A maioria dos postmortems de churn é escrita uma vez, lida por ninguém, e agrega para “champion saiu, gap de produto, pricing” porque é nisso que notas livres de CSM sempre reduzem quando você dá grep nelas no fim do trimestre. Este workflow entrega uma Claude Skill que pega uma conta que fez churn e produz uma análise estruturada de causa raiz: uma timeline de 180 dias, uma análise de dois passes (evidence-then-classify), uma categorização contra uma taxonomia fixa e uma recomendação de prevenção escolhida de uma biblioteca fixa. O output é consistente o bastante entre CSMs para o RevOps agregar trimestralmente sem recodificar nada.
O bundle do artifact vive em apps/web/public/artifacts/churn-analysis-skill/. Contém SKILL.md (a Claude Skill em si, soft-wrapped, com seções explícitas de quando invocar e pontos de atenção), references/1-churn-taxonomy.md (as 5-10 categorias que seu time tem permissão para atribuir), references/2-prevention-action-library.md (o menu de ações de prevenção que a Skill tem permissão de recomendar), e references/3-sample-output.md (a forma markdown literal para que os revisores saibam o que vão receber).
Quando usar
Rode esta Skill uma vez por churn confirmado, depois do evento de close-lost ou non-renewal estar registrado no CRM e o CSM ter tido pelo menos 24 horas para adicionar suas notas finais. O output é um documento de post-mortem que o CSM revisa, o RevOps guarda numa pasta compartilhada no Notion ou Drive, e a liderança agrega no fim do trimestre para enxergar padrões entre categorias.
A população certa é mid-market e enterprise onde o contract value é grande o suficiente para justificar um ciclo de review de 30 minutos e onde o dado de timeline é rico o suficiente para analisar (eventos de CRM, health scores, casos de suporte, idealmente calls do Gong). Abaixo de ~$25k ARR, a razão entre custo de análise e aprendizado cai abaixo da linha.
Quando NÃO usar
Pule esta Skill em quatro casos, cada um com uma resposta certa diferente:
- Risk scoring preventivo em contas saudáveis. Use um modelo de health score ou uma Skill separada de risk scoring. Rodar esta Skill no formato post-mortem para frente — numa conta viva que não fez churn — ancora o CSM numa narrativa de churn e enviesa a próxima conversa dele.
- Previsão de churn em tempo real durante um ciclo de renovação. Mesmo problema. A análise de timeline em dois passes aqui assume que o desfecho é fixo; usá-la para frente gera sinais de falsa confiança.
- Win/loss analysis em closed-lost de novos logos. Esses precisam de um enquadramento diferente — narrativa do deal, deslocamento competitivo, fit de ICP — e uma taxonomia diferente. Use uma Skill separada de win-loss em vez de forçar categorias de churn num deal que nunca começou.
- Explicações de evento único que o CSM já sabe. Se você já sabe “o champion saiu e não houve substituto”, edite o campo do CRM diretamente. Esta Skill é para os casos em que o CSM ainda não consegue atribuir o churn limpamente, ou onde o time precisa de uma forma estruturada para agregação independente disso.
Setup
- Defina a taxonomia. Edite
references/1-churn-taxonomy.mdcom as 5-10 categorias de causa raiz do seu time. O template vem comproduct-gap,champion-departure,pricing,consolidation,service-failure,adoption-failure,restructureecompetitive-displacement. Aperte a exigência de evidência em cada slug para combinar com quão estrita seu time quer a barra — esses requisitos são o que o pass de classificação fiscaliza. Mantenha a lista em 10 ou menos; o ponto inteiro é agregação. - Popule a biblioteca de prevenção. Edite
references/2-prevention-action-library.md. A Skill é restringida a escolher uma ação deste arquivo por análise — ela não pode inventar uma nova. O template cobre as oito comuns (detecção de mudança de sponsor, alertas de health, escalation em padrões sev-1, etc.). Adicione as plays do seu time. - Instale a Skill. Solte o bundle em
~/.claude/skills/churn-analysis/. ConfigureHUBSPOT_TOKENeGAINSIGHT_TOKENcomo variáveis de ambiente. Se você usa Gong, configureGONG_API_KEYpara que o evidence pass possa puxar transcrições de calls; caso contrário a Skill roda sem evidência do Gong e nota esse gap no output. - Rode no churn. Do Claude Code:
analyze_churn(account_id="HUB-5523-ACME", churn_date="2026-04-15", taxonomy="churn-taxonomy"). A Skill puxa a timeline de 180 dias, roda os dois passes e emite a análise estruturada para stdout (ou para./out/churn-{account_id}-{YYYY-MM-DD}.mdse você configurarCHURN_OUT_DIR). - Roteie para review do CSM. O output termina com um checklist de quatro itens que o CSM completa: confirmar que a análise foi lida, corrigir erros factuais, confirmar ou anular a classificação (julgamento do CSM ganha), e aceitar/modificar/rejeitar a recomendação de prevenção com um motivo.
