Customer Health Score: Risiken bei Bestandskunden früh erkennen
Wie ein Customer Health Score aus Nutzungs-, Support- und Engagementdaten entsteht, betrieben wird und sich von einer Churn-Prognose unterscheidet.
Die Kernaussagen auf einen Blick.
- Ein Customer Health Score fasst ausgewählte Nutzungs-, Support- und Engagementsignale zu einer Kennzahl zusammen und hilft dabei, auffällige Kundenkonten früh zu erkennen.
- Die Berechnung ist meist regelbasiert und über die einzelnen Eingangssignale nachvollziehbar, während eine Churn Prediction anhand historischer Trainingsdaten eine Abwanderungswahrscheinlichkeit schätzt.
- Vor der Einführung sollten drei Fragen beantwortet werden: welche Signale relevant sind, wie Gewichtungen und Schwellen festgelegt werden und wer Definition, Qualität und Aktualisierung verantwortet.
- Der Score sollte versioniert berechnet und von Beginn an in die Arbeitsabläufe des Customer-Success- oder CRM-Systems eingebunden werden, da eine reine Dashboard-Darstellung für einen wirksamen Frühwarnprozess nicht ausreicht.
Inhaltsverzeichnis
Erst zur Verlängerung fällt das Risiko auf
Ein Bestandskunde entscheidet sich gegen die Verlängerung seines Vertrags. Rückblickend lassen sich mehrere Warnsignale erkennen. Die Nutzung war bereits über einen längeren Zeitraum zurückgegangen. Mehrere Supportfälle waren offen oder eskaliert. Zusätzlich deutete die letzte Kundenbefragung auf Unzufriedenheit hin. Die Informationen lagen jedoch in getrennten Systemen und wurden nicht rechtzeitig gemeinsam bewertet. Customer Success, Support, Finance und Produktteam arbeiteten mit unterschiedlichen Ausschnitten der Kundenbeziehung.
Mit einer wachsenden Kundenbasis reichen persönliche Einschätzungen einzelner Account Manager als alleinige Steuerungsgrundlage nicht mehr aus. Jedes Team entwickelt eigene Kriterien dafür, wann ein Kunde als stabil oder gefährdet gilt. Dadurch entstehen unterschiedliche Definitionen von Kundengesundheit. Aufmerksamkeit erhalten vor allem Kunden, die sich aktiv melden oder bereits eskalieren. Kunden mit sinkender Nutzung, aber ohne offene Beschwerde, werden dagegen möglicherweise zu spät erkannt.
Ein Customer Health Score schafft eine gemeinsame und nachvollziehbare Priorisierungsgrundlage. Dazu werden ausgewählte Signale aus verschiedenen Systemen in einer einheitlichen Bewertung zusammengeführt. Der Score eignet sich nur dann als Frühwarnsignal, wenn Berechnungslogik, Gewichtungen und Schwellen dokumentiert sind, regelmäßig geprüft werden und definierte Maßnahmen auslösen. Eine einmalig berechnete Kennzahl ohne fachlichen Owner und Aktualisierungsprozess verliert schnell an Aussagekraft.
Was sagt ein Customer Health Score aus?
Ein Customer Health Score verbindet mehrere Merkmale einer Kundenbeziehung zu einer gemeinsamen Bewertung. Einbezogen werden können beispielsweise Nutzung, Produktadoption, Supportfälle, Kundenfeedback und Zahlungsverhalten. Die Darstellung erfolgt häufig auf einer Skala oder in mehreren Risikostufen. Anbieter wie Gainsight beschreiben Health Scores häufig als Indikator für Verlängerung, Expansion und Risiko. Die tatsächliche Aussagekraft muss jedoch mit eigenen Verlaufsdaten geprüft werden. Der Score schafft eine gemeinsame Sicht auf Signale, die zuvor in verschiedenen Systemen und Teams verteilt waren.
Der Score macht sichtbar, auf welche Konten ein Team seine Aufmerksamkeit zuerst richten sollte. Ampelstufen können die Interpretation und Priorisierung im Tagesgeschäft vereinfachen. Welche Bedeutung die einzelnen Stufen haben, sollte für das jeweilige Geschäftsmodell und Kundensegment festgelegt werden. Damit wird aus einer reaktiven Betreuung, die erst auf Beschwerden antwortet, eine systematische Priorisierung nach Risiko.
