Customer health scoring omsætter signaler fra dit CRM, dit produkt, din supportdesk og din fakturering til ét tal pr. konto, så dit team ved, hvilke kunder der skal ringes til i denne uge. Det virker kun, hvis de underliggende data er aftalt og pålidelige. Selve scoringsformlen er den nemme del. En score bygget på modstridende CRM- og økonomiposter giver selvsikre, forkerte svar. Hos NordOps Consulting bygger vi først data foundation, derefter AI-laget og til sidst de agenter, som dit Customer Success-team bruger.

Denne guide er til ledere i B2B SaaS-virksomheder med cirka 20 til 200 medarbejdere. Den gennemgår, hvilke målepunkter du bør bruge, hvordan du vægter dem, en beregning trin for trin, hvordan du kontrollerer, at scoren forudsiger churn, og hvor AI bør og ikke bør indgå.

Kort fortalt

Indholdsfortegnelse

Hvad en customer health score bruges til

En customer health score vurderer, hvor sandsynligt det er, at en konto fornyer, udvider eller churner. Den gør det ved at samle signaler fra forskellige systemer i ét sammenligneligt billede. HubSpots guide peger på, at det, der tæller som “sundt”, afhænger af forretningsmodel, produktkompleksitet, kundesegment og livscyklusfase. En konto med 15 licenser i onboarding og en konto med 400 licenser i det tredje år bør ikke bedømmes med samme målestok.

Scoren har to opgaver:

  1. Prioritere opmærksomheden. Et Customer Success-team på fire kan ikke gennemgå 300 konti hver uge. Scoren sorterer listen.
  2. Give tidlig varsling. Et fald i scoren skal nå frem til nogen, mens der stadig er tid til at handle, helst måneder før fornyelsesdatoen.

Hvis scoren ikke gør nogen af delene, er den blot pynt på et dashboard. De fleste scores fejler på grund af inputtene, ikke matematikken.

Hvilke customer health-målepunkter du bør følge

Start med fem kategorier af signaler. Intervallerne nedenfor er startvægte udgivet af ZoomInfo, og de er et sted at begynde, ikke en regel.

Kategori Typiske signaler Startvægt
Produktbrug Brugsfrekvens, aktive brugere pr. licens, brug af funktioner 30 til 40%
Relation Engageret champion, aktiv executive sponsor, antal interessenter, personaleskift 20%
Support Antal og alvorlighed af tickets, eskalationer, 90-dages udvikling 10 til 15%
Stemning NPS, CSAT, spørgeundersøgelser i produktet, CSM'ens vurdering 10 til 15%
Fakturering og kommercielle forhold Rettidig betaling, anmodninger om nedgradering, vækst i licenser 10 til 15%

Tre punkter betyder mere end de præcise procenter.

Mål tendensen, ikke kun niveauet

Basedash argumenterer for, at den mest forudsigende kategori for de fleste SaaS-produkter er brugstendensen frem for brugsniveauet. En konto med højt forbrug, som er faldet med 40 procent denne måned, er ofte en større risiko end en stabil konto med lavt forbrug. Gem en sammenligning over 30 og 90 dage ved siden af hver øjebliksopgørelse.

Lad ikke produktdata skjule relationsrisici

Produktdata kan ikke se, at din champion forlod virksomheden sidste måned. ZoomInfo beskriver relationen som det blinde punkt i de fleste health scores og knytter hullet til en stor del af den uventede kundeafgang. Dit CRM bør rumme championen, den ledelsesmæssige sponsor og datoen for, hvornår hver kontaktperson sidst blev bekræftet. Gør det ikke det, er relationskategorien gætteri.

Kombinér ledende og efterfølgende indikatorer

HubSpots guide beskriver højtpræsterende teams som teams, der balancerer ledende indikatorer som brug og engagement med efterfølgende indikatorer som fornyelsesresultater og feedback. Ledende signaler advarer dig. Efterfølgende signaler bekræfter, hvad der skete. En score, der kun består af efterfølgende signaler, fortæller dig om kundeafgang, når det er for sent.

