Asiakkaan terveyspisteytys muuttaa CRM-järjestelmän, tuotteen, tukipalvelun ja laskutuksen signaalit yhdeksi luvuksi asiakastiliä kohti, jotta tiimisi tietää, keille asiakkaille soittaa tällä viikolla. Se toimii vain, jos taustalla oleva data on sovittua ja luotettavaa. Pisteytyskaava on helppo osa. Ristiriitaisiin CRM- ja talousrekistereihin perustuva pisteytys tuottaa varmoja mutta vääriä vastauksia. NordOps Consultingilla rakennamme ensin data-alustan, sitten tekoälykerroksen ja lopuksi agentit, joita asiakasmenestystiimisi käyttää.

Tämä opas on tarkoitettu B2B SaaS -yritysten johtajille, joissa työskentelee karkeasti 20:stä 200:aan ihmistä. Se kattaa, mitä mittareita käyttää, miten ne painotetaan, laskuesimerkin, miten tarkistat, että pisteytys ennustaa asiakaspoistumaa, ja missä tekoälyn tulisi olla mukana ja missä ei.

Tiivistelmä

Sisällysluettelo

Mihin asiakkaan terveyspisteytystä käytetään

Asiakkaan terveyspiste arvioi, kuinka todennäköisesti asiakas uusii, laajentaa tai poistuu. Se tekee tämän yhdistämällä eri järjestelmien signaalit yhdeksi vertailukelpoiseksi näkymäksi. HubSpotin opas toteaa, että se, mikä lasketaan ”terveeksi”, vaihtelee liiketoimintamallin, tuotteen monimutkaisuuden, asiakassegmentin ja elinkaaren vaiheen mukaan. 15 käyttäjäpaikan asiakasta käyttöönotossa ja 400 paikan asiakasta kolmantena vuonna ei pidä arvioida samalla mittapuulla.

Pisteytyksellä on kaksi tehtävää:

  1. Kohdista huomio. Neljän hengen asiakasmenestystiimi ei voi käydä läpi 300 asiakastiliä joka viikko. Pisteytys järjestää listan.
  2. Anna ennakkovaroitus. Pisteiden laskun pitäisi tavoittaa joku silloin, kun toimimiseen on vielä aikaa, mieluiten kuukausia ennen uusimispäivää.

Jos pisteytys ei tee kumpaakaan, se on pelkkä kojelaudan koriste. Useimmat pisteytykset epäonnistuvat syötteiden eikä matematiikan takia.

Mitä asiakkaan terveysmittareita kannattaa seurata

Aloita viidestä signaalikategoriasta. Alla olevat vaihteluvälit ovat ZoomInfon julkaisemia lähtöpainotuksia, ja ne ovat lähtökohta, eivät sääntö.

Kategoria Tyypilliset signaalit Lähtöpainotus
Tuotteen käyttö Käyttötiheys, aktiiviset käyttäjät lisenssipaikkaa kohti, ominaisuuksien käyttö 30:stä 40%:iin
Asiakassuhde Champion-yhteyshenkilö sitoutunut, johdon sponsori aktiivinen, sidosryhmien määrä, henkilömuutokset 20%
Tuki Tikettien määrä ja vakavuus, eskalaatiot, 90 päivän trendi 10:stä 15%:iin
Asiakasmieliala NPS, CSAT, tuotteen sisäiset kyselyt, CSM:n arvio 10:stä 15%:iin
Laskutus ja kaupallinen puoli Maksujen ajantasaisuus, alennuspyynnöt, lisenssien kasvu 10:stä 15%:iin

Kolme seikkaa on tärkeämpiä kuin tarkat prosenttiluvut.

Mittaa trendiä, ei pelkästään tasoa

Basedash esittää, että useimmissa SaaS-tuotteissa ennustavin luokka on käytön trendi, ei käytön taso. Asiakas, jonka runsas käyttö väheni tässä kuussa 40 prosenttia, on usein suurempi riski kuin tasainen, vähän käyttävä asiakas. Tallenna 30 ja 90 päivän vertailu jokaisen ajankohtaisen lukeman rinnalle.

