Quand le churn commence à monter et que la saison des renouvellements arrive, /customer-success-manager score votre portefeuille et fait remonter les comptes à risque avant qu'ils partent. — Claude Skill
Une compétence Claude pour Claude Code par Alireza Rezvani — exécuter /customer-success-manager dans Claude·Mis à jour le 6 juin 2026·v1.0.0
Scorez la santé client, prédisez le churn et trouvez des pistes d'expansion.
- Health scoring sur 4 dimensions : usage (30 %), engagement (25 %), support (20 %), relation (25 %)
- Niveaux de risque : Critical (escalade exécutive), High (intervention CSM), Medium (outreach proactif), Low (surveillance)
- Scoring d'expansion : upsell, cross-sell, expansion de sièges avec estimations de revenus
- Benchmarks par segment pour Enterprise, Mid-Market et SMB — seuils calibrés par segment
- Sortie prête pour QBR avec comptes priorisés, playbooks d'intervention et impact revenu
Pour qui
Scorez plus de 50 comptes clients avant le QBR et faites remonter les comptes à risque avant qu'ils churnent
Voir les compétences de ce rôleVoyez le portefeuille commercial d'expansion par compte avec estimations de revenus pour le deck board
Voir les compétences de ce rôleStandardisez le scoring du risque de churn sur tout le portefeuille avec des dimensions pondérées
Voir les compétences de ce rôleCe qu'il fait
Votre VP veut les scores de comptes pour le QBR demain matin. /customer-success-manager lance le health scorer sur votre JSON portefeuille, classe chaque compte Vert/Jaune/Rouge et donne les recommandations d'intervention priorisées — en 10 minutes.
Les renouvellements T4 commencent dans 90 jours et vous devez savoir quels comptes sont à risque. /customer-success-manager lance l'analyseur de churn avec 5 catégories de signaux (baisse d'usage, baisse d'engagement, support, relationnel, commercial) et fait ressortir Critical et High.
VP Ventes demande une prévision de revenu d'expansion pour le board. /customer-success-manager score upsell, cross-sell et expansion de sièges sur le portefeuille — avec estimations de revenus par compte selon les écarts de contrat et l'adoption produit.
Nouveau CSM, 80 comptes, aucun score de santé. /customer-success-manager construit votre baseline en un passage — benchmarks par segment Enterprise/Mid-Market/SMB pour savoir quels comptes méritent une attention hebdo vs trimestrielle.
Fonctionnement
Exportez les données client : usage, engagement, support et signaux relationnels en JSON.
Lancez health_score_calculator sur le portefeuille — obtenez une classification Vert / Jaune / Rouge par compte.
Lancez churn_risk_analyzer — obtenez les niveaux Critical / High / Medium / Low avec playbooks d'intervention.
Lancez expansion_opportunity_scorer — obtenez upsell, cross-sell et expansion de sièges classés par revenu.
Obtenez un rapport prêt pour QBR : comptes priorisés, actions recommandées et portefeuille commercial par niveau.
Exemple
50 comptes, 4,2 M$ ARR Segments : Enterprise (12), Mid-Market (22), SMB (16) Renouvellements T2 : 18 comptes, 1,6 M$ ARR NRR dernier trimestre : 108 %
Vert : 28 comptes (56 %) — 2,4 M$ ARR Jaune : 19 comptes (38 %) — 1,5 M$ ARR Rouge : 3 comptes (6 %) — 300 K$ ARR
Acme Corp 180 K$ Usage -40 %, pas de sponsor exec, NPS passé de 8→4 Beta Inc 80 K$ Tickets support +200 % T3, escalades hebdo vers engineering Charlie LLC 40 K$ Champion parti en août, aucun remplaçant engagé
8 comptes prêts pour une discussion upgrade : NorthStar +60 K$ expansion de sièges (95 %+ des sièges utilisés) DataFlow +45 K$ cross-sell vers module Analytics SummitTech +80 K$ upgrade de plan (utilise les power features) + 5 autres
→ Critique : escalade exec cette semaine (Acme, Beta, Charlie) — outreach niveau VP requis → Risque renouvellement : 4 comptes Jaunes dans les renouvellements T2 — planifier les QBRs d'ici fin de mois → Expansion : NorthStar prêt pour une discussion upgrade MAINTENANT — agir tant que l'usage est chaud
Métriques améliorées
Compatible avec
Source alternative de données support pour la dimension support
Exporte santé client, usage et engagement en JSON pour les scripts de scoring
Récupère les données compte client, contrat et renouvellement pour l'analyseur de risque de churn
Source des données d'engagement client et de tickets pour le scoring de santé
Récupère volume de tickets support, escalades et CSAT pour la dimension support
Envie d'utiliser Customer Success Manager ?
