最近有朋友想让我们谈谈关于客户健康度（Customer Health Score）的话题。对于客户成功团队来说，客户健康度分析非常重要，它能帮助客户成功经理（CSM）们了解客户健康状况，提前预知客户的流失风险。今天我们就来详细聊聊：
▪ 什么是客户健康度
▪ 客户健康度的重要性
▪ 怎么计算客户健康度
什么是客户健康度
客户健康度的定义是什么？客户健康度（Customer Health Score）是用来衡量客户是否健康、是否有流失风险的指标。通过一定的计算规则，公司会对每个客户的情况进行综合评定，最后用等级或分数量化表示。客户健康度将帮助客户成功团队理解客户复购、增购、以及流失的可能性，以便于规划下一步的行动。
客户健康度的重要性
帮助 CSM 合理安排工作内容
客户健康度管理能够帮 CSM 了解不同客户的实时健康状态。同时，指导他们把精力分配在回报率更高的工作中。
比如，某 CSM 有三个主要客户。A 客户健康度评分为 100 分，B 客户为 80 分，而 C 客户只有 30 分。通过健康度模型，他能够了解到「A 客户大概率会续费；B 客户需要持续跟进；C 客户有非常大的流失风险，但可以尝试挽回」。因此，他应该投入更多的时间在 B 客户、C 客户上，针对具体的风险点开展工作。而对于 A 客户，他会着重去思考有没有什么让对方增购的机会。
指导 CSM 提升客户体验
客户健康度能够让 CSM 明白提升客户体验的具体方法。当客户健康度低的时候，CSM 可以对照模型中的每个小指标，检查到底是哪一部分导致的总体健康度降低，并去针对性地去弥补、对症下药。
例如，某客户的总体健康度较低。当 CSM 具体查看模型中的各项指标时，发现主要是由于客户组织内使用人数比例太低导致的。因此，CSM 会去调查为什么该客户有一部分员工不使用他们的产品。如果是客户上手较为困难，可以进行更加充分的内部培训。
怎么计算客户健康度
客户健康度怎么计算呢？由于各家公司产品、业务形态、客户群体的不同，客户健康度并不会有一个统一的计算方式。但是，搭建客户的健康度模型过程却是有步骤和方法可循的。这里，我们会为大家介绍一套我们总结的流程。通过几步，帮你快速搭建一个简单的健康度模型。
简单健康度模型公式：
客户健康度 = 权重 A * 指标 A + 权重 B * 指标 B + 权重 C * 指标 C + ......
* 这里我们介绍简单的线性健康度模型公式，应根据公司实际情况进行参考。
第一步 进行客户分组
你公司产品或服务的对象可能会是多个截然不同的群体。当客户群体不同时，客户的行为、表现、续费意愿也会大不相同。因此，用同一个模型同时来计算不同客群的健康度，可能就不太合理了。这时，我们需要进行客户分组，给不同的客户群体设计不一样的健康度模型。
比如，当你的客户群同时存在「企业客户」和「个人客户」时，他们的行为会完全不同。同样的差别也会发生在如「新客户 vs 老客户」、「国央企客户 vs 民营企业客户」、「大型企业客户 vs 中小企业客户」等情况之中。
所以，你需要将客户以合适的方式进行分类，再为每一个客户组都设计出相应的健康度模型。
第二步 列举出体现健康度的指标
不管是中医讲究的望闻问切，还是现代医学的听诊、验血、核磁共振等等，医生都会用多种手段、从多个角度来综合分析一个人健康与否。而衡量客户的健康度也是一样。这一步中，你需要列举出所有能够体现客户健康度的指标，并选择其中一些具有代表性的，加入到客户健康度指标体系里去。
思考客户健康度模型应该包含哪些指标，你可以从这三个大方面入手：
1. 客户活跃度
客户活跃度代表着客户真实的产品使用情况。客户越活跃，代表着他对产品的需求度越高，也越可能持续复购，所以该指标非常适合加入健康度模型。客户活跃度可以通过多个更小的维度和指标进行体现，比如：
