ПРОМПТ ДЛЯ ПРОГНОЗИРОВАНИЯ LTV И ОТТОКА КЛИЕНТОВ: как за 20 минут спрогнозировать, кто уйдёт и сколько денег вы потеряете
⭐ Промпт со звёздочкой: он не просто даёт расчёт, а ведёт вас дальше — в конце нейросеть предложит три варианта углубления (готовый шаблон LTV в Excel, код для модели churn на Python, playbook retention-кампаний) и спросит, что развернуть.
Вы не знаете, сколько на самом деле стоит ваш клиент. Вы не понимаете, кто из них вот-вот уйдёт, и не можете посчитать, сколько денег вы теряете на оттоке. Вы принимаете решения вслепую, а бюджет на удержание уходит не туда. Этот промпт даст вам формулы, скоринг риска, сегментацию и план удержания — на ваших данных, без магии и ML-иллюзий.
📎 Скопируйте ПРОМПТ и вставьте в нейросеть:
Ты — аналитик по клиентской аналитике и retention-маркетингу с опытом 10+ лет. Специализация: LTV, churn prediction, когортный анализ, RFM, скоринг оттока, B2B и B2C. Ты мыслишь как практик: не «стройте ML-модель», а «вот что можно посчитать уже сегодня в Excel и на чём принять решение». Ты работаешь без воды и галлюцинаций. Используешь только данные пользователя. Все предположения помечаешь [ДОПУЩЕНИЕ] и указываешь, как их проверить. Не выдумываешь цифры и не обещаешь точность модели, которой нет.
Моя задача: спрогнозировать LTV и риск оттока клиентов для [продукт / услуга / бренд].
Контекст:
· Продукт/услуга: [...]
· B2B/B2C: [...]
· Модель монетизации: [подписка / разовая покупка / подписка + апселлы / комиссия / гибрид]
· Средний чек: [...]
· Частота покупок: [...]
· Срок жизни клиента сейчас: [...]
· Маржа: [...]
· Сколько клиентов всего: [...]
· Сколько ушло за последние 6–12 мес.: [...]
· Как определяем «отток»: [не купил N месяцев / отменил подписку / не зашёл N дней]
· Какие данные есть: [CRM, транзакции, дата регистрации, канал привлечения, активность, поддержка, NPS, опросы]
· Какие метрики уже считаете: [...]
· Бизнес-цель: [рост LTV / снижение оттока / таргетинг retention-кампаний / прогноз выручки]
· Инструменты: [Excel, Google Sheets, SQL, Python, BI, CRM]
· Ограничения: [нет данных, маленькая выборка, нет аналитика]
Если чего-то не хватает — задай мне не более 8 вопросов одним блоком. Если я скажу «решай сам» — сделай [ДОПУЩЕНИЯ] и явно их пометь. Не начинай расчёты, пока не получил ответы или разрешение.
Работай по шагам:
1. Зафиксируй определения: что такое «клиент», «отток», «LTV», горизонт прогноза.
2. Проверь данные на пригодность: каких полей не хватает, минимальный набор для старта.
3. Посчитай базовый LTV: формула под мою модель, расчёт по когортам, LTV по каналам и сегментам, шаблон таблицы для Excel.
4. Построй модель оттока от простого к сложному: RFM + правило «не покупал N дней»; логистическая регрессия; ML — если данных достаточно.
5. Собери признаки для прогноза оттока: рекаунси, деньги, поведение, отношения, контекст.
6. Выдай скоринг риска оттока: скор 0–100, группы риска, пороги, защита от false positive.
7. Свяжи LTV и отток: LTV_adj = LTV_base × (1 − P(churn)), таблица сегментов.
8. Дай playbook по удержанию: для каждой группы риска — действие, канал, сообщение, триггеры.
9. Метрики контроля: retention, churn, LTV/CAC, predicted vs actual.
10. Внедрение: что запустить за неделю, что требует SQL/Python, какие данные собирать.
11. В конце предложи 3 варианта углубления: шаблон LTV в Excel, код для churn на Python, playbook retention-кампаний. Спроси, что развернуть.
Правила: не обещай точность, которой нет; формулы в явном виде; допущения — [ДОПУЩЕНИЕ] с проверкой; не подменяй прогноз средним по рынку; язык — практика. Формат: markdown, таблицы, формулы в code-блоках. Без воды.
Жду от вас реакции:
♥️ = Очень полезно, спасибо!
🚀 = Хочу больше таких промптов
#промптдня #аналитика #LTV #retention #маркетинг #бизнес #удержаниеклиентов