Customer Health Score: Definition, Berechnung und Beispiele

Ein Customer Health Score ist eine Zahl. Sie zeigt Ihrem Team, wie wahrscheinlich jeder Kunde verlängert, wächst oder abwandert. Er nimmt die Signale aus Produkt, Abrechnung, CRM und Support und macht daraus einen Wert. Nach diesem Wert können Sie sortieren, filtern und handeln. Das Ziel ist einfach: die Accounts finden, die langsam gehen, solange Sie das Ergebnis noch ändern können.

Es gibt keine Standardformel. Jedes SaaS-Unternehmen baut seinen eigenen Score. Dafür gibt es zwei sehr verschiedene Wege. Bei einem regelbasierten Score wählen Sie Metriken und Gewichte selbst. Bei einem prädiktiven Score lernt ein Machine-Learning-Modell, welche Muster wirklich vor Churn und Upsell auftreten. Dieser Leitfaden behandelt beide: die nötigen Daten, den Aufbau eines regelbasierten Scores Schritt für Schritt, die Grenzen jedes Ansatzes und die Wahl für Ihr Team.

Was ein Customer Health Score ist (und was nicht)

Ein Health-Score fasst Kundenverhalten zusammen. Er ist kein Umfrageergebnis wie NPS oder CSAT. Er ist keine einzelne Metrik wie Logins. Ein nützlicher Score verbindet mehrere Signale zu einem Bild des ganzen Accounts:

• Nutzt der Kunde das Produkt? Steigt oder fällt die Nutzung?
• Werden Rechnungen pünktlich bezahlt? Haben sich Plan oder Anzahl der Seats geändert?
• Wann ist das Renewal, und wie viel Umsatz steht auf dem Spiel?
• Werden Support-Tickets mehr oder gelöst?
• Wann hat jemand aus Ihrem Team zuletzt mit dem Kunden gesprochen, und wie lief es?

Der Score ist nur nützlich, wenn er ändert, was Ihr Team tut. Er soll einem CSM zeigen, welche Accounts diese Woche Aufmerksamkeit brauchen, und am besten warum. Eine Zahl, nach der niemand handelt, ist nur ein weiteres Dashboard.

Auch der Zeitpunkt zählt. Im B2B SaaS zeigen 70 bis 80 % der Kunden, die abwandern, mindestens 30 Tage vor der Kündigung Warnsignale. Die meisten melden sich vorher nie beim Support. Ein guter Health-Score findet diese Signale in dieser Zeit.

Die zwei Arten: regelbasiert und prädiktiv

Keine Art ist allgemein „richtig“. Regelbasiertes Scoring ist für die meisten Teams der normale Start. Teams wechseln zu prädiktivem Scoring, wenn der regelbasierte Score nicht mehr zur Realität passt. Der Rest dieses Leitfadens erklärt, warum.

Die Daten, die Sie für beide Ansätze brauchen

Beide Arten von Score sind nur so gut wie ihre Daten. Am besten verbinden Sie jeden Ort, an dem der Kunde eine Spur hinterlässt:

• CRM: Renewal-Datum, ARR oder MRR, Plan, Verantwortlicher, Kontakte und ihre Rollen, offene Deals
• Abrechnung: Zahlungsstatus, fehlgeschlagene Zahlungen, Planwechsel, Seat-Änderungen, Wechsel von jährlich zu monatlich
• Produktnutzung: aktive Nutzer, Nutzungstrend im Vergleich zur eigenen Basis des Accounts, Nutzung der wichtigen Funktionen, erreichte Onboarding-Meilensteine
• Gespräche und Support: Meetings, E-Mails, Tickets, Lösungszeiten, Eskalationen, Stimmung

Die Abrechnung ist die am wenigsten genutzte dieser Quellen. Änderungen im Zahlungsverhalten gehören zu den frühesten und klarsten Signalen. Sie liegen in Stripe oder Chargebee, nicht in Ihrer Produktanalyse.

Das Sammeln der Daten ist nicht das Schwierige. Schwierig ist, sie zu einem verlässlichen Datensatz zu verbinden. Derselbe Kunde hat eine Company-ID im CRM, eine Customer-ID in Stripe, eine Workspace-ID im Produkt und eine E-Mail-Domain im Helpdesk. Keinem Score können Sie trauen, bis diese IDs auf einen Account zeigen. Wenn Sie bei null starten, zeigt unser Leitfaden zum Customer-360-Datenmodell den Aufbau.

