AI in Customer Success: What Replaces the Old CSM Playbook

• AI 释放容量之后，管理问题才真正开始。 SambaSafety 约 40 人的客户成功组织已把 AI 用于客户邮件、QBR 准备、流失分析和账户辅导；一份过去需要数小时研究和排版的 QBR 首稿，现在约 15–20 分钟即可生成。但 John Conley 没有执行“释放 30% 容量就增加 30% 账户”的线性换算，只允许有限增加一两个账户，并把主要时间还给关系映射、主动诊断和客户业务理解。
• 静态 playbook 没有完全消失，但已从“答案”退化为 AI 教练的底层素材。 John 构建的 CSM coach 会让使用者先花约 8 分钟描述客户情境，再综合内部 playbook、公开 CS 方法论、客户官网和投资者信息，提出 A/B/C 三条行动路径。工具的目标不是替代判断，而是扩大思考空间；遇到知识缺口时，它会主动建议联系 John 或直属领导，而不是编造确定答案。
• AI 的高价值不是更快执行，而是在人力无法覆盖的数据范围里发现可行动的模式。 SambaSafety 服务大量拥有驾驶人员的企业，管理约 1万–2万个账户。AI 在流失数据中发现：油价升高时，中型市场客户更容易以成本过高、破产、停业或不再需要服务为由离开。John 明确把这称为相关性而非因果，但团队因此能够提前设计增值服务，帮助客户渡过外部成本压力。
• 客户成功组织最危险的问题不是“工作不够多”，而是成为所有附加职责的承接地。 John 把这种状态称为“could-ofs 的荒地（wasteland of could-ofs）”：续约、Tier 1 工单、管理层触达和各种临时要求不断滑入 CS。其治理方法不是抽象地要求团队更战略，而是用 NRR、续约、扩张和“客户是核心”等年度目标过滤工作，并用工单下降、系统问题减少、成本规避或节省证明主动工作的经营价值。
• 未来 CSM 的稀缺性来自自然好奇心、AI 应用能力与跨职能协作，而不是更长的“年限门槛”。 John 反对把初级岗位写成需要六至八年经验，也反对 18 页且不披露薪资的 JD。他更关注候选人能否提出 discovery questions、讲好业务故事、列举三至五个 AI 应用案例，并把客户问题转化为可落地的解决方案。最终边界是：customer service 追求“让客户开心”，customer success 追求“让客户成功”，两者并不相同。

贯穿全场的主线是“把 AI 节省的时间重新投资到哪里”。 如果答案只是更多账户和更多标准动作，组织只获得效率；如果把时间投入客户现场、账户规划、经济分析和人类判断，AI 才会转化为留存、扩张和更少意外的经营结果。

核心要点：AI 在 SambaSafety 不是单点写作工具，而是贯穿 post-sales 工作链的容量基础设施；但容量的主要用途是补上长期被挤压的主动工作，而不是简单提高人均账户数。

• John 管理约 40 人的客户成功团队，职责从 Tier 1 工单、续约到高触达（high-touch / white-glove）客户成功。AI 已进入行政减负、客户研究、沟通准备和容量规划等几乎所有环节。
• 团队最早从客户邮件切入：先由 CSM 写初稿，让 AI 做语言润色、受众适配和遗漏检查；积累足够邮件后，再让 agent 读取客户来信并生成第一版回复。John 将这次变化概括为：AI 不再只是“英语老师”，而开始成为“作曲者（composer）”。
• 企业客户沟通仍保留人工闸门。团队尚未允许 agent 自动发信，因为 enterprise CS 的邮件必须精确匹配客户情境、关系状态和内部口径；“能生成”不等于“可以直接对外”。
• 过去，CSM 要阅读新闻、投资材料、客户动态并制作“像素级精美”的 QBR deck，往往需要数小时；现在第一版 QBR 可在 15–20 分钟内完成。John 同时提醒，prompt 打磨、资料校验和反复迭代仍然值得投入，15–20 分钟不是完整决策周期。
• Alex 提出两种完全不同的管理选择：一种是把每个人的账户组合从 20 个扩到 30 个，以“效率”名义增加 50%；另一种是把自动化节省的时间留给商业敏锐度、关系、判断和细微差别。前者提高吞吐量，后者提高客户工作的深度。
• SambaSafety 的实际做法介于两者之间：可能让 CSM 增加一两个账户，或偶尔从单一账户抬头观察整个行业组合，但没有执行“释放 30% 容量，就增加 30% 账户”的等比例扩张。
• 释放的容量被用于长期积压的工作：关系映射、主动沟通、服务“轻微抖动”的提前识别，以及在 API 真正出故障前与工程团队一起优化。John 认为，这才是客户成功在 25–30 年前出现时所强调的 proactive nature。

