Kundehelsescore gjør signaler fra CRM, produkt, kundestøtte og fakturering om til ett tall per kunde, slik at teamet ditt vet hvilke kunder det bør ringe denne uken. Det fungerer bare hvis dataene under er avklart og pålitelige. Selve formelen er den enkle delen. En score bygget på motstridende CRM- og økonomidata gir selvsikre, gale svar. Hos NordOps Consulting bygger vi først datafundamentet, deretter AI-laget, og til slutt agentene som Customer Success-teamet ditt bruker.

Denne veiledningen er for ledere i B2B SaaS-selskaper med omtrent 20 til 200 ansatte. Den dekker hvilke målinger du bør bruke, hvordan du vekter dem, en regneeksempel-gjennomgang, hvordan du sjekker at scoren forutsier churn, og hvor AI bør og ikke bør brukes.

Kort fortalt

Innholdsfortegnelse

Hva en kundehelsescore brukes til

En kundehelsescore anslår hvor sannsynlig det er at en kunde fornyer, utvider eller slutter (churn). Den gjør dette ved å kombinere signaler fra ulike systemer til én sammenlignbar oversikt. HubSpots veiledning påpeker at hva som regnes som «sunt», varierer med forretningsmodell, produktkompleksitet, kundesegment og livssyklusfase. En kunde med 15 lisenser i onboarding og en kunde med 400 lisenser i år tre bør ikke måles med samme målestokk.

Scoren har to oppgaver:

  1. Prioritere oppmerksomhet. Et Customer Success-team på fire kan ikke gå gjennom 300 kunder hver uke. Scoren sorterer listen.
  2. Gi tidlig varsel. Et fall i scoren bør nå noen mens det fortsatt er tid til å handle, helst måneder før fornyelsesdatoen.

Hvis scoren ikke gjør noen av delene, er den bare pynt på et dashbord. De fleste scorer feiler på grunn av inputene, ikke matematikken.

Hvilke kundehelsemålinger du bør følge

Start med fem kategorier av signaler. Intervallene nedenfor er startvekter publisert av ZoomInfo, og de er et sted å begynne, ikke en regel.

Kategori Typiske signaler Startvekt
Produktbruk Bruksfrekvens, aktive brukere per lisensierte plass, funksjonsbruk 30 til 40%
Relasjon Engasjert pådriver hos kunden, aktiv eksekutiv sponsor, antall interessenter, personendringer 20%
Kundestøtte Antall og alvorlighetsgrad på saker, eskaleringer, 90-dagerstrend 10 til 15%
Sentiment NPS, CSAT, spørreundersøkelser i produktet, CSM-vurdering 10 til 15%
Fakturering og kommersielle forhold Betalingspunktlighet, forespørsler om nedgradering, vekst i lisenser 10 til 15%

Tre punkter betyr mer enn de eksakte prosentene.

Mål trend, ikke bare nivå

Basedash hevder at for de fleste SaaS-produkter er den mest prediktive kategorien bruksutvikling snarere enn bruksnivå. En konto med høy bruk som falt 40 prosent denne måneden, er ofte en større risiko enn en stabil konto med lav bruk. Lagre en sammenligning over 30 og 90 dager ved siden av hver telling på et gitt tidspunkt.

Ikke la produktdata skjule relasjonsrisiko

Produktdata kan ikke se at din interne pådriver sluttet forrige måned. ZoomInfo beskriver relasjonen som det blinde punktet i de fleste helsescorer og knytter dette gapet til mye uventet kundefrafall. CRM-systemet ditt bør inneholde pådriveren, sponsoren i ledelsen og datoen hver kontakt sist ble bekreftet. Hvis det ikke gjør det, er relasjonskategorien gjetning.

Kombiner ledende og etterslepende indikatorer

HubSpots veiledning beskriver team med høy ytelse som at de balanserer ledende indikatorer som bruk og engasjement med etterslepende indikatorer som fornyelsesresultater og tilbakemeldinger. Ledende signaler varsler deg. Etterslepende signaler bekrefter det som har skjedd. En score som bare består av etterslepende signaler, forteller deg om kundefrafall når det er for sent.

