退订流的文本是订阅产品里最被低估的数据集。每一条回答都带着两层信息：用户给出的理由（通常很客气），以及理由背后的真实驱动。下面 15 个 Prompt 按根因聚类退订原因、把可挽回流失和必然流失分开、定位流失集中的生命周期阶段，再把结果转成 save-flow 文案和产品修复优先级。这一组专门解析”自愿退出”的文本，而不是通用流失分析里的 cohort 曲线和指标。
太长不看（TL;DR）
- 用大上下文窗口的模型来跑，这样几百条原话或整段访谈转录可以一次性贴进去：截至 2026 年 6 月，**Claude Opus 4.7、Sonnet 4.6（均为 100 万 token）或 Gemini 3.1 Pro（100 万 token）**都吃得下这个量。
- 按自由文本的解释聚类，永远不要按用户点的 dropdown 标签聚。
- 在考虑任何干预力度之前，先给每条理由打上可挽回 / 必然 / 错配标签。
- 别忽略被动流失（信用卡扣款失败）。它约占总流失的四分之一，却是最便宜挽回的——优化后的 dunning 通常能追回 50%-80% 的失败扣款。
- 把退订调研当作滞后信号看。大多数流失其实几周前就在行为里发生了（反复看计费页、功能弃用、登录但没产出），所以这组 Prompt 要和参与度工作配合。
适合哪些人
订阅型 PM 和生命周期营销、负责 save-flow 的 CX lead、做 cohort 流失研究的增长分析，以及想知道用户离开前到底怎么想的创始人。
什么时候不建议用
- 每月自由文本回答少于约 50 条——逐条读；聚类需要一定量才有意义。
- 只有 dropdown 没有自由文本——单选理由（“太贵”）几乎说明不了驱动因素，你需要自由文本或访谈转录。
- 沉默流失（从不退订、只是不再登录）——那是参与度问题，不是退订原因问题，请改用留存实验那组 Prompt。
用来校准的流失基准（2026）
拿这些数字给自己的聚类结果做个常识检查。如果你的被动流失占比远低于约 25%，很可能把失败扣款误归成了自愿退订。
| 指标 | 2026 年 B2B SaaS 典型值 | 来源 |
|---|---|---|
| 月度总流失率 | 约 3.5% | culta.ai 基准 |
| 自愿流失占比 | 约 74% | shno.co |
| 被动流失占比（扣款失败） | 约 26%（占损失的 20%-40%） | shno.co |
| 因卡片过期导致的失败 | 约 42% | shno.co |
| 优化 dunning 后的失败扣款追回率 | 50%-80%（头部可达 80%-90%） | Churnkey / Baremetrics |
这些是方向性的行业平均值，不是保证——你的数字会随客群、价位和计费配置而变（见文末来源）。
该用哪个模型跑
这些是定性综合类 Prompt，瓶颈在上下文长度和对杂乱文本的推理，而不是代码或速度。
- 长转录或上千条原话——整段贴进 Claude Opus 4.7、Claude Sonnet 4.6 或 Gemini 3.1 Pro（截至 2026 年 6 月均为 100 万 token 上下文）。注意 ChatGPT Plus 应用内只暴露约 320 页上下文，完整 100 万窗口在 200 美元的 Pro 档。
- 每周几百条的快速聚类——Sonnet 4.6 或 Gemini 3.1 Pro 更快更省。按站点统一的 API 价目（美元 / 每百万 token，输入/输出）：Sonnet 4.6 为 3/15，Gemini 3.1 Pro 为 2/12，Opus 4.7 为 5/25。
- 把 Opus 4.7 留给更难的推理环节——理由背后的理由推断（模板 6）和预测性信号提取（模板 15），这些地方更深的模型才对得起溢价。
一条退订原因 Prompt 该怎么搭
别套那个通用的六段公式。对退订分析真正改变输出的只有四块：
- 聚类指令——明确写上”按底层驱动聚类，忽略 dropdown 标签”，否则模型只会把多选项原样还给你。
- 分类轴——强制给每个簇打可挽回 / 必然 / 错配标签，让输出可直接决策，而不只是一份清单。
- 证据要求——每个簇要 2-3 句代表性原话，方便挑剔的高管核对分组是否站得住。
- 对策——每个簇要一个具体下一步（产品修复、定价实验、dunning 调整，或”不追”）。
15 个可直接复制的 Prompt 模板
把每个 [方括号] 占位符换成你的数据。模板是为上面任一长上下文模型写的；想要更贴行业的口吻就改一下角色那行。
1. 退订自由文本聚类
默认款。按根本驱动聚类，不按表面回答。
You are a retention analyst. Below are [N] free-text cancel-flow responses for [product]. Cluster into 6-8 root reasons (not surface labels). For each: count, % of churners, 3 representative verbatim quotes, classification (reversible / inevitable / unclear), and one suggested counter-move.