Älä anna tuotedatan peittää suhderiskiä

Tuotedata ei näe, että yhteyshenkilösi lähti viime kuussa. ZoomInfo kuvaa asiakassuhteen useimpien terveyspisteiden sokeaksi pisteeksi ja yhdistää aukon moniin yllättäviin asiakaspoistumiin. CRM:ssäsi pitäisi olla tiedossa kannattaja (champion), johtotason sponsori ja päivämäärä, jolloin kunkin yhteyshenkilön tiedot vahvistettiin viimeksi. Jos näin ei ole, suhdeluokka on arvailua.

Yhdistä johtavia ja jälkikäteisiä mittareita

HubSpotin oppaassa kuvataan, että hyvin menestyvät tiimit tasapainottavat johtavia mittareita, kuten käyttöä ja sitoutumista, jälkikäteisten mittareiden, kuten uusintatulosten ja palautteen, kanssa. Johtavat signaalit varoittavat. Jälkikäteiset signaalit vahvistavat, mitä on tapahtunut. Pelkistä jälkikäteisistä signaaleista koostuva pistemäärä kertoo asiakaspoistumasta vasta, kun on liian myöhäistä.

Pidä lista lyhyenä. Kuudesta kymmeneen mittaria on toimiva määrä: vähemmällä jää sokeita pisteitä, ja useammalla on vaikea nähdä, miksi pistemäärä muuttui.

Miten asiakkaan terveyspiste lasketaan

Laskenta on painotettu summa. Jokainen mittari muunnetaan arvoksi 0–100, kerrotaan painollaan ja tulokset lasketaan yhteen.

Perusteltu lähtökohta B2B SaaS -yritykselle, jonka on julkaissut Basedash, on:

Sama lähde ehdottaa seuraavia luokkia: terve 70–100, riskissä 40–69, kriittinen 0–39.

Laskettu esimerkki

Tämä on havainnollistava esimerkkiasiakas, ei oikea asiakas. Jokainen luokka on jo muunnettu arvoksi 0–100.

Kategoria Arvo Paino Osuus
Käyttö ja trendi 80 0.35 28.0
Käyttöönoton eteneminen 60 0.25 15.0
Tuki 70 0.15 10.5
Suhde ja tunnelma 40 0.15 6.0
Kaupallinen 90 0.10 9.0
Yhteensä 68.5

Asiakas saa pistemäärän 68.5, mikä tarkoittaa luokkaa riskissä. Käyttö näyttää vahvalta ja maksut tulevat ajallaan. Pistemäärää laskevat suhde ja käyttöönotto: johtotason sponsori on hiljentynyt ja tuotteesta käytetään vain osaa. Pelkkään käyttöön perustuva pistemäärä olisi todennut asiakkaan turvalliseksi.

Siksi seuraava vaihe on tärkeä. Luokan pitäisi laukaista tietty toimenpide, kuten johtotason yhteydenotto ja käyttöönottosuunnitelma käyttämättömille moduuleille. Luku ilman liitettyä toimenpidettä ei muuta sitä, mitä tiimisi tekee maanantaina.

Laskettu esimerkki

Pidä painot karkeina

Tarkat painot antavat ymmärtää varmuutta, jota data ei välttämättä tue. Pyöristä lähimpään viiteen prosenttiin, kirjaa muistiin, miksi kukin paino on sellainen, ja varaudu muuttamaan niitä tuotteen ja asiakaskunnan muuttuessa. Asiakaspolun alkuvaiheessa onboardingin eteneminen ansaitsee suuremman painon. Kypsissä asiakkuuksissa käytön syvyys ja tulokset ovat tärkeämpiä.

Käytä erillisiä profiileja segmenteittäin

Yksi pistemäärä kaikille asiakkaille hämärtää tärkeitä eroja. Erota vähintään onboarding-vaiheen asiakkaat vakiintuneista ja pienet asiakkaat suurista. “Terve” onboardingissa tarkoittaa, että käyttöönotto etenee aikataulussa. “Terve” kolmantena vuonna tarkoittaa, että arvo realisoituu ja uusinta on todennäköinen.