“We've not said, ‘30% capacity equals 30% more accounts.’” —— John Conley

核心要点：CS 组织之所以难以主动，不只是时间不足，还因为续约、工单、管理层触达等职责会不断以“你们也可以做”的方式沉积下来。边界治理的关键是给每项工作找到经营归属和经济解释。

• John 把客户成功称作 “wasteland of other duties assigned / wasteland of could-ofs”：组织里每出现一项没有明确 owner 的任务，就可能变成“CS 也应该做”——续约、Tier 1 技术工单、管理层触达，乃至更多临时事务。
• 他认为 CS 的核心职能仍是 净收入留存（NRR）。扩张应当进入客户成功的讨论范围，但不能以牺牲留存和成功结果为代价；留存与扩张可以互相促进，却不能用新增收入遮蔽基础客户流失。
• 主动工作必须有“经济故事”。SambaSafety 不只报告团队做了多少关系沟通，还会观察工单是否下降、系统问题报告是否减少，以及提前干预是否形成成本规避（cost avoidance）或成本节省（cost savings）。
• Alex 用三个词概括 post-sales 的核心交付：keep、grow、no surprises。即保住销售高成本赢得的客户，扩大最有潜力的客户，并确保续约、降额和风险不会在最后时刻突然出现。
• John 的判断是：组织真正拥有清晰角色时，才能把“更主动”变成可执行要求。如果角色模糊，所谓战略性工作只会和不断增加的工单、续约、汇报、内部协调竞争时间。
• SambaSafety 每年设定 OKR，并要求工作至少能追溯到续约、扩张、净收入或“客户是核心”等长期方向之一。新任务不是永久进入职责包，而要按月或按季度重新审视：上个月承接的六件事，本月是否仍然应该由 CS 做？
• John 也承认治理不可能一次完成。公司成长、调整和转型时，团队一定会承接一些本不该长期拥有的工作；管理者的责任不是追求“永不越界”，而是不断校准和退出失去价值的动作。

“‘Oh, you should…’ is the bane of my existence.” —— John Conley

核心要点：NRR 能体现留存与扩张的综合结果，GRR 则暴露不依赖 upsell 时客户基础的自然状态。高 NRR 并不能替代对 GRR 的审视。

• Alex 观察到，NRR 已成为判断 SaaS 业务健康和领导质量的核心启发式指标；但市场开始更关注 GRR 与 NRR 之间的差距，以区分基础客户留存和扩张带来的增长。
• John 认为两项指标必须“手牵手”进入经营讨论。NRR 很高时，组织可能因为扩张强而忽视客户本体正在流失；GRR 看似稳定时，也可能忽略团队没有捕捉任何增长机会。
• 他给出一个直接判断：如果董事会或领导层不同时谈两项指标，通常不是因为另一个指标不重要，而是因为另一个指标正在显示公司真实、但不愿面对的方向。
• 两项指标对应不同校准动作。GRR 促使团队检查产品价值、客户适配、服务质量和基础留存；NRR 进一步检验是否找到扩张路径，以及客户成功与商业团队能否共同释放账户价值。
• AI 在这里不是指标替代品，而是分析范围的放大器。它可以把流失原因、客户行业、规模和外部环境组合起来，提出需要人进一步调查的异常区域。
• 访谈没有给出 SambaSafety 的具体 GRR 或 NRR 数值，因此不能把方法论误读为该公司当前指标表现；可确认的是，John 要求同时建模并持续追踪二者。

“If you're not talking about both at the boardroom or at your leadership level, there's a reason that you're probably not talking about both.” —— John Conley