O que a Skill realmente faz
Quatro passos, nesta ordem, com as escolhas de engenharia às quais o bundle se compromete.
Passo 1 — construir a timeline de 180 dias. Puxa deltas de health score, mudanças de contato (com datas de saída do LinkedIn quando o CRM atrasa), casos de suporte, sumários de calls do Gong, métricas de uso do produto e desfechos de QBR. Ancore em churn_date - 180 days. Se existirem menos de 3 eventos de timeline dentro dos 30 dias imediatamente antes de churn_date, a Skill retorna o status literal insufficient data — fewer than 3 timeline events in the 30-day pre-churn window; manual CSM postmortem required e para. Timelines curtas e esparsas convidam narrativas com viés de retrospecto que leem confiantes mas não sobrevivem ao review.
Passo 2 — evidence pass. Um primeiro pass do Claude que SÓ extrai evidência: citações verbatim, trechos de tickets, deltas de métricas com a fonte (CRM, Gainsight, Zendesk, Gong) e data. Sem classificação, sem recomendação de prevenção. O output é uma lista flat de linhas de evidência mantida como artifact intermediário.
Passo 3 — classification pass. Um segundo pass do Claude que recebe a lista de evidência e a taxonomia e nada mais. Design de dois passes é a escolha explícita de engenharia: um modelo de pass único confunde “o que aconteceu” com “em qual categoria isso se encaixa”, o que enviesa a seleção de evidência para qualquer categoria que o modelo já suspeita. Forçar o pass de classificação a trabalhar a partir de uma lista de evidência congelada é o guard contra isso. O pass atribui uma categoria primária e até duas categorias contribuintes — estritamente da taxonomia, sem labels novos — e cita as linhas de evidência que sustentam cada atribuição. Se nenhuma categoria limpa 3 linhas de evidência, a primária vira insufficient-evidence.
Passo 4 — recomendação de prevenção. Lê a biblioteca de ações de prevenção. Escolhe UMA ação que, se tivesse estado em vigor 60 dias antes da data de churn, teria surfaceado a causa raiz primária como um sinal observável. A Skill não pode inventar uma ação nova — se nenhuma entrada da biblioteca encaixa, ela retorna no library match — prevention action requires human design e um humano estende a biblioteca deliberadamente.
A forma de dois passes e a restrição da biblioteca são as partes que importam. A maior parte das análises ad-hoc de churn falha não porque o modelo não consegue raciocinar sobre evidência — elas falham porque o modelo tem permissão de raciocinar sobre evidência, categoria e recomendação numa mesma respiração, o que deixa a narrativa mais plausível ganhar independente de quão fina ela é.
Realidade de custo
Uma análise única roda ~12k tokens de input (timeline de 180 dias mais arquivos de referência mais notas de CSM) e ~3k tokens de output. No Claude Sonnet isso chega em aproximadamente $0.05 por análise. No Opus chega em ~$0.30. Um time rodando 40 churns por trimestre paga $2 a $12 por trimestre em custos de modelo.
A matemática de tempo é o número mais interessante. Um postmortem escrito pelo CSM leva 45-90 minutos para uma conta significativa e é pulado completamente em contas menores. A Skill produz um draft revisável em ~3 minutos; review do CSM leva ~15 minutos. Net: ~30 minutos economizados por análise, mais cobertura se estende para contas que antes não recebiam postmortem nenhum. Para um time de 8 CSMs lidando com 40 churns por trimestre, isso são aproximadamente 20 horas de tempo de CSM por trimestre liberadas, mais ~2x a cobertura de postmortem.
O custo que não aparece na fatura é o trabalho de curadoria da taxonomia e da biblioteca: espere 4-6 horas no início para popular ambos arquivos de referência com entradas específicas do time, depois ~1 hora por trimestre para revisar casos de insufficient-evidence e decidir se estende qualquer um dos arquivos. Pule a curadoria e a Skill produz output genérico que agrega mal.
Métrica de sucesso
A métrica agregada para acompanhar trimestralmente: percentual de churns com causa raiz categorizada defensável que o CSM não anulou no review. Mire 70-80% em estado estável. Acima de 90% sugere que a taxonomia ficou condescendente demais (categorias demais, requisitos de evidência frouxos demais) — Claude está achando um label para tudo porque os baldes são largos. Abaixo de 60% sugere que o dado da timeline está fino demais ou a taxonomia não combina com as formas reais de churn que o time vê.