Ein regelbasierter Health Score ist keine statistisch kalibrierte Kündigungswahrscheinlichkeit. Seine Aussage lautet eher: Bei diesem Kunden sind mehrere auffällige Signale vorhanden, die fachlich geprüft werden sollten. Eine konkrete Wahrscheinlichkeit erfordert ein entsprechend trainiertes und validiertes Prognosemodell. Der Vorteil liegt darin, dass sich die Bewertung auf einzelne Signale zurückführen lässt. Aus dem Score lässt sich jedoch nicht ableiten, dass ein bestimmtes Signal die spätere Kündigung verursacht. Bei wichtigen B2B-Konten sollte die Kennzahl durch Wissen aus Account Management, Customer Success und Support ergänzt werden. Health Score und Churn Prediction beantworten verwandte, aber unterschiedliche Fragen.
Wie sich der Score in den größeren Zusammenhang aus Kundenwert, Churn und Aktivierung einordnet, zeigen wir im Überblick zur Customer Intelligence.
Data & AI Beratung mit ruhrdot
Als offizieller Databricks-Partner begleiten wir dich von der Datenstrategie bis zur produktiven KI-Lösung.
Welche Signale gehören in einen Health Score?
Ein sinnvoller Score sollte sich auf eine überschaubare Zahl fachlich relevanter Signale konzentrieren. Zusätzliche Merkmale erhöhen nicht automatisch die Aussagekraft und können die Interpretation erschweren. Die passende Anzahl hängt von Datenlage, Geschäftsmodell und gewünschter Erklärbarkeit ab. Hilfreich ist die Trennung zwischen aktuellen Verhaltenssignalen und bereits eingetretenen Problemen.
Frühere Verhaltenssignale können auf Veränderungen hinweisen, bevor eine Kündigung oder Eskalation eintritt. Mögliche Beispiele sind Nutzungsintensität, Aktivität wichtiger Nutzer, Feature-Adoption und Onboarding-Fortschritt. Produktnutzung ist in vielen digitalen Geschäftsmodellen ein relevantes Signal. Ob sie der wichtigste Indikator ist, muss anhand der eigenen Kundenhistorie geprüft werden. Ein Nutzungsrückgang kann vor einer späteren Kündigung auftreten. Vorlauf und Aussagekraft unterscheiden sich jedoch je Produkt und Kundensegment. Der praktische Nutzen liegt darin, Veränderungen zu erkennen, solange noch eine Reaktion möglich ist.
Spätere Signale dokumentieren bereits eingetretene Probleme oder Unzufriedenheit. Dazu können eskalierte Supportfälle, negatives Feedback oder Zahlungsverzug gehören. Diese Signale können sehr relevant sein, werden jedoch häufig erst sichtbar, wenn sich das Problem bereits verfestigt hat. Eine Befragung bildet die Einschätzung zum Erhebungszeitpunkt ab. Eine Veränderung der Nutzung kann einen aktuelleren Hinweis liefern, ist aber nicht automatisch eine Abwanderungsprognose. Die Signale können gemeinsam verwendet werden, sollten jedoch anhand ihrer historischen Aussagekraft unterschiedlich gewichtet werden.
Die folgende Übersicht ordnet typische Signale ein und nennt mögliche Schwerpunkte für die Gewichtung:
- Produktnutzung und Login-Frequenz können ein höheres Ausgangsgewicht erhalten, wenn sie nachweislich mit Verlängerung oder Abwanderung zusammenhängen.
- Feature-Adoption und Onboarding sollten abhängig von Vertragsphase und Produkttyp bewertet werden.
- Engagement kann Aktivität wichtiger Ansprechpartner, Teilnahme an Reviews oder Reaktion auf Customer-Success-Maßnahmen umfassen.
- Supportfälle gewinnen an Aussagekraft, wenn sie nach Schweregrad, Dauer und Wiederholung unterschieden werden.
- Umfragedaten (NPS oder CSAT) sind hilfreich, liegen aber häufig nur für einen Teil der Kunden und nicht kontinuierlich vor.
- Zahlungsverhalten kann ein Risikosignal sein, sollte jedoch getrennt von Produktnutzung und Kundenzufriedenheit interpretiert werden.
Beispielgewichte eignen sich nur als Ausgangspunkt und müssen anhand eigener Verlängerungs-, Nutzungs- und Kündigungsdaten geprüft werden. Welche Signale verfügbar und aussagekräftig sind, hängt vom Geschäftsmodell ab. Ein digitales Self-Service-Produkt benötigt andere Signale als ein beratungsintensives Enterprise-Geschäft mit wenigen Großkunden.