Eine kurze Daten-Checkliste vor dem ersten Score:

1. Jede Quelle ist derselben Account-ID zugeordnet.
2. Nutzungsdaten decken mindestens die letzten Monate ab, damit Sie Trends sehen.
3. Sie wissen genau, welche Kunden wann abgewandert sind (Kündigungsdatum oder Datum der Nicht-Verlängerung, nicht letzter Login).
4. Fehlende Daten erscheinen als fehlend, nicht als null. Eine defekte Integration mit null Nutzung kann gesunde Accounts an einem Tag rot färben.

So bauen Sie einen regelbasierten Health-Score, Schritt für Schritt

Die meisten Teams starten mit regelbasiertem Scoring, aus guten Gründen. Sie brauchen keinen Data Scientist. Jeder im Team kann eine einfache Version bauen. Alle sehen, wie die Zahl berechnet wird. Sorgfältig gebaut, ist er eine nützliche erste Version.

Schritt 1: Legen Sie fest, wofür der Score da ist

Wählen Sie eine Hauptfrage. Für die meisten B2B-SaaS-Teams lautet sie: „Welche Accounts sind durch Churn gefährdet?“ Ein Score, der Churn und Upsell zugleich vorhersagen soll, macht meist beides schlecht. Wenn Sie beides wollen, bauen Sie zwei Scores.

Schritt 2: Wählen Sie drei bis fünf Signale

Mit weniger Signalen können Sie den Score leichter erklären und Fehler finden. Gute Signale für den Start:

• Nutzungstrend im Vergleich zum eigenen 30- und 90-Tage-Durchschnitt des Accounts
• Nutzung der zwei oder drei Funktionen, die Ihre treuesten Kunden wirklich nutzen
• erreichte Onboarding-Meilensteine
• Zahlungsverhalten und Änderungen in der Abrechnung
• Zeit bis zum Renewal

Unsere eigenen Daten zeigen, wo Sie zuerst schauen sollten. In unserer Studie mit 44.000 SaaS-Nutzern:

• Kunden, die die Kernaktion des Produkts nie ausgeführt haben, wanderten 3- bis 6-mal häufiger ab als Kunden, die es taten. Die größte Lücke lag zwischen null und einer Nutzung, nicht zwischen wenig und viel Nutzung.
• Monatliche Pläne wanderten 4,7-mal schneller ab als jährliche. Die Abrechnungsfrequenz gehört also in den Score.
• Nachdem ein Kunde die Nicht-Verlängerung signalisiert hatte, lag der Churn im Schnitt bei 40 %. Das war das stärkste Signal im Datensatz und eines, nach dem am seltensten gehandelt wurde.
• Accounts mit einem Nutzer wanderten 14- bis 33-mal schneller ab als Accounts mit einem Team. Der größte Sprung lag zwischen einem Nutzer und zwei oder drei Nutzern.
• Im mittleren Unternehmen zeigten 23 % der zahlenden Kunden gar keine Produktaktivität.

Meiden Sie Signale, die nur Vergangenes beschreiben. Seien Sie vorsichtig mit Vanity-Metriken. Tägliche Logins wirken genau, sagen aber in vielen Produkten wenig über Churn. Ein Kunde, der von täglicher zu wöchentlicher Nutzung wechselt, ist ein Risiko. Ein Kunde, der das Produkt immer wöchentlich genutzt hat, kann völlig gesund sein.

Schritt 3: Bringen Sie jede Metrik auf dieselbe Skala

Bevor Sie gewichten, rechnen Sie jede Metrik auf denselben Bereich um, zum Beispiel 0 bis 100. Sonst zählt eine Metrik mit großem Bereich, etwa die Ticketanzahl, mehr als eine mit kleinem Bereich, und Sie merken es nicht. Übliche Methoden:

1. Prozent vom Ziel: tatsächliche Nutzung geteilt durch ein Ziel (lizenzierte Seats, erwartete Logins), maximal 100 %.
2. Min-Max-Skalierung: Minimum abziehen, durch die Spanne teilen, mit 100 multiplizieren.
3. Perzentil: jeden Account mit allen anderen Accounts vergleichen. Nützlich für ungleich verteilte Daten wie Ticketzahlen.
4. Erst logarithmieren, wenn die Werte sich um mehrere Größenordnungen unterscheiden.

Diesen Schritt auszulassen ist der häufigste technische Fehler bei selbst gebauten Scores.

