Customer Health Score: Byg et tidligt varslingssystem for churn

Hvorfor eksisterende metrikker ikke er nok

Du kan kende en kunde du er ved at miste. Logins er faldet. Support-tickets er blevet hårdere i tonen. Power-useren er stoppet med at svare på e-mails. Men det første officielle signal du får, er en opsigelse i din CRM 60 dage senere.

Problemet er, at de fleste organisationer måler kundesundhed med lagging indicators, NPS, fornyelsesrater, support-CSAT. Når de flytter sig, er beslutningen typisk allerede truffet.

Customer Health Score er svaret på det problem. Den kombinerer leading og lagging indicators til ét tal der fortæller om en kunde er i god form, i risiko, eller på vej ud. Målet er 60-90 dages forvarsel, det vindue hvor du stadig kan handle.

Hvad er en Customer Health Score?

En Customer Health Score er et sammensat tal (typisk 0-100 eller en farve som grøn/gul/rød), der aggregerer flere datasignaler om kundens relation til dig. Den siger intet i sig selv. Den er kun nyttig som trigger for handling. Fordi den lever på kontoniveau af natur, er den en naturlig del af account-based CX: at køre hele feedbackprogrammet omkring kontoen frem for den enkelte respondent. Den forståelse på kontoniveau er samtidig råmaterialet til ægte personalisering, som KPMGs benchmark placerer foran alle andre loyalitetsdrivere.

Tre niveauer:

• Grøn (sund): Kunden bruger produktet, NPS er positiv, support er rolig. Fokus på upsell og referrals.
• Gul (risiko): Usædvanlige mønstre, faldende brug, flere tickets, neutral NPS. Proaktiv outreach fra Customer Success.
• Rød (kritisk): Scoren indikerer høj churn-sandsynlighed. Eskaleret til account management og evt. ledelse.

Det er triggere, ikke rapporter. En rød kunde skal udløse et workflow samme dag, ikke havne i et kvartalsvist dashboard.

Leading vs. lagging indicators

Den største fejl i de fleste Health Score-modeller er at vægte lagging indicators for højt. Du får en model der forudsiger det du allerede ved.

En god model har en blanding, med overvægt på leading indicators for prædiktion. Forskning fra bl.a. Gainsight og ChurnZero viser konsekvent at brugsadfærd er den stærkeste enkeltprediktor for B2B SaaS-churn.

De fem dimensioner i en typisk Health Score

De fleste modeller dækker fem dimensioner. Du behøver ikke alle fem fra dag ét, men du bør have mindst tre.

1. Produktbrug (vægt: 30-40%)

Den stærkeste prædiktor. Hvad tracker du?

• Login-frekvens: Daglige/ugentlige aktive brugere per konto
• Feature adoption: Hvor bred er brugen på tværs af produktets kernefeatures?
• Dybde: Tid i produktet, antal handlinger per session
• Admin-aktivitet: Opretter kunden nye brugere? Konfigurerer? Det er engagement-signalet.

Advarselstegn: -30% MoM nedbrud i DAU, inaktivitet på admin-niveau i 14+ dage, ingen nye brugere oprettet i et kvartal.

2. Engagement (vægt: 15-20%)

Interaktion med dig uden for produktet.

• Email open/click rates: Falder det, falder mindshare
• Event-deltagelse: Webinarer, træningsmoduler
• Community-aktivitet: Hvor relevant
• Svar på surveys: Stille kunder er ofte et dårligt tegn

Det tidligste engagement-signal får du fra selve onboardingen. En onboarding-survey i B2B, der måler indsats og første værdi, giver dig et health-signal uger før login-data eller NPS ville vise den samme konto glide.

3. Sentiment (vægt: 20-25%)

Hvad siger kunden?

• NPS og transaktionel CSAT: Se hvad er NPS og hvad er CSAT
• Sentiment i åbne svar: Se analyse af åbne svar
• Tone i e-mails og supportsamtaler
• QBR-deltagelse og feedback: I enterprise-segmentet

4. Support (vægt: 10-15%)

Ikke kun volumen, men mønstre.