A contra-métrica diagnóstica: percentual de retornos insufficient-evidence e no library match. Esses não são falhas — são a Skill sendo honesta. Tendência para cima significa gaps de instrumentação (mais contas com timelines finas) ou gaps de biblioteca (mais formas de churn para as quais o time ainda não codificou uma play de prevenção). Ambos são sinais úteis para agir deliberadamente.
vs alternativas
- vs. Dashboards de Churn do Gainsight. Gainsight é excelente na camada descritiva — health scores, eventos de timeline, o-que-aconteceu-quando. É fraco na camada analítica: extrair evidência de calls não estruturadas do Gong e notas de CSM, então classificar contra uma taxonomia do time. A Skill não substitui Gainsight; ela consome dados do Gainsight e adiciona a camada de classificação estruturada que o Gainsight não produz nativamente.
- vs. postmortems manuais escritos pelo CSM. O default atual para a maioria dos times. Qualidade maior por postmortem quando o CSM está investido, mas inconsistente entre CSMs, frequentemente pulado em contas menores, e inútil para agregação trimestral porque a forma de texto livre de cada CSM é levemente diferente. A Skill produz um draft consistente o suficiente para agregar; o review do CSM mantém a barra de qualidade.
- vs. Catalyst, ChurnZero e outras plataformas de CS com flows de postmortem nativos. Essas entregam templates estruturados que o CSM preenche. Resolvem o problema de consistência mas não o problema de extração de evidência — o CSM ainda tem que ler 180 dias de calls e notas sozinho. A Skill faz a leitura; o CSM faz o julgamento.
A Skill é mais adequada para times que já têm Gainsight ou instrumentação de timeline equivalente, querem a propriedade de agregação estruturada e têm a disciplina para curar os arquivos de taxonomia e biblioteca. Times sem instrumentação de timeline devem consertar isso primeiro; a Skill é downstream de ter o dado.
Pontos de atenção
- Viés de retrospecto. É trivial construir uma narrativa limpa depois do fato, especialmente com 180 dias de timeline. Guard: o evidence pass (passo 2) é estruturalmente separado do classification pass (passo 3), e o classification pass se recusa a atribuir uma categoria sem pelo menos 3 linhas de evidência que explicitamente citem datas e fontes. O short-circuit
insufficient datano fim do passo 1 (menos de 3 eventos de timeline na janela de 30 dias pré-churn) é o segundo guard. O julgamento do CSM ganha no review e o override é registrado. - Creep de taxonomia. A tentação depois de cada análise é adicionar uma nova categoria que captura o sabor único deste churn. Guard: o classification pass é restringido ao arquivo de taxonomia existente e se recusa a labels novos — a Skill retorna
insufficient-evidenceem vez de cunhar uma nova categoria. Novas categorias requerem edição deliberada dereferences/1-churn-taxonomy.mdfora da Skill, com três churns históricos que teriam encaixado, antes de serem adicionados. - Sobre-atribuição a champion-departure. “Champion saiu” é a narrativa mais fácil e a categoria mais super-usada em postmortems não-assistidos de CSM. Guard: o slug
champion-departureexige ou uma data de saída do LinkedIn OU um registro de mudança de contato no CRM datado dentro de 90 dias do churn — o classification pass não vai atribuí-la num sinal só do Gong. - Atribuição alucinada a partir de dado esparso. Timelines curtas convidam ficção confiante. Guard: o mínimo de janela-de-30-dias / 3-eventos no fim do passo 1 dá short-circuit na análise com
insufficient dataem vez de produzir um output polido que não merece existir. Esse guard intencionalmente dispara mais frequentemente do que parece confortável — esse é o sinal de que a instrumentação de timeline precisa de trabalho, não que o guard é estrito demais. - Recomendação de prevenção como exercício de criatividade. Cada recomendação sob medida torna o agregado trimestral inútil. Guard: o passo 4 escolhe do arquivo de biblioteca fixo e se recusa a inventar. Se nenhuma entrada encaixa, a Skill diz isso e um humano desenha a nova entrada deliberadamente, com um trigger mecanicamente detectável e um único owner nomeado.
Stack
- HubSpot — registro de churn, histórico de contatos, motivos de deal close-lost
- Gainsight — health scores, eventos de timeline, marcos do success plan
- Gong — transcrições de calls para o evidence pass (opcional mas melhora materialmente a qualidade do output)
- Claude — síntese de timeline, extração de evidência, classificação contra taxonomia
- Notion ou Google Drive — armazenamento para as análises revisadas, organizadas por trimestre para o review agregado