Responses: [paste]优化建议： 如果聚类只是 dropdown 的镜像，追加一句：“Ignore the multiple-choice labels users selected. Cluster only by the free-text explanation.”
2. 可挽回 vs 必然 vs 错配 分桶
From this churn analysis, split reasons into 3 buckets: (1) reversible — we could prevent with product / pricing / support work, (2) inevitable — life event, role change, project ended, (3) misaligned — we should not have sold them in the first place. For each bucket: count, % of churn, recommended action.
Clustering: [paste]3. 生命周期阶段流失图
Below are churned users with tenure (days since signup). Map churn reasons against lifecycle stage: early (0-14d), trial (14-30d), early-paid (30-90d), mature (90d+). Output a stage-by-reason matrix. Highlight which stage produces the most reversible churn.
Data: [paste]4. 退场访谈综合
Below are 10 exit-interview transcripts (15-30 minutes each). Synthesize: top 5 themes, 3 surprising findings, 2 things multiple users said that contradict our current beliefs. For each finding, cite which transcript supports it and a recommended action.
Transcripts: [paste]5. 降级轨迹诊断
Some users downgrade before churning. Analyze the downgrade trail: average days from downgrade to churn, common reasons given at downgrade, and whether a save attempt at downgrade prevents the eventual cancel. Output a trail timeline plus the single best intervention point.
Data: [paste]6. 理由背后的理由
Users often give polite cancel reasons that hide the real one ("price" frequently means "not getting enough value"). For each of these 5 verbatim responses, infer the likely underlying reason, mark your confidence, and state the one follow-up question that would confirm it.
Responses: [paste]7. Save-flow 文案生成
For each of these 6 cancel reasons, write 2 save-flow messages: (a) a soft acknowledge plus offer (extend trial, pause, talk to founder), (b) a no-pressure exit (thanks plus feedback ask). Voice: respectful, never desperate. Under 60 words each.
Reasons: [paste]8. 按 persona 偏斜检测
Compare churn reasons across user personas: free-to-paid, paid-power, paid-occasional, enterprise. Highlight reasons that skew sharply by persona — those become persona-specific interventions rather than blanket fixes.
Data: [paste]9. 竞品流失提取
From these cancel-flow responses, extract every mention of a competitor ("switching to X", "X has better Y"). For each: which competitor, what feature they cited, frequency. End with the top 3 competitor-driven losses and what we would need to ship to close that gap.
Responses: [paste]10. 价格型流失诊断
For users citing pricing as the cancel reason, diagnose the sub-cause: absolute price (too expensive), perceived value (not enough for the price), pricing structure (wrong tier), or budget cycle (price unchanged, budget shrank). Recommend a different counter-move per sub-cause.
Responses: [paste]11. 季度退订理由变化
Compare last quarter's churn reasons to this quarter's. Output: reasons that grew, reasons that shrank, new reasons, vanished reasons. Hypothesize why each shifted. End with the 3 themes worth investigating next quarter.