• Antal åbne kritiske tickets
• Gennemsnitlig resolution time for kundens tickets
• Tickets per måned-trend: Stigning med 50%+ på tre måneder er et flag
• Eskaleringer til management

5. Økonomi og kontrakt (vægt: 10-15%)

• Betalingshistorik: Forsinkelser, failed charges
• Kontraktlængde: Kortere aftaler = højere flight risk
• Seat utilisation: Betaler kunden for licenser der ikke bruges?
• Historisk upsell/downgrade

Sådan bygger du din første Health Score i 6 trin

1. Definér hvad "sund" betyder for dit produkt

Sæt Customer Success-teamet sammen i to timer. Lad dem beskrive deres 10 sundeste og 10 mindst sunde kunder. Hvad er fællestrækkene? Det bliver grundstammen i dine signaler.

2. Vælg 3-5 startsignaler

Begynd med det mindste sæt der giver mening. For B2B SaaS er det typisk: MAU per konto, feature adoption, NPS, åbne support-tickets, betalt til tiden. Jeres customer journey map er en god kilde til kandidater: de faser hvor kunderne går i stå, er de signaler der er værd at score først.

Kompleksitet tilføjer du senere når den grundlæggende model kører.

3. Definér scoring per signal

Hvert signal scores 0-100. Eksempel for login-frekvens:

0-30:  ingen logins sidste 14 dage
31-60: 1-3 logins sidste 14 dage
61-85: 4-10 logins sidste 14 dage
86-100: 11+ logins sidste 14 dage

Justér tærsklerne efter dit produkt. En B2B-integration der bruges én gang om måneden skal ikke bedømmes som en daglig-brugs-SaaS.

4. Vælg vægte: start heuristisk

Start med heuristiske vægte baseret på CS-teamets erfaring:

• Brug: 35%
• NPS/Sentiment: 25%
• Support: 15%
• Engagement: 15%
• Økonomi: 10%

Disse er udgangspunkter, ikke sandheder. Juster efter 6 måneder når du har data.

5. Sæt tærskler for grøn/gul/rød

Tommelfingerregel for B2B SaaS:

Tærsklerne skal kalibreres mod dit faktiske datasæt. En score på 60 kan være "gul" hos dig og "rød" hos nogen andre.

6. Byg workflowet der reagerer

Scoren er ligegyldig hvis intet sker når den bliver rød. Konkret:

• Grøn kunde falder til gul: Automatisk notifikation til CSM, opgave oprettes i CRM, outreach inden for 7 dage.
• Gul kunde falder til rød: Eskaleret til Head of CS, executive sponsor kontaktes, struktureret close-the-loop samtale inden for 48 timer. For den detaljerede redningsproces, se Detractor recovery.
• Rød kunde stabiliseres ikke inden for 30 dage: Win-back plan eller bevidst offboarding. For den fulde playbook til hvad du gør herfra, se disse syv churn-reducerende strategier.

Når scoren falder og triggeren udløses, se den fulde drejebog for closing the loop for SLA'er, opkaldsscripts og eskaleringsmatrix bag den samtale. En del af selve reaktionen kan nu køre automatisk: se AI Agent i kundetilfredshed for hvordan en agent kan læse det røde flag, hente kontoens kontekst og åbne CSMs opgave i samme minut scoren falder, i stedet for at vente på det ugentlige review.

Eksempel fra praksis

En B2B SaaS-virksomhed vi arbejdede med havde 14% årlig churn. De vidste ikke hvilke kunder der var i risiko før opsigelsen ramte. Vi byggede en simpel Health Score med fem signaler:

Efter tre måneders kalibrering ramte modellen 74% af de kunder der churned i de følgende 6 måneder, med 60-90 dages forvarsel. CS-teamet kontaktede alle røde kunder proaktivt. Efter 12 måneder var churn faldet til 9%.

Ikke på grund af scoren. På grund af workflowet scoren udløste.

Hvorfor de fleste Health Scores ikke forudsiger churn

Eksemplet ovenfor er ikke normen. Ifølge ChurnZeros Customer Revenue Leadership Study 2025, en undersøgelse blandt 793 erfarne post-sale- og customer growth-ledere gennemført i partnerskab med 6sense, Customer Success MeetUp, Pavilion og Success Venture Partners, svarede 73% at deres health score ikke pålideligt forudsiger churn.