Bewertung und Schwellen sollten Kundensegment, Vertragsphase und erwartetes Nutzungsverhalten berücksichtigen. Ein identischer Wert kann je nach Ausgangsniveau und vertraglicher Erwartung unterschiedlich interpretiert werden. In der Onboarding-Phase wiegen Aktivierungs- und Adoptionssignale schwerer, in der reifen Beziehung verschieben sich die Gewichte zu erreichten Ergebnissen und zur Nutzungstiefe. Bei deutlich unterschiedlichen Kundengruppen können segment- oder phasenspezifische Berechnungen sinnvoller sein als eine einheitliche Formel.
Wie werden Signale zu Risikostufen?
Die Gewichtung sollte die fachliche Relevanz und die empirisch beobachtete Beziehung zu Verlängerung, Nutzung oder Abwanderung widerspiegeln. Kontinuierlich gemessene Verhaltensdaten sind häufig stabiler verfügbar als punktuelle Befragungen, sollten aber nicht automatisch immer höher gewichtet werden. Auch Nutzungsdaten können missverständlich sein, etwa durch automatisierte Logins, wechselnde Rollen oder saisonale Effekte. Da die Eingangsdaten unterschiedliche Einheiten besitzen, werden sie vor der Gewichtung in vergleichbare Werte überführt.
Ein vereinfachtes Beispiel zeigt die grundsätzliche Berechnungslogik. Ein B2B-Konto zeigt vier Signale:
Nutzungsrückgang
Ein deutlicher Rückgang kann einen niedrigen Teilscore erzeugen, sofern Vergleichszeitraum und erwartetes Nutzungsniveau sinnvoll definiert sind.
Schwerwiegende Supportfälle
Mehrere schwerwiegende Supportfälle können den Score zusätzlich reduzieren.
Negatives Kundenfeedback
Kann als weiteres Signal einfließen, sofern die Befragung aktuell und repräsentativ ist.
Stabiler Zahlungsstatus
Kann das Gesamtbild verbessern, sollte andere Risiken jedoch nicht vollständig ausgleichen.
Werden die führenden Signale aus Nutzung und Adoption stärker gewichtet als die nachlaufenden aus Support und Feedback und wirkt der Zahlungsstatus stabilisierend, ergibt die gewählte Gewichtung im Beispiel einen niedrigen Gesamtwert. Ein anderer Zuschnitt der Signale oder Normalisierung kann zu einem abweichenden Ergebnis führen. Nach der beispielhaften Schwellenlogik würde das Konto einer hohen Risikostufe zugeordnet. Der Fall zeigt, dass einzelne positive Merkmale mehrere kritische Verhaltenssignale nicht zwingend aufheben.
Die Schwellen ordnen den Wert einer Ampel-Stufe zu. Ampelmodelle sind ein verbreiteter Einstieg, sollten jedoch anhand der eigenen Daten und Arbeitsprozesse kalibriert werden. Ein verbreitetes Muster:
Grün
Feste Grenzen wie 71 bis 100 sollten nicht ungeprüft übernommen werden.
Gelb
Die mittlere Stufe sollte so definiert sein, dass daraus eine realistisch bearbeitbare Beobachtungs- oder Aktivierungsliste entsteht.
Rot
Die rote Stufe sollte Konten markieren, bei denen eine zeitnahe fachliche Prüfung tatsächlich sinnvoll ist.
Eine numerische Bewertung benötigt ergänzende Begründungssignale und eine definierte Maßnahme. Der praktische Nutzen entsteht durch die Verbindung aus Risikostufe, Ursache, Verantwortlichkeit und Reaktionsfrist. Im Beispiel oben lautet die richtige Folge: Account-Verantwortliche informieren und innerhalb der Woche Kontakt aufnehmen. Ohne operative Folge bleibt der Informationsvorsprung ungenutzt.
Customer Health Score oder Churn Prediction: Was ist der Unterschied?
Beide Ansätze unterstützen die Erkennung gefährdeter Kunden, basieren jedoch auf unterschiedlichen Methoden. Ein Health Score kombiniert vorab festgelegte Signale und Gewichtungen. Du siehst, aus welchen Signalen sich der Wert zusammensetzt und warum ein Konto rot ist. Eine Churn Prediction lernt aus historischen Beispielen und erzeugt eine geschätzte Abwanderungswahrscheinlichkeit oder Rangfolge. Der regelbasierte Score ist leicht zu erklären und kann auch mit begrenzter Historie aufgebaut werden. Ein gut trainiertes Modell kann zusätzliche Muster erkennen, benötigt aber ausreichend Daten, zeitlich saubere Labels und eine belastbare Evaluation.
