客户成功经理

客户成功经理 (Customer Success Manager)

生产级客户成功分析工具，具备多维度健康评分、流失风险预测和扩张机会识别功能。提供三个 Python CLI 工具，仅使用标准库即可实现确定性且可重复的分析——无需外部依赖，无需 API 调用，无需机器学习模型。

---

目录

• 输入要求

• 输出格式

• 如何使用

• 脚本

• 参考指南

• 模板

• 最佳实践

• 局限性

---

输入要求

所有脚本均接受 JSON 文件作为位置输入参数。完整架构示例和样本数据请参阅 assets/sample_customer_data.json。

健康得分计算器 (Health Score Calculator)

每个客户对象必须包含的字段：customer_id、name、segment、arr，以及嵌套对象 usage (login_frequency, feature_adoption, dau_mau_ratio)、engagement (support_ticket_volume, meeting_attendance, nps_score, csat_score)、support (open_tickets, escalation_rate, avg_resolution_hours)、relationship (executive_sponsor_engagement, multi_threading_depth, renewal_sentiment)，以及用于趋势分析的 previous_period 得分。

流失风险分析器 (Churn Risk Analyzer)

每个客户对象必须包含的字段：customer_id、name、segment、arr、contract_end_date，以及嵌套对象 usage_decline、engagement_drop、support_issues、relationship_signals 和 commercial_factors。

扩张机会评分器 (Expansion Opportunity Scorer)

每个客户对象必须包含的字段：customer_id、name、segment、arr，以及嵌套对象 contract (licensed_seats, active_seats, plan_tier, available_tiers)、product_usage (各模块采用标志和使用百分比) 和 departments (当前及潜在部门)。

---

输出格式

所有脚本均支持通过 --format 标志选择两种输出格式：

• text (默认)：适用于终端查看的人类可读格式化输出

• json: 适用于集成和流水线的机器可读 JSON 输出

---

如何使用

快速上手

# 健康评分
python scripts/health_score_calculator.py assets/sample_customer_data.json
python scripts/health_score_calculator.py assets/sample_customer_data.json --format json
流失风险分析
python scripts/churn_risk_analyzer.py assets/sample_customer_data.json
python scripts/churn_risk_analyzer.py assets/sample_customer_data.json --format json
扩张机会评分
python scripts/expansion_opportunity_scorer.py assets/sample_customer_data.json
py

### 工作流集成

1. 对整个客户组合进行健康度评分

验证：在继续之前，确认 health_results.json 包含预期的客户记录数量

2. 识别高风险账户

验证：确认 risk_results.json 非空，且每个客户都有对应的风险等级

3. 在健康账户中寻找扩张机会

验证：确认 expansion_results.json 按优先级列出了机会

4. 使用模板准备季度业务回顾 (QBR)

参考：assets/qbr_template.md

错误处理： 如果脚本运行报错，请检查：
输入的 JSON 是否符合该脚本所需的 Schema（见上文“输入要求”）
所有必填字段是否齐全且类型正确
是否使用了 Python 3.7+ (python --version)
在将文件传递给后续步骤之前，前一步的输出文件是否非空
---
脚本说明
1. health_score_calculator.py
用途： 多维度客户健康度评分，包含趋势分析和基于分段的基准对比。
维度与权重：
| 维度 | 权重 | 指标 |
|-----------|--------|---------|
| 使用情况 (Usage) | 30% | 登录频率、功能采用率、DAU/MAU 比率 |
| 参与度 (Engagement) | 25% | 支持工单量、会议出席率、NPS/CSAT |
| 支持情况 (Support) | 20% | 未结工单数、升级率、平均解决时间 |
| 关系维度 (Relationship) | 25% | 高管赞助商参与度、多线程沟通深度、续约意向 |
分类：
绿色 (75-100)：健康 —— 客户已获得价值

黄色 (50-74)：需关注 —— 密切监控

红色 (0-49)：有风险 —— 需立即干预

用法：

### 2. churn_risk_analyzer.py

用途： 通过行为信号检测识别高风险账户，并提供基于等级的干预建议。
风险信号权重：
| 信号类别 | 权重 | 指标 |
|----------------|--------|------------|
| 使用量下降 | 30% | 登录趋势、功能采用率变化、DAU/MAU 变化 |
| 参与度下降 | 25% | 会议取消、响应时间、NPS 变化 |
| 支持问题 | 20% | 待处理的升级工单、未解决的关键问题、满意度趋势 |
| 关系信号 | 15% | 关键推动者离职、赞助商变更、提及竞争对手 |
| 商业因素 | 10% | 合同类型、价格投诉、预算削减 |
风险等级：
紧急 (Critical, 80-100)：立即升级至高管层

高 (High, 60-79)：CSM 紧急干预

中 (Medium, 40-59)：主动接触

低 (Low, 0-39)：标准监控

用法：

### 3. expansion_opportunity_scorer.py

用途： 识别增购 (Upsell)、交叉销售 (Cross-sell) 和扩张机会，并进行收入预估和优先级排序。
扩张类型：
增购 (Upsell)：升级到更高版本或增加现有产品数量

交叉销售 (Cross-sell)：添加新的产品模块

扩张 (Expansion)：增加席位或扩展至其他部门

用法：

| 参考文档 | 描述 |
|-----------|-------------|
| references/health-scoring-framework.md | 完整的健康度评分方法论、维度定义、权重逻辑及阈值校准 |
| references/cs-playbooks.md | 各风险等级的干预剧本，包含入职、续费、扩容及升级流程 |
| references/cs-metrics-benchmarks.md | NRR、GRR、流失率、健康分及各细分市场/行业的扩容率行业基准 |

| 模板 | 用途 |
|----------|---------|
| assets/qbr_template.md | 季度业务回顾 (QBR) 演示结构 |
| assets/success_plan_template.md | 包含目标、里程碑和指标的客户成功计划 |
| assets/onboarding_checklist_template.md | 包含阶段关卡的 90 天入职检查清单 |
| assets/executive_business_review_template.md | 针对战略客户的高管业务回顾 |

1. 综合信号：同时使用三个脚本以获取完整的客户画像
2. 关注趋势而非快照：健康度从绿色下降的紧迫性高于稳定的黄色
3. 校准阈值：根据 references/health-scoring-framework.md，针对你的产品和行业调整细分市场基准
4. 以数据为准备：在每次 QBR 和高管会议前运行脚本；参考 references/cs-playbooks.md` 获取干预指导

---

局限性

• 无实时数据：脚本分析的是 JSON 输入文件中的时间点快照

• 无 CRM 集成：数据必须从 CRM/CS 平台手动导出

• 仅限确定性分析：无预测性机器学习 —— 评分基于加权信号的算法计算

• 阈值调优：默认阈值为行业标准，但可能需要根据你的业务进行校准

• 营收预估：扩容营收预估是基于使用模式的近似值

---

最后更新： 2026 年 2 月
工具： 3 个 Python CLI 工具
依赖： 仅限 Python 3.7+ 标准库