Schritt 4: Gewichte vergeben und berechnen

Geben Sie jedem Signal ein Gewicht, sodass alle Gewichte zusammen 100 % ergeben. Berechnen Sie dann die gewichtete Summe. Ein üblicher Start für ein B2B-Produkt mit Seat-Preisen: Nutzung 35 %, Ergebnisse 25 %, Engagement 15 %, Stimmung 15 %, Support 10 %. Sehen Sie jede solche Aufteilung als Hypothese, nicht als Regel. Zwei Grenzen helfen:

• Kein einzelnes Signal über etwa 40 %. Sonst ist der „kombinierte“ Score eigentlich ein Score mit einer Metrik.
• Halten Sie jeden Eingabewert, jeden normierten Wert und jedes Gewicht fest. Dann können Sie jede Score-Änderung auch Monate später erklären.

Schritt 5: Testen Sie rückwirkend mit abgewanderten Kunden

Die meisten Teams lassen diesen Schritt aus. Doch er zeigt, ob der Score funktioniert. Nehmen Sie die Daten der letzten 6 bis 12 Monate. Berechnen Sie, welchen Score jeder Account zu verschiedenen Zeitpunkten gehabt hätte. Vergleichen Sie das mit dem, was wirklich passiert ist. Fragen Sie:

• Wie viele der markierten Accounts sind wirklich abgewandert?
• Wie viele der abgewanderten Accounts hat der Score mindestens 30 Tage vorher markiert?
• Funktioniert der Score besser, als Accounts einfach nach Größe oder Kundendauer zu sortieren?

Sind die Ergebnisse schlecht, ändern Sie jeweils ein Signal oder ein Gewicht und testen Sie erneut.

Schritt 6: Schwellenwerte, Verantwortliche und einen Prüfrhythmus festlegen

Legen Sie fest, welche Scores als gefährdet gelten und was dann passiert: wer benachrichtigt wird, was der CSM tut und wie schnell. Prüfen Sie den Score dann jeden Monat. Nehmen Sie die markierten Accounts und eine Stichprobe nicht markierter Accounts. Vergleichen Sie beide mit der Realität. Kalibrieren Sie mindestens jedes Quartal neu und nach jeder großen Änderung an Produkt oder Preisen.

Arbeitet Ihr Team in HubSpot, zeigt unser Leitfaden zum Customer Health Score in HubSpot dieselben Schritte mit den Tools von HubSpot. Steht der Score, arbeiten CSMs täglich mit einem Account-Health-Dashboard.

Wo regelbasierte Scores an Grenzen stoßen

Regelbasierte Scores sind ein guter Start. Doch fast jedes Team stößt an dieselben Grenzen.

Gleiche Regeln für alle passen zu niemandem. Gewichte, die für einen kleinen Kunden mit Monatsplan funktionieren, liefern bei einem Enterprise-Account mit Zweijahresvertrag falsche Ergebnisse. Und das Risiko ist nicht gleich verteilt. In unserer Studie mit 44.000 Nutzern hielten die obersten 10 % der Kunden im Schnitt 58 % des MRR. Ein Score, der jeden Account gleich behandelt, versteckt also, wo das echte Umsatzrisiko liegt. Eigene Regeln pro Segment helfen. Doch auch Kunden in einem Segment verhalten sich unterschiedlich.

Sie müssen raten, welche Metriken Churn auslösen. Der Score zeigt, was Sie für wichtig halten, nicht immer, was wichtig ist. Sie wissen nie ganz, ob Ihre fünf Signale bei Ihren Kunden wirklich Churn und Retention bestimmen. Ein Rückwärtstest zeigt nur, wie gut Ihre Vermutung war.

Er ignoriert Saisonalität und Trends. Eine Schule ist im Sommer ruhig. Ein Händler wird nach den Feiertagen langsamer. Ein Buchhaltungstool hat seine Spitze zum Jahresende. Ein fester Schwellenwert färbt jede dieser Senken jedes Jahr rot. Nach einigen Fehlalarmen vertraut das Team dem Score nicht mehr.

Er betrachtet nicht jeden Kunden einzeln. Ein Rückgang auf zehn Logins pro Woche ist alarmierend für einen Account, der früher fünfzigmal eingeloggt war. Für einen Account, der immer zehnmal eingeloggt war, ist er normal. Gemeinsame Schwellenwerte sehen den Unterschied nicht.

Er veraltet. Jemand hat die Gewichte einmal festgelegt. Dann hat sich das Produkt geändert, und neue Funktionen haben die Arbeit der Kunden verändert. Jetzt misst der Score, was früher wichtig war.