Miksi useimmat terveyspisteytykset epäonnistuvat

Useimmat epäonnistumiset johtuvat putkistosta, eivät kaavasta.

Kaksi ensimmäistä ovat dataongelmia. Työssämme CRM- ja talousdatasta tulee totuuden lähde, jota kaikki muu lukee, ja Processor muuntaa ympäröivien järjestelmien datan yhdeksi sovituksi versioksi. Kunnes sellainen on olemassa, kehittyneempi pistemäärä tuottaa vain kehittyneempiä virheitä.

Validoi pisteytys jo poistuneita asiakkaita vasten

Validointi on vaihe, jonka useimmat tiimit ohittavat. Siihen menee iltapäivä, ja se kertoo, voiko pistemäärään luottaa.

  1. Katso taaksepäin. Ota asiakkaat, jotka poistuivat viimeisten kahdentoista kuukauden aikana. Rekonstruoi, mitä pistemäärä olisi näyttänyt 90 päivää ennen lähtöä. Jos useimmat olivat vihreitä tai keltaisia, pistemäärä kuvaa nykyhetkeä sen sijaan, että se ennakoisi tulevaa.
  2. Katso toiseen suuntaan. Kuinka moni niistä asiakkaista, jotka olisivat olleet punaisia 90 päivää sitten, poistui todella? Pistemäärä, joka merkitsee punaiseksi suuren osan asiakaskunnasta, havaitsee suurimman osan asiakaspoistumista ja on silti hyödytön, koska se ei osaa asettaa asioita tärkeysjärjestykseen.
  3. Seuraa tarkkuutta kärjessä. Kuinka moni pistemäärän suurimmassa riskissä oleviksi merkitsemistä asiakkaista oli oikeassa? Sitä lukua kannattaa seurata.
  4. Toista neljännesvuosittain. Segmentit, tuote ja ostajat muuttuvat, ja tarkistamaton pisteytys heikkenee.

Kaksi testiä jokaiselle signaalille auttaa tässä: liikkuuko se ennen lopputulosta eikä sen rinnalla, ja voiko joku toimia toisin sen perusteella? Signaali, joka ei läpäise kumpaakaan testiä, poistetaan.

Milloin tilastollinen malli on järkevä

Painotetut pisteytyskortit ovat hyvä aloituspaikka, mutta jotkin yritykset siirtyvät koulutettuun malliin. Asanan data-analytiikkatiimi rakensi asiakastilien terveyspisteytyksen uudelleen luokittelijamalliksi, joka on koulutettu historiallisella asiakaspoistumadatalla, koska alkuperäinen pisteytys oli jälkijättöinen indikaattori ja asiakasmenestystiimi tarvitsi ennakkovaroituksen. Tiimi raportoi, että uusi malli löysi riskitilit 20 ja 50 prosentin välillä todennäköisemmin kuin aiempi pisteytys, tilityypistä riippuen.

Tästä työstä on kaksi yksityiskohtaa, jotka ovat hyödyllisiä minkä kokoiselle yritykselle tahansa. He merkitsivät tilit poistuneiksi kahdeksan viikkoa ennen todellista poistumispäivää, jotta malli oppi varhaisista signaaleista. He arvioivat mallia myös tilien ylimmän desiilin perusteella, koska 10 prosenttia asiakkaista vastasi suunnilleen sitä, kuinka monta tiliä heidän tiiminsä pystyi todellisuudessa tavoittamaan ajoissa.

Asiakaspoistumamallin ajoitus, kattavuus ja tunnistustulokset

Yrityksessä, jonka henkilömäärä on 20 ja 200 välillä ja jolla on muutama sata asiakastiliä, luotettavan mallin kouluttamiseen tarvittava historia on usein ohut. Läpinäkyvä painotettu pisteytys, joka validoidaan joka neljännes, on yleensä parempi ensimmäinen askel. Siirry malliin, kun sinulla on riittävästi poistumatapauksia ja puhdasta dataa sen tueksi.