Choisissez comment commencer.
Installez et exécutez cette compétence localement sur votre ordinateur.
Ouvrez un terminal sur votre ordinateur et collez cette commande :
Cela télécharge la compétence avec tous ses fichiers sur votre ordinateur :
Ajoutez -g à la fin pour le rendre disponible dans tous vos projets.
Démarrez Claude Code, puis tapez la commande :
Customer Success Manager
Analytics customer success de niveau production avec scoring de santé multidimensionnel, prédiction du risque de churn et identification des opportunités d'expansion. Trois outils CLI Python fournissent une analyse déterministe et reproductible avec uniquement la bibliothèque standard -- aucune dépendance externe, aucun appel API, aucun modèle ML.
Table des matières
- Exigences d'entrée
- Formats de sortie
- Comment l'utiliser
- Scripts
- Guides de référence
- Templates
- Bonnes pratiques
- Limites
Exigences d'entrée
Tous les scripts acceptent un fichier JSON comme argument positionnel d'entrée. Voir assets/sample_customer_data.json pour des exemples de schéma complet et des données d'exemple.
Health Score Calculator
Champs requis par objet client : customer_id, name, segment, arr, et objets imbriqués 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), et scores previous_period pour l'analyse de tendance.
Churn Risk Analyzer
Champs requis par objet client : customer_id, name, segment, arr, contract_end_date, et objets imbriqués usage_decline, engagement_drop, support_issues, relationship_signals et commercial_factors.
Expansion Opportunity Scorer
Champs requis par objet client : customer_id, name, segment, arr, et objets imbriqués contract (licensed_seats, active_seats, plan_tier, available_tiers), product_usage (flags d'adoption par module et pourcentages d'usage), et departments (actuels et potentiels).
Formats de sortie
Tous les scripts prennent en charge deux formats de sortie via le flag --format :
text(par défaut) : sortie formatée lisible par humain pour consultation dans le terminaljson: sortie JSON lisible par machine pour intégrations et pipelines
Comment l'utiliser
Démarrage rapide
# Health scoring
python scripts/health_score_calculator.py assets/sample_customer_data.json
python scripts/health_score_calculator.py assets/sample_customer_data.json --format json
# Churn risk analysis
python scripts/churn_risk_analyzer.py assets/sample_customer_data.json
python scripts/churn_risk_analyzer.py assets/sample_customer_data.json --format json
# Expansion opportunity scoring
python scripts/expansion_opportunity_scorer.py assets/sample_customer_data.json
python scripts/expansion_opportunity_scorer.py assets/sample_customer_data.json --format json
Intégration workflow
# 1. Score customer health across portfolio
python scripts/health_score_calculator.py customer_portfolio.json --format json > health_results.json
# Verify: confirm health_results.json contains the expected number of customer records before continuing
# 2. Identify at-risk accounts
python scripts/churn_risk_analyzer.py customer_portfolio.json --format json > risk_results.json
# Verify: confirm risk_results.json is non-empty and risk tiers are present for each customer
# 3. Find expansion opportunities in healthy accounts
python scripts/expansion_opportunity_scorer.py customer_portfolio.json --format json > expansion_results.json
# Verify: confirm expansion_results.json lists opportunities ranked by priority
# 4. Prepare QBR using templates
# Reference: assets/qbr_template.md
Gestion des erreurs : si un script se termine avec une erreur, vérifiez que :
- Le JSON d'entrée correspond au schéma requis pour ce script (voir Exigences d'entrée ci-dessus)
- Tous les champs requis sont présents et correctement typés
- Python 3.7+ est utilisé (
python --version) - Les fichiers de sortie des étapes précédentes ne sont pas vides avant d'être transmis aux étapes suivantes
Scripts
1. health_score_calculator.py
Objectif : scoring multidimensionnel de santé client avec analyse de tendance et benchmarking par segment.