Prädiktive Health-Scores: So funktioniert ML- und LLM-Scoring

Ein prädiktiver Health-Score funktioniert umgekehrt. Sie sagen dem Modell nicht, was wichtig ist. Das Modell lernt es aus Ihren Daten.

Das Modell lernt die Muster selbst. Es betrachtet die Historie Ihrer Kunden in Nutzung, Abrechnung, CRM und Support. Es findet die Ereignisse und Kombinationen von Signalen, die vor Churn auftreten, und die, die vor einer Upsell-Chance auftreten. Oft sind das Muster, die niemand als Regel schreiben würde: zum Beispiel langsam sinkende Nutzung einer Funktion zusammen mit einer Änderung in der Abrechnung.

Es lernt durch den Vergleich aktiver und abgewanderter Kunden. Nach unserer Erfahrung braucht ein Modell Beispiele aus beiden Gruppen: Kunden, die geblieben sind, und Kunden, die gegangen sind. Es vergleicht die Muster beider Gruppen und lernt, was anders ist. Je mehr abgewanderte Kunden in der Historie, desto besser die Vorhersagen.

Es betrachtet jeden Kunden einzeln. Jeder Account wird an seinem eigenen Rhythmus und Trend gemessen. Eine erwartete saisonale Senke gilt nicht als Risiko. Derselbe Rückgang bei einem Account, der nie langsamer wird, schon.

Mit einer LLM-Schicht erklärt es sich selbst. Ein Score von 4 von 5 allein lässt den CSM weiter raten. Ein Modell mit einem Sprachmodell liefert den Grund: was bei diesem Kunden passiert, welche Signale das Risiko erhöhen, welche es senken und warum der Account jetzt Aufmerksamkeit braucht. Diese Erklärung macht aus einer Zahl ein Gespräch, auf das sich der CSM vorbereiten kann.

Was es braucht, einen prädiktiven Score selbst zu bauen

Prädiktives Scoring ist genauer. Doch es selbst zu bauen ist ein echtes Projekt:

• Es ist teuer. Sie brauchen Data Engineering, um die Pipelines zu bauen und zu pflegen. Sie brauchen einen Data Scientist, um das Modell zu bauen, zu testen und zu prüfen.
• Sie brauchen Historie. Das Modell lernt aus der Vergangenheit. Es braucht also Monate an sauberen, verbundenen Daten und genug abgewanderte Kunden zum Lernen. Junge Unternehmen oder Unternehmen mit sehr wenig Churn haben das vielleicht noch nicht.
• Es braucht laufende Pflege. Modelle veralten, wenn sich Produkt und Kunden ändern. Jemand muss die Genauigkeit prüfen und das Modell neu trainieren.
• Die Erklärungen sind Zusatzarbeit. Ein reines Modell liefert eine Wahrscheinlichkeit. Daraus einen klaren Grund zu machen, dem ein CSM vertraut, ist eine eigene Schicht, die Sie bauen müssen.

Für die meisten Customer-Success-Teams kostet das mehr, als das Scoring-Problem wert ist. Deshalb haben vor allem große Unternehmen mit eigenen Datenteams prädiktives Scoring genutzt.

Selbst bauen oder kaufen: Ihre Optionen

Sie haben drei realistische Optionen:

1. Einen regelbasierten Score selbst bauen in einer Tabelle, einem BI-Tool oder Ihrem CRM. Das ist günstig und leicht verständlich. Doch das Raten, die Neukalibrierung und die Fehlalarme bleiben bei Ihnen.
2. Ein prädiktives Modell selbst bauen. Das ist die am besten angepasste Option, wenn Sie ein Datenteam, die Historie und die Zeit für die Pflege haben.
3. Eine Plattform nutzen, die ein Scoring-Modell mitbringt. Sie bekommen prädiktive Scores, ohne die Data Science selbst zu machen. Unser Vergleich der besten Customer-Health-Score-Software zeigt die wichtigsten Optionen und was jede gut kann.

Welche Option Sie auch wählen, die Datenarbeit aus dem Abschnitt oben gilt weiter. Kein Tool kann bewerten, was es nicht sieht.

So geht Customerscore.io Health-Scoring an

Sie können einen Health-Score selbst bauen. Wenn Sie die Zeit haben, klar sehen, was Churn auslöst, und jemand ihn pflegt, ist ein regelbasierter Score ein guter Start. Das Problem: Er ist aufwendig zu bauen, schwer genau zu halten, und Sie müssen weiter raten, welche Metriken Sie wählen.