▪ 使用频率：客户对于产品的使用频次和使用时长；
▪ 使用广度：客户组织内真实使用人数的比例；
▪ 使用深度：客户对于产品不同功能的使用情况；
2. 客户满意度
用客户自己的评价和反馈来判断他们的健康度情况，其实非常直接有效。比如，你可以通过直接给客户组织下的所有使用者发送问卷，来计算该客户的净推荐值（NPS）。
3. 接触过程中获得的反馈
在 CSM 或公司其他成员与客户沟通的过程中，往往能够嗅到客户真实想法的蛛丝马迹。比如，当某客户 KP 的回复每次都带有不满和消极的情绪，或是互动次数明显要小于其他家时，你大概就能判断出该客户的健康程度不够理想。因此，你可以用一些服务指标结合主观判断，量化出这部分的得分。
当然，以上的维度也只是推荐，公司还是应该根据自己的业务形态和服务模式去选择合适的指标。同时需要注意，应该尽可能选择一些具有代表性的指标，而不是涵盖过多的影响因素，这样反而可能导致模型过于复杂，结果不够准确。
最终，你需要把各个指标转化为 0-100 这个区间的分数来进行数据标准化。用「客户的周产品使用时长」这个指标举例。本身这个值可能会是「1023 分钟」，你需要将它和其他客户的使用时长相对比，最后制定一个转化规则，比如：
▪ 超过 1000 分钟的客户非常活跃，得 100 分；
▪ 500-1000 分钟，得 80 分；
▪ 200-500 分钟，得 40 分；
▪ 0-200 分钟，得 0 分。
在这种计算规则下，「1023 分钟」会转化为 100 分。
第三步 给指标分配权重
我们已经确认好了客户健康度分析模型中的指标，现在需要给根据他们的重要性给每个指标分配一个权重，所有指标的权重之和应当等于 100%。
比如说，某健康度模型包括三个指标 A、B 和 C。在这三个指标中，A 能最好地反映出客户的健康状况，所以在模型中权重较高，占 60%。B 和 C 这两个指标差不太多，各占 20 %。所以最终的客户健康度模型会体现为：
客户健康度 = 60% * A + 20% * B + 20% * C
第四步 计算周期和呈现形式
你需要结合自己的实际业务形态和付费周期去确认客户健康度的计算频率。可以是每天、每星期、每月、甚至是每季度计算一次。太短的周期会导致该周期数据量较小，健康度结果波动较大，不够准确。太长的周期则会导致健康度结果不够实时，当你发现客户健康度低的时候，客户已经流失掉了。
按我们这个步骤计算出的客户健康度将会是一个介于 0-100 的分数，你也可以用某种对应方式将它转化为一个更易懂的客户状态，比如：
▪ 0-40 分：不健康。极易流失，需要马上跟进；
▪ 40-80 分：一般。需要持续地观察和跟进；
▪ 80-100 分：非常健康。可以考虑进行增购推荐。
第五步 进行动态调整
没有公司能够一次性搭建出一套非常准确的客户健康度模型。你可能会发现第一次搭的模型和客户真实情况偏差大的离谱，这都是很正常的。优秀的团队能够不断在实践中迭代自己健康度的计算方法，最终越来越准确地预测客户的健康状况。
你可以通过以下方法动态调整健康度模型：
▪ 删掉影响较小的指标；
▪ 增加新的指标；
▪ 调整各指标之间的权重关系；
▪ 对过往的客户数据进行回归分析，借助机器学习得到更准确的模型。
最后一点值得详细说说。当你的客户数据积攒到一定量之后，你可以用客户真实的留存和流失情况作为因变量，其他指标作为自变量进行回归分析。借助数据分析和机器学习的能力，用统计学的方法得到更为准确的健康度模型。
第六步 完成模型
经过以上的步骤，以及不断的迭代，你最终会得到这样一个模型：
客户健康度 = 权重 A * 指标 A + 权重 B * 指标 B + 权重 C * 指标 C + ......