Hold listen kort. Seks til ti måltall er et brukbart omfang: færre gir blindsoner, og flere gjør det vanskelig å se hvorfor en score endret seg.

Slik beregner du en kundehelsescore

Beregningen er en vektet sum. Hvert måltall omregnes til en verdi fra 0 til 100, ganges med sin vekt, og resultatene summeres.

Et forsvarlig utgangspunkt for B2B SaaS, publisert av Basedash, er:

Samme kilde foreslår disse nivåene: Sunn 70 til 100, I faresonen 40 til 69, Kritisk 0 til 39.

Et gjennomregnet eksempel

Dette er en illustrerende konto, ikke en ekte kunde. Hver kategori er allerede omregnet til en verdi fra 0 til 100.

Kategori Verdi Vekt Bidrag
Bruk og trend 80 0.35 28.0
Adopsjon 60 0.25 15.0
Kundestøtte 70 0.15 10.5
Relasjon og stemning 40 0.15 6.0
Kommersielt 90 0.10 9.0
Totalt 68.5

Kontoen får 68.5, som betyr I faresonen. Bruken ser sterk ut, og betalingene kommer i tide. Trekket kommer fra relasjon og utbredelse: sponsoren i ledelsen har gått stille, og bare deler av produktet brukes. En score basert kun på bruk ville ha kalt denne kontoen trygg.

Derfor er neste steg viktig. Nivået bør utløse en konkret handling, for eksempel en samtale med ledelsen og en plan for å ta i bruk de ubrukte modulene. Et tall uten en tilknyttet handling endrer ikke hva teamet ditt gjør på mandag.

Et gjennomregnet eksempel

Hold vektene grove

Presise vekter antyder en sikkerhet som dataene kanskje ikke støtter. Rund av til nærmeste fem prosent, skriv ned hvorfor hver vekt er som den er, og forvent å endre dem etter hvert som produktet og kundemiksen endrer seg. Tidlig i kundereisen fortjener fremdriften i onboarding mer vekt. For modne kontoer betyr dybden i bruken og resultatene mer.

Bruk egne profiler per segment

Én enkelt score for alle kontoer visker ut viktige forskjeller. Skill som et minimum onboarding-kontoer fra etablerte kontoer, og små kontoer fra store. «Sunn» i onboarding betyr at kunden er på vei mot å gå live. «Sunn» i år tre betyr at verdien er realisert og at fornyelse er sannsynlig.

Hvorfor de fleste helsescorer feiler

De fleste feil kommer fra rørleggerarbeidet, ikke fra formelen.

De to første er dataproblemer. I vårt arbeid blir CRM- og økonomidata den felles sannhetskilden som alt annet leser fra, med en Processor som gjør dataene i de omkringliggende systemene om til én felles, avtalt versjon. Før det finnes, gir en mer avansert score bare mer avanserte feil.

Valider scoren mot kunder som allerede har sluttet

Validering er steget de fleste team hopper over. Det tar en ettermiddag og forteller deg om du kan stole på scoren.

  1. Se bakover. Ta kontoene som sluttet de siste tolv månedene. Rekonstruer hva scoren ville ha sagt 90 dager før de dro. Hvis de fleste var grønne eller gule, beskriver scoren nåtiden i stedet for å forutse fremtiden.
  2. Se den andre veien. Av alle kontoer som ville ha vært røde for 90 dager siden, hvor mange sluttet faktisk? En score som merker en stor andel av basen rød, vil fange det meste av frafallet og likevel være ubrukelig, fordi den ikke kan prioritere.
  3. Følg presisjonen på toppen. Av kontoene scoren flagget som mest utsatt, hvor mange hadde den rett om? Det er tallet som er verdt å følge med på.
  4. Gjenta hvert kvartal. Segmenter, produkt og kjøpere endrer seg, og en score som ikke kontrolleres, mister treffsikkerhet.

