Kundhälsopoäng omvandlar signaler från ditt CRM, din produkt, din supportdesk och din fakturering till ett enda tal per konto, så att ditt team vet vilka kunder det ska ringa den här veckan. Det fungerar bara om datan under är överenskommen och pålitlig. Poängformeln är den enkla delen. En poäng som bygger på motstridiga CRM- och ekonomiregister ger självsäkra, felaktiga svar. På NordOps Consulting bygger vi först datafundamentet, sedan AI-lagret och därefter de agenter som ditt kundframgångsteam använder.

Den här guiden riktar sig till ledare i B2B SaaS-bolag med cirka 20 till 200 anställda. Den tar upp vilka mått du ska använda, hur du viktar dem, en räknad exempelberäkning, hur du kontrollerar att poängen förutser kundbortfall och var AI bör och inte bör ingå.

Kort sagt

Innehållsförteckning

Vad en kundhälsopoäng används till

En kundhälsopoäng uppskattar hur sannolikt det är att ett konto förnyar, expanderar eller lämnar er. Den gör det genom att kombinera signaler från olika system till en enda jämförbar bild. HubSpots guide konstaterar att vad som räknas som “friskt” skiljer sig åt beroende på affärsmodell, produktens komplexitet, kundsegment och livscykelfas. Ett konto med 15 licenser i introduktionsfasen och ett konto med 400 licenser i år tre bör inte bedömas med samma måttstock.

Poängen har två uppgifter:

  1. Prioritera uppmärksamheten. Ett kundframgångsteam på fyra personer kan inte gå igenom 300 konton varje vecka. Poängen sorterar listan.
  2. Ge tidig varning. Ett fall i poängen ska nå någon medan det fortfarande finns tid att agera, helst månader före förnyelsedatumet.

Om poängen inte gör någotdera är den bara dashboarddekoration. De flesta poängmodeller misslyckas på grund av indatan, inte matematiken.

Vilka kundhälsomått du bör följa

Börja med fem signalkategorier. Intervallen nedan är startvikter publicerade av ZoomInfo, och de är en startpunkt, inte en regel.

Kategori Typiska signaler Startvikt
Produktanvändning Användningsfrekvens, aktiva användare per licens, funktionsanvändning 30 till 40%
Relation Engagerad förespråkare, aktiv sponsor på ledningsnivå, antal intressenter, personförändringar 20%
Support Antal och allvarlighetsgrad på ärenden, eskaleringar, 90-dagarstrend 10 till 15%
Sentiment NPS, CSAT, enkäter i appen, CSM:ens bedömning 10 till 15%
Fakturering och kommersiellt Betalningspunktlighet, förfrågningar om nedgradering, licenstillväxt 10 till 15%

Tre punkter är viktigare än de exakta procentsatserna.

Mät trenden, inte bara nivån

Basedash hävdar att den mest prediktiva kategorin för de flesta SaaS-produkter är användningstrenden snarare än användningsnivån. Ett konto med hög användning som sjönk med 40 procent den här månaden är ofta en större risk än ett stabilt konto med låg användning. Spara en jämförelse över 30 och 90 dagar bredvid varje ögonblicksmätning.

Låt inte produktdata dölja relationsrisker

Produktdata kan inte se att din champion slutade förra månaden. ZoomInfo beskriver relationen som den blinda fläcken i de flesta hälsopoäng och kopplar luckan till mycket överraskande kundbortfall. Ditt CRM bör innehålla championen, den exekutiva sponsorn och datumet då varje kontakt senast bekräftades. Om det inte gör det är relationskategorin gissningar.

Blanda ledande och efterföljande indikatorer

HubSpots guide beskriver högpresterande team som att de balanserar ledande indikatorer som användning och engagemang med efterföljande indikatorer som förnyelseresultat och feedback. Ledande signaler varnar dig. Efterföljande signaler bekräftar vad som hänt. En poäng som bara består av efterföljande signaler berättar om kundbortfall först när det är för sent.

Håll listan kort. Sex till tio mätvärden är ett rimligt intervall: färre ger blinda fläckar, och fler gör det svårt att se varför en poäng ändrades.

Så beräknar du en kundhälsopoäng

Beräkningen är en viktad summa. Varje mätvärde omvandlas till ett värde mellan 0 och 100, multipliceras med sin vikt, och resultaten summeras.

En försvarbar utgångspunkt för B2B SaaS, publicerad av Basedash, är:

Samma källa föreslår dessa intervall: Frisk 70 till 100, I riskzonen 40 till 69, Kritisk 0 till 39.

Ett genomräknat exempel

Det här är ett illustrativt konto, inte en verklig kund. Varje kategori har redan omvandlats till ett värde mellan 0 och 100.

Kategori Värde Vikt Bidrag
Användning och trend 80 0.35 28.0
Adoption 60 0.25 15.0
Support 70 0.15 10.5
Relation och sentiment 40 0.15 6.0
Kommersiellt 90 0.10 9.0
Totalt 68.5

Kontot får 68.5 poäng, vilket är I riskzonen. Användningen ser stark ut och betalningarna sker i tid. Det som drar ned poängen är relationen och adoptionen: den exekutiva sponsorn har blivit tyst och bara en del av produkten används. En poäng baserad enbart på användning hade bedömt kontot som tryggt.