Die Customer-Health-Score-Software von Customerscore.io bietet Ihnen beide Optionen an einem Ort:

• Ein prädiktives Modell, das bereits trainiert ist, mit Zehntausenden SaaS-Nutzern, und dann auf Ihre Daten abgestimmt wird. Es zeigt Ihnen, welche Ereignisse und Metriken die Retention bei Ihren Kunden bestimmen, damit Sie nicht raten müssen. Jeder Account bekommt einen Churn Risk Score und einen Upsell Score von 1 bis 5. Beide werden täglich aktualisiert, jeweils mit den Gründen und Bremsen dahinter in klarer Sprache.
• Ihr eigener regelbasierter Score mit eigenen Metriken und Gewichten. Nutzen Sie ihn, wenn Sie Logik behalten wollen, der Ihr Team schon vertraut, und lassen Sie ihn neben dem prädiktiven Score laufen.

Jeder Account wird an seiner eigenen Historie gemessen, daher gelten saisonale Senken nicht als Risiko. Das Team hinter der Scoring-Engine richtet es mit Ihnen auf Ihren Daten ein. Die meisten Teams sind in 1 bis 3 Wochen live.

Wenn Sie sehen wollen, wie prädiktives Health-Scoring in der Praxis funktioniert, buchen Sie eine Demo.

Häufige Fragen

Was ist ein guter Customer Health Score?

Ein Score, der Churn früh genug zum Handeln vorhersagt, am besten mindestens 30 Tage vorher. Die genaue Skala zählt weniger als der Unterschied zwischen den Gruppen. Kunden am gesunden Ende sollten deutlich häufiger verlängern als Kunden am gefährdeten Ende. Gibt es diesen Unterschied nicht, funktioniert der Score nicht, egal was er anzeigt.

Welche Metriken gehören in einen Customer Health Score?

Starten Sie mit dem Nutzungstrend im Vergleich zur eigenen Basis des Accounts, der Nutzung Ihrer wichtigsten Funktionen, Onboarding-Meilensteinen, Zahlungsverhalten und Änderungen in der Abrechnung sowie der Zeit bis zum Renewal. Testen Sie dann rückwirkend mit abgewanderten Kunden. Behalten Sie nur die Signale, die diese klar von Kunden trennen, die geblieben sind.

Wie oft sollte sich ein Health-Score aktualisieren?

Mindestens täglich. Engagement kann innerhalb einer Woche stark fallen. Ein wöchentlicher oder monatlicher Score verliert also viel von der Zeit, die Sie zum Reagieren haben. Die Gewichte eines regelbasierten Scores oder das Training eines prädiktiven Modells können Sie seltener prüfen.

Regelbasiertes oder KI-Health-Scoring: Was ist besser?

Regelbasiertes Scoring ist günstiger im Start und leicht verständlich. Doch es nutzt für alle dieselben Regeln, und Sie müssen die richtigen Metriken raten. Prädiktives Scoring lernt aus Ihren Daten, betrachtet jeden Kunden einzeln und erklärt seine Gründe. Doch es braucht Historie und ist teuer, wenn Sie es selbst bauen. Viele Teams starten mit Regeln und wechseln zu prädiktivem Scoring, wenn die Regeln nicht mehr zur Realität passen.

Kann ich meinen regelbasierten Score behalten, wenn ich einen prädiktiven nutze?

Ja. Viele Teams nutzen beide. Der regelbasierte Score enthält Wissen, dem das Team schon vertraut. Der prädiktive Score findet Muster, die niemand als Regel geschrieben hat. In Customerscore.io können Sie Ihren eigenen regelbasierten Score neben dem prädiktiven Churn Risk Score und Upsell Score laufen lassen. Wenn beide Scores nicht übereinstimmen, ist die Erklärung oft der nützlichste Teil.

Woran erkenne ich, ob mein Health-Score funktioniert?

Testen Sie ihn rückwirkend. Berechnen Sie frühere Scores für die letzten 6 bis 12 Monate. Prüfen Sie, wie viele abgewanderte Accounts er mindestens 30 Tage vor dem Weggang markiert hat und wie viele markierte Accounts wirklich abgewandert sind. Wiederholen Sie die Prüfung jeden Monat mit neuen Daten.

Kann ich einen Customer Health Score in HubSpot bauen?

Ja, als regelbasierten Score mit Properties, berechneten Feldern und Workflows. Unser Leitfaden zum Customer Health Score in HubSpot zeigt, wie es geht und wo die Grenzen liegen.

Verwandte Artikel: Beste Customer-Success-Software · Beste Customer-Health-Score-Software · Churn-Prognose im SaaS · Churn Rate berechnen