン前 30 日ウィンドウに 3 件未満のタイムラインイベント)が第 2 のガードです。CSM の判断はレビューで優先され、オーバーライドは記録されます。
  • 分類法のクリープ。 各分析後の誘惑は、このチャーンの独自の風味を捉える新しいカテゴリを追加することです。ガード:分類パスは既存の分類法ファイルに制約されており、新しいラベルを拒否します — スキルは新しいカテゴリを作成するのではなく insufficient-evidence を返します。新しいカテゴリには、追加する前に 3 つの歴史的なチャーンが当てはまるという証拠を伴った references/1-churn-taxonomy.md の意図的な編集がスキルの外で必要です。
  • チャンピオン退職の過剰帰属。 「チャンピオンが去った」は最も簡単なナラティブで、無支援の CSM ポストモーテムで最も使い過ぎられるカテゴリです。ガード:champion-departure スラッグには LinkedIn の退職日または チャーンから 90 日以内に遡る CRM の連絡先変更記録のいずれかが必要です — 分類パスは Gong のみのシグナルでそれを割り当てません。
  • 薄いデータからの幻覚的な帰属。 短いタイムラインは自信に満ちた作り話を招きます。ガード:ステップ 1 の最後の 30 日ウィンドウ/3 イベント最小値は、存在すべきでない磨かれた出力を生成するのではなく insufficient data で分析をショートサーキットします。このガードは快適に感じる以上に頻繁に発火することが意図的です — それはタイムライン計装がより良い仕事が必要というシグナルであり、ガードが厳しすぎるシグナルではありません。
  • 防止推奨事項を創造性の発揮の場として使う。 各カスタムの推奨事項が四半期集計を使えなくします。ガード:ステップ 4 は固定ライブラリファイルから選択し、発明を拒否します。エントリが一致しない場合、スキルはそう述べ、人間が機械的に検出可能なトリガーと単一の指定された所有者を持つ新しいエントリを意図的に設計します。

スタック

  • HubSpot — チャーンレコード、連絡先履歴、ディールのクローズロスト理由
  • Gainsight — ヘルススコア、タイムラインイベント、成功プランのマイルストーン
  • Gong — 証拠パスのコールトランスクリプト(オプションですが出力品質を大幅に向上させます)
  • Claude — タイムライン合成、証拠抽出、分類法に対する分類
  • Notion または Google Drive — レビュー済み分析の保存(四半期集計レビュー用に四半期ごとに整理)

Files in this artifact

Download all (.zip)