Därför är nästa steg viktigt. Intervallet bör utlösa en konkret åtgärd, till exempel ett möte med den exekutiva sponsorn och en adoptionsplan för de oanvända modulerna. Ett tal utan kopplad åtgärd ändrar inte vad ditt team gör på måndag.

Ett genomräknat exempel

Håll vikterna grova

Exakta vikter antyder en säkerhet som datan kanske inte stöder. Avrunda till närmaste fem procent, skriv ned varför varje vikt är som den är, och räkna med att ändra dem när produkten och din kundmix förändras. Tidigt i kundresan förtjänar onboardingens framsteg större vikt. För mogna konton väger användningens djup och resultaten tyngre.

Använd separata profiler per segment

En enda poäng för alla konton suddar ut viktiga skillnader. Separera som minimum onboarding-konton från etablerade konton, och små konton från stora. ”Frisk” i onboarding betyder på väg mot driftsättning. ”Frisk” under år tre betyder att värde har uppnåtts och att förnyelse är sannolik.

Varför de flesta hälsopoäng misslyckas

De flesta misslyckanden beror på ledningarna, inte på formeln.

De två första är dataproblem. I vårt arbete blir CRM- och ekonomidata den sanna källan som allt annat läser från, med en Processor som omvandlar data i de omgivande systemen till en överenskommen version. Tills det finns ger en mer sofistikerad poäng bara mer sofistikerade misstag.

Validera poängen mot konton som redan har lämnat er

Validering är steget som de flesta team hoppar över. Det tar en eftermiddag och visar om du kan lita på poängen.

  1. Titta bakåt. Ta de konton som lämnade under de senaste tolv månaderna. Rekonstruera vad poängen hade visat 90 dagar innan de lämnade. Om de flesta var gröna eller gula beskriver poängen nuet i stället för att föregripa framtiden.
  2. Titta åt andra hållet. Av alla konton som skulle ha varit röda för 90 dagar sedan, hur många lämnade faktiskt? En poäng som markerar en stor andel av basen som röd fångar det mesta av kundbortfallet och är ändå oanvändbar, eftersom den inte kan prioritera.
  3. Följ precisionen i toppen. Av de konton som poängen flaggade som mest utsatta, hur många hade rätt? Det är det talet som är värt att följa.
  4. Upprepa varje kvartal. Segment, produkt och köpare förändras, och ett okontrollerat poängvärde försämras med tiden.

Två tester för varje signal hjälper här: rör den sig före utfallet snarare än samtidigt med det, och kan någon agera annorlunda på grund av den? En signal som inte klarar något av testerna tas bort.

När en statistisk modell är motiverad

Viktade poängkort är ett bra ställe att börja, men vissa företag går över till en tränad modell. Asanas data science-team byggde om sitt hälsopoäng för konton som en klassificerare tränad på historiska data om kundbortfall, eftersom det ursprungliga poängvärdet var en eftersläpande indikator och kundframgångsteamet behövde förvarning. Teamet rapporterade att den nya modellen hade 20 till 50 procent större sannolikhet att fånga konton i riskzonen än det tidigare poängvärdet, beroende på kontotyp.

Två detaljer från det arbetet är användbara för företag av alla storlekar. De märkte konton som förlorade åtta veckor före det faktiska bortfallsdatumet, så att modellen lärde sig av tidiga signaler. De bedömde den dessutom utifrån den översta decilen av konton, eftersom 10 procent av kunderna ungefär motsvarade hur många konton deras team faktiskt hann nå i tid.

Tidpunkt, räckvidd och träffresultat för modellen för kundbortfall

För ett företag med 20 till 200 anställda och några hundra konton är historiken för att träna en pålitlig modell ofta tunn. Ett transparent viktat poängkort, validerat varje kvartal, är oftast det bättre första steget. Gå över till en modell när du har tillräckligt många fall av kundbortfall och rena data för att stödja den.

Var AI hör hemma i hälsopoängsättning, och var den inte gör det

AI är användbar i arbetet runt poängvärdet. Den är en dålig ägare av själva poängvärdet.

Där AI lönar sig:

Där AI inte hör hemma:

Vi utformar dessa agenter med behörigheter, ett godkännandesteg och en granskningslogg, så att du kan se vad som efterfrågades, vad som ändrades och av vem. Mer information finns om AI-agenter för ekonomi, försäljning och kundframgång, och om CSM Portal där kundframgångsarbetet kan ha sin plats.

Integritet och reglering: vad du bör ha i åtanke

Ett hälsopoäng som bygger på användningsdata kopplade till namngivna användare innebär i allmänna termer behandling av personuppgifter, så GDPR gäller när era kunders personal finns i EU. Beroende på vad du bygger och hur du använder det kan även EU AI Act och NIS2 vara relevanta för dina system och leverantörer. Vi behandlar alla tre som designkrav från början. Bygge, pilot och tester körs på egenhostad europeisk infrastruktur i Tyskland. Inget av detta är juridisk rådgivning, och inget designval garanterar efterlevnad. Fråga ditt eget juridiska ombud eller ditt dataskyddsombud hur reglerna gäller för din poängsättning.