Hold listen kort. Seks til ti målinger er et brugbart interval: færre efterlader blinde vinkler, og flere gør det svært at se, hvorfor en score flyttede sig.

Sådan beregner du en customer health score

Beregningen er en vægtet sum. Hver måling omregnes til en værdi fra 0 til 100, ganges med sin vægt, og resultaterne lægges sammen.

Et forsvarligt udgangspunkt for B2B SaaS, udgivet af Basedash, er:

Samme kilde foreslår disse intervaller: Sund 70 til 100, I risiko 40 til 69, Kritisk 0 til 39.

Et gennemregnet eksempel

Dette er en illustrativ konto, ikke en rigtig kunde. Hver kategori er allerede omregnet til en værdi fra 0 til 100.

Kategori Værdi Vægt Bidrag
Brug og tendens 80 0.35 28.0
Adoption 60 0.25 15.0
Support 70 0.15 10.5
Relation og stemning 40 0.15 6.0
Kommercielt 90 0.10 9.0
I alt 68.5

Kontoen scorer 68.5, hvilket er I risiko. Brugen ser stærk ud, og betalingerne sker til tiden. Det trækker ned på relation og adoption: den ledelsesmæssige sponsor er blevet tavs, og kun en del af produktet bruges. En score baseret alene på brug ville have kaldt denne konto sikker.

Derfor er næste skridt vigtigt. Intervallet bør udløse en konkret handling, for eksempel en samtale med ledelsen og en adoptionsplan for de ubrugte moduler. Et tal uden en tilknyttet handling ændrer ikke, hvad dit team gør mandag morgen.

Et gennemregnet eksempel

Hold vægtene grove

Præcise vægte signalerer en sikkerhed, som data måske ikke kan bære. Afrund til nærmeste fem procent, skriv ned hvorfor hver vægt er, som den er, og forvent at ændre dem, efterhånden som produktet og din kundesammensætning ændrer sig. Tidligt i kunderejsen fortjener onboardingforløbet mere vægt. For modne konti betyder dybden i brugen og resultaterne mere.

Brug separate profiler for hvert segment

Én enkelt score for alle konti udvisker vigtige forskelle. Adskil som minimum konti i onboarding fra etablerede konti, og små konti fra store. “Sund” i onboarding betyder, at kunden er på rette spor mod go-live. “Sund” i år tre betyder, at værdien er realiseret, og at en fornyelse er sandsynlig.

Hvorfor de fleste health scores fejler

De fleste fejl skyldes rørføringen, ikke formlen.

De to første er dataproblemer. I vores arbejde bliver CRM- og økonomidata den sandhedskilde, som alt andet læser fra, med en Processor, der omdanner data i de omkringliggende systemer til én aftalt version. Indtil det findes, giver en mere avanceret score blot mere avancerede fejl.

Valider scoren mod konti, der allerede er churnet

Validering er det trin, de fleste teams springer over. Det tager en eftermiddag og fortæller dig, om du kan stole på scoren.

  1. Se bagud. Tag de konti, der forlod jer inden for de seneste tolv måneder. Genskab, hvad scoren ville have sagt 90 dage, før de gik. Hvis de fleste var grønne eller gule, beskriver scoren nutiden i stedet for at forudse fremtiden.
  2. Se den anden vej. Af alle de konti, der ville have været røde for 90 dage siden, hvor mange forlod jer faktisk? En score, der markerer en stor del af kundebasen rød, fanger det meste af kundeafgangen og er alligevel ubrugelig, fordi den ikke kan prioritere.
  3. Følg præcisionen i toppen. Af de konti, som scoren markerede som mest udsatte, hvor mange havde den ret i? Det er det tal, der er værd at holde øje med.
  4. Gentag hvert kvartal. Segmenter, produkt og købere ændrer sig, og en score, der ikke bliver kontrolleret, forfalder.