核心要点：AI 的独特价值不是复述已知原因，而是在人力无法在一个周末覆盖的账户规模里发现模式；但模式仍需要被标注为相关性，并由团队转化为行动。

• SambaSafety 大约观察 1万–2万个账户，John 表示实际数量可能有约 5,000 的浮动。即使投入整个周末，他也不可能逐户完成流失原因分析；AI 可以先扫描全量数据，再把异常行业或细分市场交给人调查。
• 公司服务拥有配送司机、零工司机等驾驶人员的企业，帮助客户理解驾驶行为与安全表现。客户的安全投入并不只受风险意识影响，也受燃油、现金流和经营存续压力影响。
• AI 分析显示，当油价超过某一水平时，中型市场客户的流失会增加；客户给出的原因包括成本过高、破产、停业以及“不再需要服务”。John 特别强调，这首先是相关性（correlation）而不是已证实的因果关系（causation）。
• 大型企业可能更能吸收油价波动，中型市场客户则更容易迅速压缩支出。由此，统一的客户健康模型会掩盖行业、规模和外部成本结构的差异。
• John 以 Strait of Hormuz 航运公司开玩笑：他无法控制油价，也不拥有能从运价上涨中获益的船运资产；团队能控制的是，在客户承压之前设计怎样的增值服务、价值证明和支持方案。
• 过去即便有人感觉油价可能影响流失，这也只是“gut feeling”。AI 让团队可以指向具体数据，把模糊直觉变成可验证假设，并进一步设计客户干预实验。
• Alex 将这一案例解释为“接入客户现实”：CS 团队经常活在对客户世界的假设里，外部数据与流失模式的连接让团队更早看见客户真正承受的压力。

“Maybe not causation, but a real correlation of, ‘Oh, look, when those gas prices get above X, we start seeing more churn in our ranks.’” —— John Conley

核心要点：通用 playbook 仍有价值，但无法直接回答具体客户处境。AI coach 的更优角色是提问、组合知识和生成备选路径，而不是替 CSM 作决定。

• John 的判断不是“所有 playbook 都没用”，而是 playbook 作为“圣杯”的地位正在死亡：团队仍需一套基础做法，但不能把架上某个模板当作客户问题的完整答案。
• 原因之一是知识范围已经超出个人可读能力。AI 可以同时查阅 John 使用过的方法、公开互联网中的 CS 方法论、客户官网 About 页面、公开投资者信息和客户画像，再把信息组合进当前情境。
• John 构建的 CSM coach 首先要求使用者花约 8 分钟讲清客户情境，而不是输入一个简短问题后立即索取“标准答案”。这段叙述本身就迫使 CSM 澄清事实、目标和约束。
• 工具随后像一个拥有 20 年经验的专业人士一样继续追问：“你是否考虑过这个？”“那个变量如何影响选择？”最终给出 A、B、C 三条可能路径。
• 三条路径并不是推荐排序。CSM 必须判断选择 A、C，还是把两者组合；这种 discernment / judgment 是人类工作中不可外包的部分。
• Alex 认为，哪怕 AI 的建议完全错误，它仍可能带来一个此前没有想到的角度，或迫使使用者调用自己的知识反驳它。AI 的价值因此来自思考碰撞，而非答案权威。
• John 把 AI 比作“另一个反复无常的员工（another fickle employee）”：它能迅速说出工单环比增加、哪些客户增加，却可能把增长原因解释错；当人指出系统故障或新流程造成波动时，它又会回答“提醒得好”。
• 如果所有人使用同一 playbook、同一 bot、同一 prompt 并照单全收，客户沟通会递归地收敛到最低公共标准，差异化反而消失。

“It's not a replacement for experts… It is a great resource.” —— John Conley

核心要点：AI 教练没有取消人类会议，而是把稀缺领导注意力从重复背景说明中释放出来，并将真正存在知识缺口的问题升级给人。

• 在“纯人类”模式下，John 的团队每月聚在一起，用约 15–20 分钟拆解一个账户并集体提出建议。因为全员参加，这是一场昂贵会议；同时，一个月只能深挖极少量账户。
• 有了 coach 后，CSM 可以在任何时间开展同类对话。每次月度账户会议的录音都会加入资料库，新的 playbook 和产品文档也会持续更新，因此工具对团队内部语境的理解不断累积。
• AI 的记忆能力在这里有明确优势：一本书、一个方法或一份产品文档进入资料库后，它不会因为使用频率低而“忘记某一页”，可以在合适情境下重新引用。
• 一个常见周三下午的工作流是：CSM 先与 agent 讨论，整理出三条建议，再给 John 发邮件说明自己倾向哪一条，请领导只判断关键分歧。领导不需要从零重做全部分析。
• John 还专门设置了升级机制：如果工具识别到知识缺口，会直接告诉 CSM“我不了解你的具体情境，请给领导或 John Conley 发邮件、安排会议”。
• 这个设计体现了明确的风险边界：工具负责增加可用资源和加速互动，但不伪装成全知；人类负责关系、情境判断和对最终行动承担责任。
• 因此，AI 与人类辅导不是替代关系，而是分层关系：常见模式异步处理，复杂例外和未知问题进入人类对话。