- Sofort nachvollziehbar für Fachbereich und CS-Team
- Schnell anpassbar bei neuen Erkenntnissen
- Erkennt nicht-offensichtliche Muster in den Signalen
- Priorisiert automatisch nach Risiko
| Aspekt | Customer Health Score | Churn Prediction |
|---|---|---|
| Methode | fachlich definierte Gewichtung und Schwellen | statistisches oder maschinelles Lernverfahren auf historischen Verläufen |
| Erklärbarkeit | meist direkt über die Eingangssignale möglich | abhängig von Modelltyp und ergänzenden Analyseverfahren |
| Datenbedarf | kann mit wenigen vorhandenen Signalen starten, benötigt für die Validierung dennoch historische Outcomes | benötigt ausreichend viele zeitlich korrekte Positiv- und Negativfälle |
| Output | Score oder Risikostufe mit sichtbaren Teilkomponenten | Wahrscheinlichkeit oder Ranking, dessen Kalibrierung geprüft werden muss |
| Reaktionszeit | meist schneller umsetzbar als ein vollständiger ML-Lifecycle | längere Aufbau- und Validierungsphase |
| Typischer Einsatz | nachvollziehbare Priorisierung und gemeinsame Arbeitslogik im Customer Success | datengetriebenes Ranking bei ausreichender Historie und größerem Kundenbestand |
Für viele Unternehmen ist ein regelbasierter Score ein sinnvoller Einstieg, solange noch keine belastbare Trainingshistorie vorhanden ist. Die sichtbaren Teilkomponenten erleichtern Gespräche mit Account Management und Customer Success. Auch ein ML-Score sollte im operativen Einsatz um verständliche Einflussfaktoren ergänzt werden. Ein Churn-Modell wird sinnvoll, sobald genug gelabelte Historie vorliegt und die Trennschärfe den Aufwand rechtfertigt. Ob ein Churn-Modell tatsächlich besser trennt, muss auf eigenen Holdout-Daten nachgewiesen werden.
Health Score und Churn Prediction können parallel verwendet werden, wenn Rollen und Interpretation eindeutig definiert sind. Ein Health Score kann als Baseline, fachliches Vergleichsmodell oder zusätzliches Merkmal für eine spätere Churn Prediction dienen. Wie aus gewichteten Signalen ein lernendes Verfahren wird und wo dessen Datenanforderungen liegen, erklären wir im Überblick zur Churn Prediction.
Health Score oder Churn Prediction: was passt zu eurer Datenlage?
Wie betreibt man den Health Score dauerhaft?
Für den wiederkehrenden Einsatz benötigt der Score eine dokumentierte Datenbasis, feste Verantwortlichkeiten und einen geregelten Aktualisierungsprozess. Eine lokal gepflegte Dashboard-Berechnung erschwert Versionierung, Wiederverwendung und Qualitätskontrolle. Nutzungs-, Support-, Vertrags-, Zahlungs- und Feedbackdaten sollten auf einem gemeinsamen Kunden- oder Accountschlüssel zusammengeführt werden. Die Berechnung kann in einem Lakehouse, Data Warehouse oder einer anderen zentralen Datenplattform umgesetzt werden. Dokumentiert werden sollten Quellen, Transformationen, Normalisierung, Gewichte, Schwellen, Versionen und Veröffentlichungszeitpunkte.
Drei Betriebsfragen entscheiden über die Belastbarkeit:
Die Aktualisierungsfrequenz beeinflusst, wie schnell neue Signale im operativen Prozess sichtbar werden. Ob ein wöchentlicher Rhythmus zu langsam ist, hängt von Produktnutzung, Vertragsmodell und Reaktionsprozess ab. Bei häufig wechselnden Nutzungsdaten kann eine tägliche Berechnung sinnvoll sein. Bei stabileren B2B-Beziehungen reicht unter Umständen ein wöchentlicher Rhythmus.
Es sollte eindeutig festgelegt sein, wer Definition, Datenqualität, Änderungen und fachliche Nutzung verantwortet. Neue Produkte, Datenquellen und Vertragsmodelle können die bisherige Logik mit der Zeit unpassend machen.