Q-1: [paste]
Q0: [paste]12. 自愿 vs 被动流失分流
Below is our churn dataset including both voluntary cancels and involuntary churn (failed payments, expired cards). Separate them. For involuntary churn, analyze recovery rate by retry strategy. For voluntary, cluster the reasons. Output two parallel reports.
Data: [paste]13. 不同干预的挽回率
We ran 4 save-flow interventions over the last 90 days: pause, discount, talk-to-founder, content-only. Measure save rate per intervention, durability of saves (still active at 60 days), and cost per save. Recommend which interventions to keep, modify, or kill.
Data: [paste]14. 退款请求模式审计
Below are refund-request reasons over 90 days. Cluster by root cause. Flag any pattern where refund requests cluster within 7 days of signup — that signals an onboarding or messaging problem upstream of billing.
Requests: [paste]15. 预测性流失信号
From this dataset of churned vs retained users, identify 5 leading indicators of churn in the 14 days before cancellation. For each signal: how to detect it programmatically, what intervention to trigger, expected save rate. Mark which signals are causal vs merely correlative.
Data: [paste]容易踩的坑
- 按 dropdown 标签聚，而不是按用户写的自由文本聚。
- 把”太贵”当价格问题——它通常意味着”价值不足”，用模板 10 把两者分开。
- 忽略被动流失。2026 基准里它约占总流失的 26%，其中约 42% 只是卡片过期，dunning 能追回大部分。
- save-flow offer 没测耐久度（60 天后是否还活跃）就上线。只在 90 天内成立的挽回，可能比放手更糟。
- 只听一段情绪化的退场访谈就动手，没看整个集群。
- 没识别流失集中的生命周期阶段——早期试用和成熟期需要不同干预。
- 把可挽回和必然流失混在一起，然后让团队去追后者，白费力气。
如何把结果做得更深
- 退订流里一定要有自由文本——只有 dropdown 数据对这套分析几乎无用。问卷控制在 3-5 题，用户才愿意填。
- 每次都按根因聚，不按表面标签聚。
- 在估算干预力度之前，先给每条理由打可挽回 / 必然 / 错配标签。
- 看 60-90 天的挽回耐久度，而不是退订页那一刻的挽回率。
- 定量退订数据配每季度 5-10 次退场访谈——数字告诉你”是什么”，访谈告诉你”为什么”。
- 写一条”我们不挽回”的政策，让团队不再去追必然流失。
- 盯着理由的季度 delta（模板 11）。漂移往往比指标更早预示产品、市场或定价的变化。
FAQ
- 它和通用流失分析有什么不同？：通用流失分析做 cohort、留存曲线、NRR 这类指标。这一组专门解析”自愿退出”的文本——退订自由文本、退场访谈、降级轨迹——产出可执行的原因。
- 需要多少条退订文本？：聚类要想浮现真实规律，至少约 50 条自由文本。低于这个数就逐条读。量大也是你想用 100 万 token 模型的原因——可以一次贴进整月数据。
- 该用哪个模型？：Claude Opus 4.7、Claude Sonnet 4.6 或 Gemini 3.1 Pro 都行（截至 2026 年 6 月均为 100 万 token 上下文）。常规每周聚类用 Sonnet 4.6 或 Gemini 3.1 Pro，更难的推断（模板 6 和 15）用 Opus 4.7。
- save-flow 给折扣可以吗？：只在退订理由明确是”绝对价格太贵”时给。给价值问题打折会训练用户期待折扣并侵蚀收入。先用模板 10 确认子原因。
- 怎么分可挽回 vs 必然？：用模板 2。可挽回：产品缺口、定价、onboarding、支持。必然：人生事件、岗位变动、项目结束。错配：本就不该卖给的客户。
- 没退订但不再用的怎么办？：那是另一题——属于参与度和留存范畴。请用用户留存实验 Prompt。