Dimensions et pondérations :
| Dimension | Pondération | Métriques |
|---|---|---|
| Usage | 30% | Fréquence de connexion, adoption de fonctionnalités, ratio DAU/MAU |
| Engagement | 25% | Volume de tickets support, présence aux réunions, NPS/CSAT |
| Support | 20% | Tickets ouverts, taux d'escalade, temps moyen de résolution |
| Relationship | 25% | Engagement du sponsor exécutif, profondeur multi-threading, sentiment de renouvellement |
Classification :
- Green (75-100) : sain -- le client obtient de la valeur
- Yellow (50-74) : nécessite de l'attention -- surveiller de près
- Red (0-49) : à risque -- intervention immédiate requise
Utilisation :
python scripts/health_score_calculator.py customer_data.json
python scripts/health_score_calculator.py customer_data.json --format json
2. churn_risk_analyzer.py
Objectif : identifier les comptes à risque avec détection de signaux comportementaux et recommandations d'intervention par niveau.
Pondérations des signaux de risque :
| Catégorie de signal | Pondération | Indicateurs |
|---|---|---|
| Usage Decline | 30% | Tendance de connexion, changement d'adoption de fonctionnalités, changement DAU/MAU |
| Engagement Drop | 25% | Annulations de réunions, temps de réponse, changement NPS |
| Support Issues | 20% | Escalades ouvertes, critiques non résolues, tendance satisfaction |
| Relationship Signals | 15% | Champion parti, changement de sponsor, mentions de concurrents |
| Commercial Factors | 10% | Type de contrat, plaintes sur le pricing, coupes budgétaires |
Niveaux de risque :
- Critical (80-100) : escalade exécutive immédiate
- High (60-79) : intervention CSM urgente
- Medium (40-59) : outreach proactif
- Low (0-39) : surveillance standard
Utilisation :
python scripts/churn_risk_analyzer.py customer_data.json
python scripts/churn_risk_analyzer.py customer_data.json --format json
3. expansion_opportunity_scorer.py
Objectif : identifier les opportunités d'upsell, cross-sell et expansion avec estimation de revenu et classement par priorité.
Types d'expansion :
- Upsell : passage à un niveau supérieur ou usage accru du produit existant
- Cross-sell : ajout de nouveaux modules produit
- Expansion : sièges ou départements additionnels
Utilisation :
python scripts/expansion_opportunity_scorer.py customer_data.json
python scripts/expansion_opportunity_scorer.py customer_data.json --format json
Guides de référence
| Référence | Description |
|---|---|
references/health-scoring-framework.md | Méthodologie complète de health scoring, définitions des dimensions, logique de pondération, calibration des seuils |
references/cs-playbooks.md | Playbooks d'intervention pour chaque niveau de risque, onboarding, renouvellement, expansion et procédures d'escalade |
references/cs-metrics-benchmarks.md | Benchmarks industrie pour NRR, GRR, taux de churn, scores de santé, taux d'expansion par segment et industrie |
Templates
| Template | Objectif |
|---|---|
assets/qbr_template.md | Structure de présentation Quarterly Business Review |
assets/success_plan_template.md | Plan de succès client avec objectifs, jalons et métriques |
assets/onboarding_checklist_template.md | Checklist d'onboarding 90 jours avec phase gates |
assets/executive_business_review_template.md | Revue executive stakeholder pour comptes stratégiques |
Bonnes pratiques
- Combiner les signaux : utiliser les trois scripts ensemble pour obtenir une image client complète
- Agir sur les tendances, pas les snapshots : un Green en baisse est plus urgent qu'un Yellow stable
- Calibrer les seuils : ajuster les benchmarks de segment selon votre produit et votre industrie via
references/health-scoring-framework.md - Préparer avec les données : lancer les scripts avant chaque QBR et réunion exécutive ; consulter
references/cs-playbooks.mdpour les conseils d'intervention
Limites
- Pas de données temps réel : les scripts analysent des snapshots ponctuels depuis des fichiers d'entrée JSON
- Pas d'intégration CRM : les données doivent être exportées manuellement depuis votre plateforme CRM/CS
- Déterministe uniquement : pas de ML prédictif -- le scoring est algorithmique et fondé sur des signaux pondérés
- Réglage des seuils : les seuils par défaut sont des standards industrie mais peuvent nécessiter une calibration pour votre activité
- Estimations de revenu : les estimations de revenu d'expansion sont approximatives et basées sur les patterns d'usage
Last Updated: February 2026 Tools: 3 outils CLI Python Dependencies: bibliothèque standard Python 3.7+ uniquement