Jede Änderung an Eingängen, Gewichtungen oder Schwellen sollte als neue Version dokumentiert werden. Wenn ein Gewicht angepasst wird, muss erkennbar bleiben, welche Score-Stände auf welcher Definition beruhen. Ohne Versionierung können identische Scorewerte aus unterschiedlichen Berechnungslogiken stammen.
Neben dem aktuellen Score sollte auch seine Entwicklung über mehrere Perioden betrachtet werden. Ein deutlicher Rückgang kann relevant sein, selbst wenn die formale Risikostufe noch nicht gewechselt hat. Trendbasierte Warnungen können Schwellenmodelle ergänzen, sollten aber so konfiguriert sein, dass die Zahl unnötiger Alarme beherrschbar bleibt. Ein einzelner aktueller Wert zeigt nicht, ob sich die Kundenbeziehung stabilisiert oder verschlechtert.
Die Zuordnung sollte regelmäßig gegen Verlängerungen, Kündigungen, Expansion und andere relevante Outcomes geprüft werden. Waren später abgewanderte Kunden zuvor tatsächlich häufiger in hohen Risikostufen als verlängerte Kunden? Unterscheiden sich die tatsächlichen Ergebnisse kaum zwischen den Stufen, sollten Signale, Normalisierung und Schwellen überarbeitet werden. Diese Rückkopplung entscheidet, ob der Score für Priorisierung geeignet ist oder lediglich eine plausible Darstellung liefert.
Vom Score zur Next Best Action
Der Score erzeugt erst dann Nutzen, wenn er einen Arbeitsprozess oder eine Entscheidung verändert. Die aktuelle Bewertung sollte, etwa per Reverse-ETL, im CRM oder Customer-Success-System bereitgestellt werden, in dem die verantwortlichen Teams arbeiten. Für hohe Risikostufen können Aufgaben, Benachrichtigungen oder definierte Rettungsprozesse ausgelöst werden. Mittlere Stufen können zu gezielten Aktivierungs- oder Beobachtungsmaßnahmen führen. Stabile Kunden können auf geeignete Erweiterungs-, Referenz- oder Feedbackmöglichkeiten geprüft werden.
Die Risikostufe sollte nicht isoliert betrachtet werden. Dringlichkeit hängt zusätzlich von Vertragswert, strategischer Bedeutung, Verlängerungszeitpunkt und erwarteter Wirkung einer Maßnahme ab. Eine kombinierte Priorisierung aus Risiko und Kundenwert kann knappe Betreuungskapazitäten sinnvoller verteilen. Dadurch erhalten nicht nur aktive Eskalationen, sondern auch wirtschaftlich relevante stille Risiken Aufmerksamkeit. Wie sich der wirtschaftliche Wert eines Kunden über die Beziehung hinweg schätzen lässt, führen wir im Überblick zum Customer Lifetime Value aus.
Der direkte Geschäftsbezug ist die Bestandskunden-Umsatzbindung. Ob der Score tatsächlich Kündigungen reduziert, muss über einen Vergleich der ausgelösten Maßnahmen und ihrer Ergebnisse gemessen werden. Wirksame Retention- und Expansionmaßnahmen können zur Entwicklung der Net Revenue Retention beitragen, der zentralen Kennzahl für das Wachstum aus dem Bestand. Welche Treiber Expansion, Contraction und Abwanderung in dieser Kennzahl zusammenführen, klären wir im Überblick zur Net Revenue Retention.
Datenlücken, Fehlanreize und neue Kunden als typische Grenzen
Ein Customer Health Score schafft schnell eine gemeinsame, früh lesbare Sicht auf die Kundenbasis. Für belastbare Steuerung reicht diese Sicht allein jedoch nicht aus, und die folgenden Grenzen gehören vor der Einführung auf den Tisch.
Fehlende oder verspätete Daten
Die Kennzahl kann nur Aspekte berücksichtigen, die tatsächlich erfasst, verknüpft und regelmäßig aktualisiert werden. Fehlt z.B. Produkttelemetrie, können kritische Konten fälschlich als stabil erscheinen.
Fehlanreize durch Steuerung
Ein kurzfristig erzeugter Login oder Termin bedeutet nicht automatisch, dass der Kunde den erwarteten Produktwert erreicht. Signale sollten deshalb schwer manipulierbar und regelmäßig auf ihre fachliche Bedeutung geprüft werden.
Uneinheitliche Bewertungseinheit
Im B2C zählt das Verhalten vieler einzelner Nutzer, ein B2B-Account dagegen Nutzer, Entscheider, Sponsoren und Vertragsverantwortliche mit unterschiedlicher Bedeutung. Reine Nutzungsaggregate können wichtige Veränderungen im Account verdecken.