Så inför du det i ett växande SaaS-bolag

En praktisk ordning för det första kvartalet:

  1. Utse en ägare. En person ansvarar för definitionen, datan och den kvartalsvisa kontrollen.
  2. Granska indata. Avgör för varje mått vilket system som är den auktoritativa källan och hur aktuellt fältet måste vara.
  3. Åtgärda de största databristerna. Fält för sponsor och förespråkare, antal licenser och förnyelsedatum kommer oftast först.
  4. Lansera ett enkelt poängkort. Fem kategorier, grova vikter, tre nivåer.
  5. Koppla en åtgärd till varje nivå. Frisk får lätt kontakt och bevakning av expansionsmöjligheter. I riskzonen får kontakt och en adoptionsplan. Kritisk får eskalering och en räddningsplan med deadline.
  6. Validera efter 90 dagar, därefter varje kvartal.

Om du vill se hur en version för introduktionsfasen ser ut, läs vår artikel om automatisering av kundintroduktion för B2B SaaS.

Vårt perspektiv

Vi ser hälsopoäng som ett operativt problem innan det är ett analysproblem. Team lägger veckor på att diskutera om användning ska väga 30 eller 40 procent, medan CRM fortfarande listar en sponsor som slutade för ett år sedan och ekonomi har ett annat antal licenser än produkten.

Därför arbetar vi i en fast ordning. Först datafundamentet, med CRM- och finansdata som auktoritativ källa. Sedan AI-lagret, som kopplar den datan till den assistent som ert företag redan använder. Därefter avdelningsagenterna för ekonomi, försäljning och kundframgång. Ett hälsopoäng vilar på alla tre, och det blir bara så bra som det understa lagret.

Vi menar också att någon måste äga det. I många SaaS-företag använder teamet AI, men ingen avgör var den lönar sig och var den inte gör det. En Chief AI Officer på deltid är en namngiven person som fattar det beslutet, med 25 års erfarenhet av att driva verksamhet i ryggen, och som dessutom bygger det fungerande systemet, så att strategi och system inte glider isär. Vi inför AI en process i taget, och börjar med den dyraste. För många företag finns kundbortfall på den listan.

Kunden äger det som byggs: källkod, dokumentation och infrastruktur överlåts vid överlämningen.

Claus Nielsen

Så kan NordOps Consulting hjälpa till

Om ditt team har ett poängvärde som ingen litar på, eller inget alls, är det första steget en tydlig genomgång av din data och av var AI skulle löna sig. AI Readiness Assessment börjar från €4,500 och besvarar just den frågan. För ett mindre första steg kostar AI Snapshot €2,500 till €3,500, och det inledande samtalet på 30 minuter är kostnadsfritt.

Om du vill ha en person som äger AI i hela företaget börjar retainern för Chief AI Officer på deltid från €1,500 per månad. Byggen prissätts till 30% av första årets besparing, när den har mätts och bevisats, eller till ett fast pris som överenskoms innan arbetet påbörjas. Den bredare bilden finns på vår sida om AI för B2B SaaS-företag i Europa.

FAQ

Vad är ett bra hälsopoäng för kunder?

Det beror på din skala och dina nivåer. En vanlig uppsättning är Frisk på 70 till 100, I riskzonen på 40 till 69 och Kritisk på 0 till 39. Det bättre testet är om konton i den röda nivån lämnar oftare än resten. Validera det mot era egna förlorade konton varje kvartal.

Hur många mått bör ett hälsopoäng innehålla?

Sex till tio är ett hanterbart spann. Färre än sex lämnar blinda fläckar, och fler än tio gör det svårt att se varför ett poängvärde ändrades. Täck in användning med trend, adoption, support, relation och kommersiella signaler, och ta bort varje mått som inte rör sig före utfallet.

Räcker NPS för att mäta kundhälsa?

Nej. NPS är en sentimentsignal, och den är en ögonblicksbild från dem som svarade. Ett hälsopoäng är ett sammansatt mått som kombinerar flera datapunkter till en enda bild. Använd NPS som en indata bredvid användnings-, support-, relations- och faktureringssignaler.

Hur ger ett hälsopoäng tidig varning om kundbortfall?

Det gör det när det innehåller ledande signaler och ett fall utlöser en definierad åtgärd. Exempel är fallande användningstrend, en förespråkare som har slutat eller ökande allvarlighetsgrad i ärenden. Kontrollera poängvärdet genom att titta på vad det visade 90 dagar före tidigare kundbortfall. Om det var grönt då är signalerna för sena.

Kan AI beräkna poängen åt oss?

AI kan hämta data, förklara en förändring i poängen och förbereda uppföljningen. En person bör äga viktningarna, nivåerna och besluten. Datan måste först vara konsekvent, annars blir svaren flytande men opålitliga.

Källor