Missä tekoäly kuuluu terveyspisteytykseen ja missä ei

Tekoäly on hyödyllinen pisteytyksen ympärillä tehtävässä työssä. Se on huono pisteytyksen omistaja.

Missä tekoäly kannattaa:

Missä tekoäly ei kuulu mukaan:

Suunnittelemme nämä agentit käyttöoikeuksilla, hyväksyntävaiheella ja auditointilokilla, jotta näet, mitä pyydettiin, mitä muutettiin ja kuka sen teki. Lisätietoa löytyy sivulta tekoälyagentit taloudelle, myynnille ja asiakasmenestykselle sekä CSM Portal -sivulta, jossa asiakasmenestystyö voi sijaita.

Tietosuoja ja sääntely: mitä on syytä pitää mielessä

Nimettyihin käyttäjiin sidotusta käyttödatasta rakennettu terveyspisteytys on yleisesti ottaen henkilötietojen käsittelyä, joten GDPR soveltuu, kun asiakkaidesi henkilöstöä on EU:ssa. Sen mukaan, mitä rakennat ja miten sitä käytät, myös EU AI Act ja NIS2 voivat olla merkityksellisiä järjestelmillesi ja toimittajillesi. Käsittelemme kaikkia kolmea suunnitteluvaatimuksina alusta alkaen. Rakennus, pilotti ja testaus toimivat Saksassa sijaitsevalla, itse ylläpidetyllä eurooppalaisella infrastruktuurilla. Mikään tästä ei ole oikeudellista neuvontaa, eikä mikään suunnitteluratkaisu takaa vaatimustenmukaisuutta. Kysy omalta juristiltasi tai tietosuojavastaavaltasi, miten säännöt soveltuvat pisteytykseesi.

Näin otat pisteytyksen käyttöön kasvavassa SaaS-yrityksessä

Käytännön eteneminen ensimmäisellä neljänneksellä:

  1. Nimeä yksi omistaja. Yksi henkilö vastaa määritelmästä, datasta ja neljännesvuosittaisesta tarkistuksesta.
  2. Auditoi syötteet. Päätä jokaiselle mittarille, mikä järjestelmä on totuuden lähde ja kuinka tuore kentän on oltava.
  3. Korjaa suurimmat dataaukot. Sponsori- ja puolestapuhujakentät, käyttäjäpaikkojen määrät ja uusimispäivät tulevat yleensä ensin.
  4. Ota käyttöön yksinkertainen pisteytyskortti. Viisi kategoriaa, karkeat painot, kolme luokkaa.
  5. Liitä jokaiseen luokkaan yksi toimenpide. Terve saa kevyen kontaktin ja laajentumisen seurannan. Riskissä saa yhteydenoton ja käyttöönottosuunnitelman. Kriittinen saa eskaloinnin ja säilytyssuunnitelman määräaikoineen.
  6. Validoi 90 päivän jälkeen ja sen jälkeen joka neljännes.

Nähdäksesi, miltä käyttöönottovaiheen versio näyttää, lue artikkelimme B2B SaaS -yritysten käyttöönoton automatisoinnista.

Näkemyksemme

Pidämme terveyspisteytystä ensin operatiivisena ongelmana ja vasta sitten analytiikkaongelmana. Tiimit käyttävät viikkoja väitellen siitä, pitäisikö käytön painon olla 30 vai 40 prosenttia, vaikka CRM:ssä on yhä sponsori, joka lähti vuosi sitten, ja taloushallinnolla on eri määrä käyttäjäpaikkoja kuin tuotteella.

Siksi työskentelemme kiinteässä järjestyksessä. Ensin datapohja, jossa CRM- ja talousdata ovat totuuden lähde. Sitten tekoälykerros, joka yhdistää datan avustajaan, jota yrityksesi jo käyttää. Sitten osastokohtaiset agentit taloudelle, myynnille ja asiakasmenestykselle. Terveyspisteytys on kaikkien kolmen päällä, ja se on vain niin hyvä kuin alin kerros.