To tester for hvert signal hjelper her: beveger det seg før utfallet i stedet for samtidig med det, og kan noen gjøre noe annerledes på grunn av det? Et signal som ikke består begge testene, tas ut.

Når en statistisk modell gir mening

Vektede skåringskort er et godt sted å begynne, men enkelte selskaper går over til en trent modell. Asanas data science-team bygde om kundehelsescoren sin til en klassifiseringsmodell trent på historiske data om kundefrafall, fordi den opprinnelige scoren var en etterslepsindikator og Customer Success trengte tidligere varsling. Teamet rapporterte at den nye modellen var 20 til 50 prosent mer sannsynlig å fange opp kunder i faresonen enn den tidligere scoren, avhengig av kundetype.

To detaljer fra dette arbeidet er nyttige for selskaper uansett størrelse. De merket kunder som tapt åtte uker før den faktiske frafallsdatoen, slik at modellen lærte av tidlige signaler. De vurderte den også ut fra den øverste desilen av kunder, fordi 10 prosent av kundene omtrent tilsvarte hvor mange kunder teamet faktisk rakk å nå i tide.

Tidspunkt, rekkevidde og treffsikkerhet for modellen som forutsier kundefrafall

For et selskap med 20 til 200 ansatte og noen hundre kunder er historikken for å trene en pålitelig modell ofte tynn. En åpen, vektet score som valideres hvert kvartal, er vanligvis det beste første steget. Gå over til en modell når du har nok frafallshendelser og rene data til å støtte den.

Hvor AI hører hjemme i helsescoring, og hvor ikke

AI er nyttig i arbeidet rundt scoren. Den er en dårlig eier av selve scoren.

Hvor AI lønner seg:

Hvor AI ikke hører hjemme:

Vi utformer disse agentene med tilganger, et godkjenningssteg og en revisjonslogg, slik at du kan se hva som ble spurt om, hva som ble endret og av hvem. Du finner mer om dette under AI-agenter for økonomi, salg og Customer Success, og om CSM Portal, der Customer Success-arbeidet kan ligge.

Personvern og regulering: dette bør du ha i bakhodet

En helsescore bygget på bruksdata knyttet til navngitte brukere er generelt sett behandling av personopplysninger, slik at GDPR gjelder når kundenes ansatte befinner seg i EU. Avhengig av hva du bygger og hvordan du bruker det, kan også EU AI Act og NIS2 være relevante for systemene og leverandørene dine. Vi behandler alle tre som designkrav fra start. Bygging, pilot og testing kjøres på selvhostet europeisk infrastruktur i Tyskland. Ingenting av dette er juridisk rådgivning, og ingen designvalg garanterer etterlevelse. Spør din egen jurist eller personvernombud hvordan reglene gjelder for scoringen din.

Slik innfører du det i et voksende SaaS-selskap

En praktisk rekkefølge for første kvartal:

  1. Utpek én eier. Én person er ansvarlig for definisjonen, dataene og den kvartalsvise kontrollen.
  2. Gå gjennom inndataene. For hver måling avgjør du hvilket system som er sannhetskilden og hvor ferskt feltet må være.
  3. Fiks de største datahullene. Felt for sponsor og champion, antall brukerlisenser og fornyelsesdatoer kommer vanligvis først.
  4. Lanser et enkelt skåringskort. Fem kategorier, grove vekter, tre bånd.
  5. Knytt én handling til hvert bånd. Friske kunder får lett oppfølging og overvåkes for mersalg. Kunder i faresonen får oppsøkende kontakt og en plan for økt bruk. Kritiske kunder får eskalering og en plan for å beholde kunden, med en frist.
  6. Valider etter 90 dager, og deretter hvert kvartal.

For å se hvordan en versjon for onboarding-fasen ser ut, les vårt notat om automatisering av onboarding for B2B SaaS.