“They can still have that conversation… as if I was sitting next to them.” —— John Conley

核心要点：账户计划的价值不在模板本身，而在共同规划过程——谁见谁、谈什么、如何协同。AI 最适合补强的正是这种持续推演能力。

• John 回忆自己还是个人贡献者时，与一名不喜欢做计划的 account executive 合作。对方倾向飞到 Denver，一天内开完一批会议再离开；双方所管理的账户长期没有增长。
• John 本人的激励主要是维持账户，而非扩张，但他仍希望团队取得更好结果。于是他提出赌约：如果通过共同规划让账户增长，对方就给他买一台 Traeger grill。
• 两人把账户分成规划组和对照组。对规划组，他们每月坐下来明确 account executive 和 CSM 分别见谁、各自谈什么，并确保双方的客户动作形成一致路径。
• 当季结束时，规划组账户实现约 25%–30% 的总增长（gross growth）。John 赢得了 Traeger grill，团队随后把这种规划活动扩展到该 AE 的整本账户组合。
• 这个故事的关键不是“做了更多”。团队没有新产品、没有更多关键联系人、没有增加旅行，也没有显著增加计划之外的电话；主要差异只是两个人知道彼此在账户里做什么，并以共同方案行动。
• Alex 将其进一步解释为：计划的价值在 planning，而不在 plan。真正产生增长的是对客户现实、选择、后果、条件分支和战略适配的反复推演。
• AI 可以成为全天候规划伙伴，即使人类搭档不愿规划，也能持续提出问题、不知疲倦地模拟路径。它不替代客户关系，但能降低高质量思考的启动成本。
• 这一案例也连接了访谈主线：自动化节省时间之后，最有价值的投入不是填满日程，而是提高账户决策的共同清晰度。

“I'm happy to report I own a Traeger grill.” —— John Conley

核心要点：如果组织把 AI 节省的每一分钟再次填满，CSM 仍无法理解客户。留白不是福利，而是产生主动判断的必要条件。

• John 提出一个反常识观点：有时不应立即给空出来的时间安排新任务，而应坐在椅子上，用 10–15 分钟只思考一个客户。
• 他把“理解客户”具体化为现场体验：客户是冰淇淋店，就去吃冰淇淋；客户从事垃圾处理，就去城市垃圾场观察实际运营。客户业务不应只存在于 CRM 字段和 QBR 页面中。
• COVID 期间及之后，团队习惯了 back-to-back-to-back meetings。连续会议让工作看似饱和，却消灭了连接信息、形成判断和提前发现问题的空间。
• John 自嘲自己不是“文艺复兴式人物（Renaissance man）”，但仍建议偶尔走到室外，听几声鸟叫。这个轻松段落实际表达的是认知恢复：商业判断需要注意力，不只是时间总量。
• Alex 认为，真正的 strategic partner 会主动列出客户所处世界：业务发生什么、行业承受什么压力、有哪些机会、客户在兴奋或担忧什么，然后连接这些点。
• 这也解释了为什么 AI 不应只用于增加 throughput。自动化可以制造时间，但只有管理机制允许留白，时间才会变成客户洞察。

“Sometimes you should do nothing with the time that you get back.” —— John Conley