Uskomme myös, että jonkun on omistettava se. Monessa SaaS-yrityksessä tiimi käyttää tekoälyä, mutta kukaan ei päätä, missä se kannattaa ja missä ei. Osa-aikainen Chief AI Officer on yksi nimetty henkilö, joka tekee tämän ratkaisun, nojaa 25 vuoden kokemukseen toiminnan johtamisesta ja rakentaa myös toimivan järjestelmän, jotta strategia ja järjestelmä eivät etäänny toisistaan. Otamme tekoälyn käyttöön yksi prosessi kerrallaan aloittaen kalleimmasta. Monella yrityksellä asiakaspoistuma on tuolla listalla.

Asiakas omistaa rakennetun: lähdekoodi, dokumentaatio ja infrastruktuuri siirtyvät luovutuksessa.

Claus Nielsen

Miten NordOps Consulting voi auttaa

Jos tiimilläsi on pisteytys, johon kukaan ei luota, tai ei pisteytystä lainkaan, ensimmäinen askel on selkeä katsaus dataasi ja siihen, missä tekoäly kannattaa. AI Readiness Assessment alkaen €4,500 kattaa juuri tämän kysymyksen. Pienempänä ensimmäisenä askeleena AI Snapshotin hinta on €2,500 ja €3,500 välillä, ja 30 minuutin tutustumispuhelu on maksuton.

Jos haluat yhden henkilön omistamaan tekoälyn koko yrityksessä, osa-aikaisen Chief AI Officerin kuukausisopimus alkaa hinnasta €1,500 kuukaudessa. Rakennusprojektien hinta on 30% ensimmäisen vuoden säästöstä, kun se on mitattu ja todennettu, tai etukäteen ennen työn alkua sovittu kiinteä hinta. Laajemman kuvan näet sivultamme tekoäly B2B SaaS -yrityksille Euroopassa.

UKK

Mikä on hyvä asiakkaan terveyspisteytys?

Se riippuu asteikostasi ja luokista. Yleinen asetelma on Terve 70 ja 100 välillä, Riskissä 40 ja 69 välillä ja Kriittinen 0 ja 39 välillä. Parempi testi on, poistuvatko punaisen luokan tilit useammin kuin muut. Validoi tämä omia poistuneita tilejäsi vasten joka neljännes.

Kuinka monta mittaria terveyspisteytyksessä pitäisi olla?

Kuudesta kymmeneen on toimiva vaihteluväli. Alle kuusi jättää sokeita pisteitä, ja yli kymmenen vaikeuttaa näkemistä, miksi pisteytys muuttui. Kata käyttö trendeineen sekä tuotteen käyttöönoton, tuen, asiakassuhteen ja kaupalliset signaalit, ja poista mittari, joka ei liiku ennen lopputulosta.

Riittääkö NPS asiakkaan terveyden mittaamiseen?

Ei. NPS on yksi tunnesignaali, ja se on tilannekuva vastanneilta. Terveyspisteytys on yhdistelmä, joka kokoaa useita datapisteitä yhdeksi näkymäksi. Käytä NPS:ää yhtenä syötteenä käytön, tuen, asiakassuhteen ja laskutuksen signaalien rinnalla.

Miten terveyspisteytys antaa ennakkovaroituksen asiakaspoistumasta?

Näin käy, kun se sisältää johtavia signaaleja ja pisteiden lasku käynnistää määritellyn toimenpiteen. Esimerkkejä ovat laskeva käyttötrendi, lähtenyt puolestapuhuja tai nouseva tukipyyntöjen vakavuus. Tarkista pisteytys katsomalla, mitä se näytti 90 päivää ennen aiempaa poistumaa. Jos se oli silloin vihreä, signaalit ovat liian myöhäisiä.

Voiko AI laskea pistemäärän puolestamme?

AI voi hakea datan, selittää pistemäärän muutoksen ja valmistella jatkotoimet. Ihmisen tulee omistaa painotukset, luokkarajat ja päätökset. Datan on oltava ensin yhdenmukaista, muuten vastaukset ovat sujuvia mutta epäluotettavia.

Lähteet