Einen Account-Health-Score entwickeln, der Abwanderung vorhersagt

Kunden kündigen ihren Absprung selten an. Die Verlängerung verstreicht, die Nutzung lässt klammheimlich nach, der Sponsor auf Führungsebene meldet sich nicht mehr, und wenn die Abwanderung im Quartalsbericht auftaucht, ist die Beziehung längst seit Monaten beendet. Dabei waren die Signale die ganze Zeit da. Sie verteilten sich nur über Produkt-Logs, Support-Tickets, Umfrageantworten und Abrechnungsdaten, die niemand zusammen betrachtet hat.

Ein Account-Health-Score hat genau die Aufgabe, diese Signale zu einer einzigen Zahl zu bündeln, die klar sagt, ob ein Account engagiert ist, abdriftet oder gefährdet ist. Richtig aufgesetzt, ist er das früheste Frühwarnsystem, das ein Revenue-Team haben kann. Schlecht aufgesetzt, ist er ein bunter Punkt, den mit der Zeit alle ignorieren.

Vom Ergebnis her denken, nicht von den Daten, die gerade zur Hand sind

Der typische Fehler: Man baut den Score aus allem, was leicht zu beschaffen ist. Logins, Ticket-Zahlen, ein NPS-Feld, ein Vertragsdatum, alles normalisiert und zu etwas verrechnet, das fundiert aussieht und nichts vorhersagt.

Ein brauchbarer Score arbeitet sich vom Ereignis aus rückwärts, das er verhindern soll. Sie definieren Abwanderung und Expansion präzise und fragen dann, welche Signale die abgesprungenen Accounts tatsächlich von den gebliebenen unterscheiden. Nur die wirklich prädiktiven Signale schaffen es in den Score. Der Test ist unmissverständlich: Wandern Accounts mit niedrigem Wert häufiger ab, und wachsen Accounts mit hohem Wert stärker? Lautet die Antwort nein, haben Sie ein Dashboard, aber kein Modell.

Ein Health-Score verdient seinen Platz an dem Tag, an dem eine niedrige Zahl einen Verlust vorhersagt, den Sie noch abwenden können.

Diese Disziplin lohnt sich aus einem einfachen Grund: Bei der Kundenbindung liegt das Geld.

Was in den Score gehört

Die Eingangsgrößen unterscheiden sich von Geschäft zu Geschäft, die Struktur dagegen selten. Ein belastbarer Score schöpft aus vier Signalfamilien, jede gewichtet danach, wie gut sie das Ergebnis vorhersagt, und nicht danach, wie leicht sie zu beschaffen ist.

1. Engagement. Produktnutzung, Feature-Adoption, Login-Häufigkeit und Nutzungstiefe über das gesamte Buying-Center hinweg. Stille Accounts sind abwandernde Accounts.
2. Stimmung. NPS, CSAT und das Freitext-Feedback, das eine fallende Zahl erklärt. Der Score zeigt die Bewegung; die O-Töne sagen Ihnen, warum.
3. Support und Risiko. Ticket-Volumen, Eskalationen, Bearbeitungszeiten sowie Reibung bei Zahlung oder Abrechnung. Belastung zeigt sich hier zuerst.
4. Beziehung und Vertragsbindung. Vertragswert, Verlängerungsdatum, Rückhalt auf Führungsebene und Breite der Stakeholder. Ein einziger Fürsprecher ist eine einzige Sollbruchstelle.

Jedes Signal wird auf eine einheitliche Skala von 0 bis 100 normalisiert, nach Vorhersagekraft gewichtet und zu einem Score verdichtet, der sich in festem Rhythmus aktualisiert, sodass Teams sowohl das Niveau als auch den Trend im Blick haben. Oft zählt der Trend mehr als das Niveau: Ein gesunder Account, der rasch abrutscht, verdient eher Ihre Aufmerksamkeit als ein schwacher Account, der seit einem Jahr stabil ist.

Der Score ist nur so gut wie die Maßnahme, die er auslöst

Eine Zahl verändert nichts, solange sie kein Verhalten verändert. Die Vorreiter hinterlegen jede Stufe mit einer konkreten Maßnahme, damit der Score zum täglichen Arbeitsinstrument wird und nicht zum monatlichen Pflichtbericht. Rot löst eine sofortige Ansprache aus, getragen von der Führungsebene. Gelb reiht eine strukturierte Re-Engagement-Maßnahme ein. Grün gibt den Account für Expansion oder Empfehlungsanfragen frei. Entscheidend ist, dass niemand im Ernstfall erst überlegen muss, was eine Farbe bedeutet; die Maßnahme steht bereits fest.

Genau hier zahlt sich prädiktives Account-Management aus. Als eine große Fluggesellschaft genau diese Ansprache gefährdeter Kunden mit Machine Learning unterfütterte, indem sie die hochwertigen Kunden priorisierte, deren Beziehung durch eine Verspätung ins Wanken geriet, und ihnen maßgeschneiderte Entschädigungen zukommen ließ, fielen die Ergebnisse alles andere als marginal aus.

Dasselbe Programm steigerte die Kundenzufriedenheit bei diesen Accounts um das Achtfache. Die Lehre daraus ist nicht, dass KI Zauberei wäre. Sie lautet: Ein Score entfaltet seine Wirkung nur, wenn jemand rechtzeitig nach ihm handelt.

Warum sich die Disziplin auszahlt

Health-Scoring ist nichts, was man einmal aufbaut und dann liegen lässt. Die Gewichtungen verschieben sich, je nachdem, wie sich Ihr Produkt, Ihr Markt und Ihre Kunden entwickeln, sodass das Modell regelmäßig an frischen Ergebnissen nachvalidiert werden muss. Diese Pflege ist der Preis für einen Score, der weiterhin vorhersagt, und genau sie unterscheidet ein lebendiges Frühwarnsystem von einer Schönwetterkennzahl, die nach und nach ihre Aussagekraft verliert.

Der Lohn dafür, ihn ehrlich zu halten, ist von Dauer. Die Unternehmen, die bei der Kundenloyalität vorangehen, hören nicht einfach genauer hin; sie verknüpfen, was sie sehen, mit dem, was sie als Nächstes tun. Über ein Jahrzehnt hinweg erzielten die Firmen mit den höchsten Net-Promoter-Werten eine mediane Gesamtrendite für Aktionäre von rund dem Fünffachen des Marktmedians, das aufsummierte Ergebnis daraus, die richtigen Kunden zu halten und mit ihnen zu wachsen.

Ein guter Account-Health-Score ersetzt kein Urteilsvermögen. Er rückt die richtigen Accounts zur richtigen Zeit ins Blickfeld, solange sich die Beziehung noch retten lässt. Das ist der Unterschied, ob Sie Kunden beim Gehen zusehen oder sie aufhalten.

Wie wir solche Scores gemeinsam mit Kunden aufbauen und validieren, sehen Sie in unserer Arbeit zu Account Health und Churn Modeling oder in unseren Fallstudien.