核心要点：职责边界不能只靠 CSM 个人说“不”。组织需要目标过滤器、日历留白和领导升级机制，同时接受约 20% 的突发工作客观存在。

• John 的边界治理建立在高层支持上。他明确说明，SambaSafety 的 executive leadership team 理解客户成功这一专业；如果组织缺少这种支持，就不能简单复制他的做法，必须先争取对职能目的的共识。
• 团队用年度 OKR 过滤工作，并按月或季度重新查看上月新增的任务。如果管理者以“第一天上任”的眼光重新设计，会不会继续保留这些动作？如果不会，就应退出或重新分配。
• John 在任职三年后重做了领导团队的 1:1。他发现会议已经变成让下属逐项汇报 laundry list，连自己的语气也变成“告诉我这个、再告诉我那个”。
• 他把过去的议程和部分录音交给 AI，坦白自己对会议不满意，问题不在团队，而在自己变得懒散、例行化。AI 直接回应“你确实很懒”，再用五六个问题澄清会议应侧重能量、业务还是客户，并据此重设 1:1。
• 对个人贡献者，John 使用近似 80/20 的容量观：大约 20% 的任务可能并不真正属于自己，却会不可避免地出现。与其假装日程可以完全受控，不如预先留出缓冲。
• 他的周五日历故意保留大量白块，不是因为当天没工作，而是因为一定会出现早上没预料到的事件。如果一天排满 16 场连续会议，就不存在响应新风险的空间。
• John 允许团队专业、礼貌、外交式地拒绝不合理请求；如果对方认为“不接受拒绝”，可以来找他。领导的可访问性使个人边界有组织后盾，而不是把冲突成本全部留给 CSM。
• Alex 提醒，低价值请求会形成职业风险：如果 keep、grow、no surprises 没有交付，没人会因为 CSM 忙于大量内部杂务而免除责任。
• John 用续约说明这一点：9 月 1 日的合同即使 9 月 3 日最终签署且 ARR 增长 15%，仍然暴露了进度滑移；如果最终降额，领导看到的将同时是“意外”和“没有增长”，而不会记住五个过程理由。

“What matters to your leaders—do those things first. And then everything else is discretionary.” —— John Conley

核心要点：AI 没有降低经验的重要性，却改变了经验的组成。未来岗位更看重发现问题、理解情境和调用 AI 的能力，而不是继续堆高传统工具要求和从业年限。

• John 观察到，即便是 entry-level CSM，JD 对“成熟经验”的要求也越来越高，甚至出现“初级岗位需要六年、八年经验”。他认为这是一种错误趋势：如果零经验的人没有入口，就永远不会产生下一代有经验的 CSM。
• 他直接表示：“雇用 24 岁的人没有问题。”其女儿将在两三年后大学毕业，他希望“不招聘应届毕业生”的趋势尽快结束——既为了人才市场，也为了自己的家庭开支。
• 招聘时，他优先寻找 自然好奇心（natural curiosity） 和 discovery questions。工程学位不是必要条件；表演艺术、英语及其他 liberal arts 背景可能带来讲故事、观察世界和理解人类情境的优势。
• AI 暴露度已经成为 table stakes。候选人不需要构建复杂 agent，但必须在自己的生活或工作里真正使用过 AI，例如规划旅行、设计家庭食谱，或支持客户成功工作流。
• John 期望候选人能给出 三至五个未来把 AI 应用于 CSM 工作的具体例子。是否能定义问题和设计使用方式，比背诵某个 prompt 更重要。
• 第三项核心能力是 cross-functional collaboration。客户成功天然横跨产品、工程、销售、财务和服务；AI 可以整合信息，却不能替代跨组织建立共识和推动动作。
• 这些能力过去常被放在 Excel、CRM 更新等硬技能清单之后，作为模糊的 soft skills；未来它们应进入 JD 最前面的两三项，AI 暴露度甚至可能成为认证要求。
• John 还给出一条招聘“公共服务公告”：停止发布 18 页且没有薪资范围的岗位说明。清楚列明职责与回报，才能让候选人判断是否适合，而不是扩大信息不对称。

“You don't get to be a junior CSM if you don't have a zero-year-experience coming on board.” —— John Conley