To tests for hvert signal hjælper her: bevæger det sig før udfaldet frem for samtidig med det, og kan nogen gøre noget anderledes på grund af det? Et signal, der dumper på en af testene, udgår.

Hvornår en statistisk model giver mening

Vægtede scorecards er et godt sted at starte, men nogle virksomheder går over til en trænet model. Asanas data science-team genopbyggede sin kontosundhedsscore som en klassifikationsmodel trænet på historiske data om kundeafgang, fordi den oprindelige score var en eftersleben indikator, og kundesucces havde brug for tidlig varsling. Teamet rapporterede, at den nye model var 20 til 50 procent mere tilbøjelig til at fange konti i risiko end den tidligere score, afhængigt af kontotype.

To detaljer fra det arbejde er nyttige for virksomheder af enhver størrelse. De mærkede konti som tabte otte uger før den faktiske afgangsdato, så modellen lærte af tidlige signaler. De vurderede den også på den øverste decil af konti, fordi 10 procent af kunderne nogenlunde svarede til, hvor mange konti deres team reelt kunne nå i tide.

Churn-modellens timing, rækkevidde og detektionsresultater

For en virksomhed med 20 til 200 medarbejdere og et par hundrede konti er den historik, der skal til for at træne en pålidelig model, ofte tynd. En gennemsigtig vægtet score, der valideres hvert kvartal, er som regel det bedste første skridt. Gå over til en model, når I har nok afgangshændelser og rene data til at understøtte den.

Hvor AI hører hjemme i health scoring, og hvor den ikke gør

AI er nyttig i arbejdet omkring scoren. Den er en dårlig ejer af selve scoren.

Hvor AI betaler sig:

Hvor AI ikke hører hjemme:

Vi designer disse agenter med rettigheder, et godkendelsestrin og et revisionsspor, så I kan se, hvad der blev spurgt om, hvad der blev ændret, og af hvem. Der er flere detaljer om AI-agenter til økonomi, salg og kundesucces og om CSM Portal, hvor kundesuccesarbejdet kan have sit hjem.

Privatliv og regulering: Det skal du have in mente

En health score bygget på brugsdata knyttet til navngivne brugere er i generelle vendinger behandling af personoplysninger, så GDPR gælder, når jeres kunders medarbejdere befinder sig i EU. Afhængigt af, hvad I bygger, og hvordan I bruger det, kan EU AI Act og NIS2 også være relevante for jeres systemer og leverandører. Vi behandler alle tre som designkrav fra start. Udvikling, pilot og test kører på selvhostet europæisk infrastruktur i Tyskland. Intet af dette er juridisk rådgivning, og intet designvalg garanterer overholdelse. Spørg jeres egen jurist eller databeskyttelsesrådgiver, hvordan reglerne gælder for jeres scoring.

Sådan ruller du det ud i en voksende SaaS-virksomhed

En praktisk rækkefølge for det første kvartal:

  1. Udpeg én ejer. Én person er ansvarlig for definitionen, dataene og den kvartalsvise kontrol.
  2. Gennemgå inputtene. For hver måling afgør I, hvilket system der er kilden til sandheden, og hvor friskt feltet skal være.
  3. Luk de største datahuller. Felter for sponsor og champion, antal licenser og fornyelsesdatoer kommer som regel først.
  4. Lancér et enkelt scorecard. Fem kategorier, grove vægte, tre bånd.
  5. Knyt én handling til hvert bånd. Sund får let berøring og overvågning af udvidelsesmuligheder. I risiko får opsøgende kontakt og en adoptionsplan. Kritisk får eskalering og en fastholdelsesplan med en frist.
  6. Validér efter 90 dage, og derefter hvert kvartal.

Hvis du vil se, hvordan en version til onboarding-fasen ser ud, kan du læse vores note om onboarding-automatisering for B2B SaaS.