Fehlende Historie bei neuen Kunden
Neue Kunden besitzen noch keine ausreichende Verhaltenshistorie für trendbasierte Bewertungen. Während des Onboardings sind definierte Meilensteine oft aussagekräftiger als ein allgemeiner Health Score.
Gleicher Wert, unterschiedliche Ursache
Ein identischer Gesamtwert kann aus sehr unterschiedlichen Problemen entstehen. Die auslösenden Teilkomponenten sollten deshalb zusammen mit dem Gesamtwert angezeigt werden.
Trotz der Einschränkungen kann ein gut validierter Score eine verständliche erste Priorisierung liefern. Er bringt verstreute Signale in eine gemeinsame Lesart und schafft den Vorlauf, den ein Quartalsreport nicht liefert. Ein vollständigeres Risikobild kann durch fachliche Accountinformationen und gegebenenfalls ein zusätzliches Prognosemodell entstehen.
Wenn der Score verbindliche Maßnahmen auslöst, sollte er in einer zentralen Datenplattform reproduzierbar berechnet, versioniert und überwacht werden. Dann wird aus einer Kennzahl ein verlässlicher Frühindikator.
Fazit
Ein Customer Health Score lohnt sich, sobald Bauchgefühl für die Bestandskundenbasis nicht mehr reicht, aber nur mit Owner, Versionierung und echtem Maßnahmenprozess dahinter.
Ein Customer Health Score ist besonders hilfreich, wenn die Zahl der Bestandskunden eine rein manuelle Risikoeinschätzung erschwert. Ein weiterer Hinweis ist, wenn Warnsignale erst bei Kündigungen, Verlängerungen oder Eskalationen gemeinsam betrachtet werden. Der Score kann als transparente Baseline dienen, bevor ein komplexeres Churn-Modell aufgebaut wird. Eine erste regelbasierte Version lässt sich meist schneller umsetzen und erklären als ein vollständiger ML-Prozess.
Der Nutzen ist besonders hoch bei wiederkehrenden Verträgen, regelmäßiger Produktnutzung und wirtschaftlich relevanten Bestandskunden. Bei fehlenden Nutzungs-, Support- oder Vertragsdaten kann der Score eine falsche Sicherheit erzeugen. Ohne verantwortliches Team und klaren Maßnahmenprozess bleibt die Kennzahl operativ wirkungslos. In diesem Fall sollten zunächst Kundenprofil, Datenanbindung und Arbeitsprozess verbessert werden.
Als Ausgangspunkt empfiehlt sich eine dokumentierte erste Version mit wenigen nachvollziehbaren Signalen. Für jedes Signal sollten Quelle, Normalisierung, Gewicht, Schwelle und fachliche Verantwortung festgehalten werden. Die Bewertung sollte direkt in einen realistischen Customer-Success- oder CRM-Prozess eingebunden werden. Ein Churn-Modell ist erst dann sinnvoll, wenn ausreichend historische Outcomes vorliegen und ein nachweisbarer Mehrwert gegenüber der regelbasierten Baseline erwartet werden kann. Eine Ampel ohne Empfänger, Reaktionsfrist und definierte Maßnahme bleibt lediglich eine zusätzliche Kennzahl.
Erster Schritt: Signale, Gewichtung und Betriebsmodell im Data-&-AI-Assessment prüfen lassen.
Bestandskundenrisiken früh und nachvollziehbar priorisieren
Ob ein Customer Health Score eure Bestandskundenrisiken sinnvoll priorisieren kann oder ob zunächst Datenbasis und Customer-Success-Prozesse verbessert werden sollten, lässt sich in einem strukturierten Data-&-AI-Assessment bewerten.
- Welche vorhandenen Signale tatsächlich mit Verlängerung, Nutzung und Abwanderung zusammenhängen
- Welche Risiken bei Datenqualität, Zugriff, Versionierung und operativer Nutzung berücksichtigt werden müssen
- Welcher Ausbau von einer transparenten Baseline bis zu einer validierten Churn Prediction sinnvoll ist
FAQ
Ein Customer Health Score kombiniert ausgewählte Nutzungs-, Support-, Vertrags- und Engagementsignale zu einer gemeinsamen Bewertung. Risikostufen erleichtern die Priorisierung, sollten jedoch gemeinsam mit den auslösenden Einzelsignalen betrachtet werden.