核心要点：续约和扩张不应被包装成与客户成功无关的销售负担，但也不能用传统销售话术理解。CS 的独特性在于利用既有关系，把已知客户问题与可解决它的方案连接起来。

• Alex 指出，许多 CSM 进入行业时以为工作是帮助客户成功、达成目标并维持满意，后来却发现自己还要负责续约谈判、upsell 和 cross-sell，产生“bait and switch”感。
• John 没有否认商业责任。他认为 AI 可以帮助计算交易经济性、判断方案是节省还是亏损，因此基础商业计算会成为工具提供的 table stakes，不一定需要继续堆进 JD。
• 他对团队的表述不是“卖东西”，而是 “向客户定位我们知道能解决其问题的方案（positioning solutions to the customer's problems that we know we can solve）”。
• 一个可信顾问应当能告诉客户：我看见你为什么遇到这个问题；我认为某个方案可以解决；下面展示它如何进入你的 workflow。最终是否购买，由客户决定。
• 这种动作在表面上与销售相似，但差异在于 CS 已经拥有关系、客户背景和使用语境。扩张不是脱离成功目标的额外推销，而应是成功方案的一部分。
• John 最终区分 customer service 与 customer success：service 的目标是让客户开心、得到照顾；success 的目标是让客户真正取得结果。
• 他最喜欢的一些客户并不总是对他满意，甚至会因为他提出困难建议而不高兴；但当客户在大多数时候获得成功，短期不满并不会破坏长期关系。
• 因此，访谈标题“成功与开心不同”并非文字游戏，而是 AI 时代的人类价值边界：机器可以优化响应和服务感受，CSM 必须对客户的真实经营结果负责。

“There's a difference between successful and happy.” —— John Conley

## 管理启示：把 AI 采用从工具项目升级为工作设计项目

1. 先定义释放容量的投资规则。 在部署邮件、QBR 或研究 agent 前，明确节省时间中多少用于账户增量，多少必须保留给关系、规划、现场体验和风险调查；否则效率会自动被吞吐量目标吸收。

2. 给 AI 设置清晰的人工闸门。 客户对外邮件、关键归因和行动路径由人确认；AI 在知识缺口时必须升级给领导或专家，而不是继续生成看似完整的答案。

3. 以经营结果而非使用次数衡量价值。 除了“生成多少 QBR”，还要观察工单、系统问题、GRR、NRR、成本规避、客户风险提前量和扩张结果。

4. 把 playbook 改造成教练。 高质量工具不只检索 SOP，而应要求使用者先描述情境、追问关键变量、生成多条路径，并保留由 CSM 做最终组合判断的空间。

5. 重写岗位与管理机制。 JD 将自然好奇心、AI 应用案例和跨职能协作前置；领导通过目标过滤、月度校准、日历留白和升级兜底，防止 CS 再次成为所有杂务的承接地。

项目	详情
John Conley	SambaSafety 客户成功高级副总裁；约 40 人团队负责人；AI coach 的设计和使用者
Alex Raymond	AMplify / Account Management Secrets 主持人；提出 keep、grow、no surprises 框架
SambaSafety	为拥有驾驶人员的企业提供驾驶行为与安全相关服务；访谈未披露具体收入或留存指标
AMplify	面向 account management / customer success 从业者的社区与内容平台
40 人	John 管理的客户成功相关团队规模，覆盖 Tier 1、续约和高触达 CS
15–20 分钟	AI 生成 QBR 第一版所需时间；也是团队每月拆解单个账户的讨论时长
1万–2万个账户	AI 流失分析所覆盖的大致账户范围，John 表示可能上下浮动约 5,000
8 分钟	CSM 向 AI coach 说明客户情境的大致时间
25%–30%	Traeger grill 对照实验中，规划组账户一个季度的大致总增长
80/20	约 20% 突发或不完全属于本职的任务需要预留容量应对
三至五个	John 希望候选人能说明的 AI 在 CSM 工作中的应用例子数量
NRR / GRR	分别反映扩张后净收入留存与不计扩张的基础收入留存，应成对监控
Wasteland of could-ofs	不断以“CS 也可以做”进入职责包的附加工作集合
CSM coach	综合内部知识与公开方法论、通过追问生成 A/B/C 行动路径的 AI 教练
Traeger grill	John 与不愿规划的 AE 所打赌注，也是账户规划实验成功的记忆锚点

## 来源与口径说明

• 主来源：用户提供的 YouTube 视频及其音频全文。
• 交叉核验：AMplify 官方节目页与 Account Management Secrets 官方 Podbean RSS，确认节目编号、日期、说话人、章节和节目说明。
• YouTube 没有人工或自动字幕；原文基于本地 MLX Whisper ASR，并对 SambaSafety、Traeger、指标名称和明确数值做了人工上下文修正。
• 纪要区分了“受访者观点”“受访者举例”和“可确认的公司事实”。访谈未提供的公司经营数据未自行补写；油价与流失明确保留为相关性，而非因果结论。