Vores perspektiv

Vi ser health scoring som et driftsproblem, før det er et analyseproblem. Teams bruger uger på at diskutere, om brug skal veje 30 eller 40 procent, mens CRM stadig viser en sponsor, der forlod virksomheden for et år siden, og økonomi har et andet antal licenser end produktet.

Derfor arbejder vi i en fast rækkefølge. Først datafundamentet med CRM- og økonomidata som kilden til sandheden. Så AI-laget, der forbinder disse data med den assistent, jeres virksomhed allerede bruger. Så afdelingsagenterne til økonomi, salg og kundesucces. En health score sidder oven på alle tre, og den er kun så god som det nederste lag.

Vi mener også, at nogen skal eje det. I mange SaaS-virksomheder bruger teamet AI, men ingen afgør, hvor det betaler sig, og hvor det ikke gør. En Fractional Chief AI Officer er én navngiven person, der træffer den beslutning, bakket op af 25 års erfaring med at drive drift, og som også bygger det fungerende system, så strategi og system ikke glider fra hinanden. Vi indfører AI én proces ad gangen og starter med den dyreste. For mange virksomheder står kundeafgang på den liste.

Kunden ejer det, der bygges: kildekode, dokumentation og infrastruktur overdrages ved afleveringen.

Claus Nielsen

Sådan kan NordOps Consulting hjælpe

Hvis jeres team har en score, ingen stoler på, eller slet ingen score, er det første skridt et klart blik på jeres data og på, hvor AI ville betale sig. AI Readiness Assessment starter fra €4,500 og dækker netop det spørgsmål. Til et mindre første skridt koster AI Snapshot €2,500 til €3,500, og den 30 minutter lange indledende samtale er gratis.

Hvis I ønsker én person til at eje AI på tværs af virksomheden, starter Fractional Chief AI Officer-retaineren fra €1,500 pr. måned. Udvikling prissættes til 30% af det første års besparelse, når den er målt og bevist, eller til en fast pris aftalt før arbejdet starter. Du kan se det bredere billede på vores side om AI til B2B SaaS-virksomheder i Europa.

FAQ

Hvad er en god kundesundhedsscore?

Det afhænger af jeres skala og bånd. Et almindeligt setup er Sund ved 70 til 100, I risiko ved 40 til 69 og Kritisk ved 0 til 39. Den bedre test er, om konti i det røde bånd forlader jer oftere end resten. Validér det mod jeres egne tabte konti hvert kvartal.

Hvor mange målinger skal en health score indeholde?

Seks til ti er et brugbart interval. Færre end seks efterlader blinde vinkler, og flere end ti gør det svært at se, hvorfor en score ændrede sig. Dæk brug med trend, adoption, support, relation og kommercielle signaler, og drop enhver måling, der ikke bevæger sig før udfaldet.

Er NPS nok til at måle kundesundhed?

Nej. NPS er ét stemningssignal, og det er et øjebliksbillede fra dem, der svarede. En health score er en sammensat måling, der kombinerer flere datapunkter til ét samlet overblik. Brug NPS som ét input ved siden af signaler om brug, support, relation og fakturering.

Hvordan giver en health score tidlig varsling om kundeafgang?

Det gør den, når den indeholder ledende signaler, og et fald udløser en defineret handling. Eksempler er en faldende brugstrend, en champion, der er gået, eller stigende alvorlighed i sager. Kontrollér scoren ved at se på, hvad den sagde 90 dage før tidligere kundeafgang. Hvis den var grøn dengang, kommer signalerne for sent.

Kan AI beregne scoren for os?

AI kan hente data, forklare en ændring i en score og forberede opfølgningen. Et menneske bør eje vægtene, intervallerne og beslutningerne. Dataene skal først være konsistente, ellers vil svarene være flydende formuleret, men upålidelige.

Kilder