Vårt perspektiv

Vi ser på helsescoring som et driftsproblem før det er et analyseproblem. Team bruker uker på å diskutere om bruk skal veie 30 eller 40 prosent, mens CRM fortsatt viser en sponsor som sluttet for et år siden, og økonomi har et annet antall brukerlisenser enn produktet.

Derfor arbeider vi i en fast rekkefølge. Først datagrunnlaget, med CRM- og økonomidata som sannhetskilde. Deretter AI-laget, som kobler disse dataene til assistenten selskapet ditt allerede bruker. Så avdelingsagentene for økonomi, salg og Customer Success. En helsescore ligger oppå alle tre, og den er bare så god som det nederste laget.

Vi mener også at noen må eie dette. I mange SaaS-selskaper bruker teamet AI, men ingen bestemmer hvor det lønner seg og hvor det ikke gjør det. En deltids Chief AI Officer er én navngitt person som tar den avgjørelsen, med 25 års erfaring fra drift i ryggen, og som i tillegg bygger det fungerende systemet, slik at strategi og system ikke glir fra hverandre. Vi tar i bruk AI én prosess om gangen, og begynner med den dyreste. For mange selskaper står kundefrafall på den listen.

Kunden eier det som bygges: kildekode, dokumentasjon og infrastruktur overføres ved overlevering.

Claus Nielsen

Slik kan NordOps Consulting hjelpe

Hvis teamet ditt har en score ingen stoler på, eller ingen score i det hele tatt, er første steg en klar gjennomgang av dataene dine og av hvor AI ville lønne seg. AI Readiness Assessment starter fra €4,500 og dekker nettopp dette spørsmålet. For et mindre første steg koster AI Snapshot €2,500 til €3,500, og den 30 minutter lange introduksjonssamtalen er gratis.

Hvis du vil ha én person som eier AI på tvers av selskapet, starter abonnementet på deltids Chief AI Officer fra €1,500 per måned. Utviklingsoppdrag prises til 30% av første års besparelse, når den er målt og bevist, eller til en fastpris avtalt før arbeidet starter. Du får et bredere bilde på siden vår om AI for B2B SaaS-selskaper i Europa.

FAQ

Hva er en god kundehelsescore?

Det avhenger av skalaen og båndene dine. Et vanlig oppsett er Frisk på 70 til 100, I faresonen på 40 til 69 og Kritisk på 0 til 39. Den bedre testen er om kunder i det røde båndet slutter oftere enn de øvrige. Valider dette mot dine egne tapte kunder hvert kvartal.

Hvor mange målinger bør en helsescore inneholde?

Seks til ti er et brukbart spenn. Færre enn seks gir blindsoner, og mer enn ti gjør det vanskelig å se hvorfor en score endret seg. Dekk bruk med trend, adopsjon, support, relasjon og kommersielle signaler, og dropp enhver måling som ikke beveger seg før utfallet.

Er NPS nok til å måle kundehelse?

Nei. NPS er ett stemningssignal, og det er et øyeblikksbilde fra de som svarte. En helsescore er en sammensatt verdi som kombinerer flere datapunkter til ett samlet bilde. Bruk NPS som én inndata ved siden av signaler fra bruk, support, relasjon og fakturering.

Hvordan gir en helsescore tidlig varsel om kundefrafall?

Det gjør den når den inneholder ledende signaler og et fall utløser en definert handling. Eksempler er fallende bruksutvikling, en champion som har sluttet eller økende alvorlighetsgrad på saker. Kontroller scoren ved å se på hva den viste 90 dager før tidligere frafall. Hvis den var grønn da, kommer signalene for sent.

Kan AI beregne scoren for oss?

AI kan hente ut dataene, forklare en endring i scoren og forberede oppfølgingen. En person bør eie vektingen, båndene og beslutningene. Dataene må først være konsistente, ellers blir svarene flytende formulert, men upålitelige.

Kilder