此时，你就可以计算出所有客户的健康度，并以此规划下一步的工作了。在实际客户成功的工作中，很多团队不仅会紧盯总体健康度评分，也会在客户看板中详细展示很多二级评分，例如活跃度分数、NPS 分数、以及客户情绪值。这些值相对独立，能直接体现客户某方面的问题，对 CSM 们的日常工作也有着非常重要的指导意义。
实战模拟
这里，我们来举两家不同行业公司的例子，看看他们是如何用上述的步骤搭建客户健康度分析模型的。
工业制造行业 · 餐饮机器人公司
第一步：公司的商业化团队将他们的客户分为两大类，分别是：
▪ 民营餐厅；
▪ 企业食堂；
针对这两种客户群体，该公司分别为他们搭建了客户健康度模型，并由不同的客户成功小组去管理和检测。
第二步：我们以民营餐厅举例。公司选取了一系列能够体现客户健康度的指标，如下：
▪ 指标 1：机器人每周的使用时长；
▪ 指标 2：送餐、点菜结账、与客户互动等功能模块的使用数；
▪ 指标 3：每周使用的机器人占购买机器人总数的比例；
▪ 指标 4：餐厅老板对机器人的评价；
▪ 指标 5：在与客户沟通过程中的主观判断评分；
▪ 指标 6：餐厅本身的经验情况打分；
第三步：根据经验，该公司的客户成功团队为上述的指标分配了权重。其中，他们认为客户餐厅老板对机器人的评价最为重要，占 50%。其他项各占 10 %。所以最终模型如下：
客户健康度 = 10% * 指标 1 + 10% * 指标 2 + 10% * 指标 3 + 50% * 指标 4 + 10% * 指标 5 + 10% * 指标 6
第四步：因为每年机器人会进行功能升级和迭代，再考虑到收集机器人使用数据和客户反馈的客观限制，他们决定每个月计算一次客户的健康度。
SaaS 行业 · 办公效率软件公司
第一步：公司的商业化团队将他们的客户分为三大类，分别是：
▪ ToG 政府客户；
▪ ToB 企业版客户；
▪ 小团队或个人客户；
针对这三种客户群体，该公司分别为他们搭建了三套客户健康度模型，并由不同的客户成功小组去管理和检测。
第二步：我们以 ToB 企业版客户举例。公司选取了一系列能够体现客户健康度的指标，如下：
▪ 指标 1：客户组织下每周使用人数占组织总人数的百分比；
▪ 指标 2：人均使用时长；
▪ 指标 3：人均发送消息条数；
▪ 指标 4：产品功能模块使用率；
▪ 指标 5：NPS 值；
▪ 指标 6：工单在一日内被解决的概率；
▪ 指标 7：CSM 对于对方 KP 健康情况的主观评分；
第三步：根据经验，该公司认为客户的使用粘性高低，是决定客户是否续费的主要影响因素。因此，他们加大了客户活跃度相关指标的权重。最终模型如下：
客户健康度 = 20% * 指标 1 + 20% * 指标 2 + 20% * 指标 3 + 20% * 指标 4 + 10% * 指标 5 + 5% * 指标 6 + 10% * 指标 7
第四步：在积攒了足够多的历史客户行为数据后，他们聘请了一位数据分析师通过机器学习专门优化客户健康度模型。
最终，这两家公司的客户成功团队根据客户健康度计算结果，合理地安排了工作内容，极大程度地提升了客户的留存率和生命周期价值。
马上搭建健康度模型
作为客户成功团队，想要自己搭建好准确且体系化的健康度模型，实际上非常复杂。相比之下，选择一个开箱即用的健康度计算工具是更好的选择。
借助行业的最佳实践和专业的 AI 数据分析模型，获客多会帮助企业搭建完善的客户健康度模型体系。同时，通过自动化能力，实时追踪客户健康度变化，进行客户流失预警，并帮助客户成功团队自动规划下一步行动。
想要了解更多关于客户成功的最佳实践、如何搭建和管理客户成功团队、客户成功的技术选型等等，欢迎关注或联系我们，获客多帮你构建加速业务增长的客户成功引擎。