Studiets egen forklaring er ikke "for lidt data". Det er nærmest det modsatte. Det manglende input er kvalitativt: kundens egen vurdering af hvordan det går, den type signal et regneark fyldt med login-tal ikke kan fange. En model bygget primært på produkttelemetri svarer på "bruger denne konto produktet mindre", når det egentlige spørgsmål er "ser denne konto stadig den værdi den betaler for". De to spørgsmål peger oftere i forskellige retninger end de fleste CS-teams antager.

Det er præcis grunden til at Sentiment har en reel vægt (20-25%) i femdimensions-modellen ovenfor, ikke en symbolsk 5%. Teams der skærer den ned til "brug plus fornyelsesdato", fordi sentiment-data er mere besværligt at indsamle end et login-tal, genopbygger den model der ifølge studiet fejler for de fleste. Eksemplet fra praksis ovenfor satte bevidst NPS til 25% af scoren. Det er retningen, ikke tilfældet, der forklarer hvorfor modellen ramte 74% af de churnede kunder med 60-90 dages forvarsel.

CustomerGauges svar på samme problem, lanceret i juni 2026, er at stoppe med at behandle sentiment som noget kun survey-respondenter kan levere. Deres Signal Intelligence Agents udleder NPS-, CSAT- og CES-scorer direkte fra operationelle data, opkaldstranskriptioner, e-mails, support-tickets, QBR-noter, samme udvikling vi allerede beskriver i AI-tekstanalyse af kundefeedback, så en konto får en sentiment-score uanset om den nogensinde åbner et survey-link. Virksomheden formulerer problemet ligeud: gennemsnitlige B2B-svarprocenter ligger mellem 2% og 20%, hvilket betyder at de største, strategisk vigtigste kunder ofte er præcis dem en rent survey-baseret sentiment-score aldrig når. Når den survey-baserede score og den operationelt udledte score er uenige, er selve det gab signalet, og det plejer at afsløre risiko før nogen af de to tal gør det alene.

Du behøver ikke Signal Intelligence, eller nogen bestemt leverandør, for at bruge den underliggende lære. Hvis sentiment i din health score udelukkende afhænger af kunder der vælger at svare på en survey, har du bygget den type score der fejler i 73% af tilfældene. Udvid sentiment-inputtet, support-tickets, QBR-noter, selv en CSMs egen opkaldsopsummering, før du tilføjer endnu en brugsmetrik.

Almindelige faldgruber

For mange signaler fra start. 20 signaler lyder præcist. Det bliver praktisk umuligt at forklare hvorfor en kunde er rød. Start med 3-5.

Kun lagging indicators. Hvis din model primært bygger på NPS og fornyelsesrate, opdager den først churn når det er for sent. Brug leading indicators som primære signaler.

At behandle survey-tavshed som manglende data. En konto der er stoppet med at svare på dine surveys, er ikke et hul i regnearket, det er et signal. CustomerGauge kalder mønstret "loss of signal", og det varsler ofte churn tidligere end en lav score gør. Gennemsnitlige B2B-svarprocenter ligger på 2-20%, så hvis sentiment kun kommer ind i din score via surveyet, bidrager de fleste af dine kunder overhovedet ikke til den dimension. Score manglende svar eksplicit i stedet for at udelade dem, og læs sådan øger du din svarprocent for hvorfor en tavs konto som regel er en bevidst tavs konto.

Manglende segmentering. Enterprise-kunders brugsmønstre er helt anderledes end SMB. Byg separate modeller for dine væsentligste segmenter, eller justér tærskler per segment.

Ingen feedback-loop til modellen. Når en "grøn" kunde pludselig opsiger, skal det analyseres. Hvad missede modellen? Kalibrér vægte og tærskler kvartalsvist.

Score uden workflow. Det oftest observerede problem. En dashboard med røde og grønne kunder, men ingen der har ansvaret for at handle. Uden ansvar og SLA er scoren dekoration.

Sammenhæng med andre CX-metrikker

Customer Health Score står ikke alene. Den er komplementær:

Det bedste setup kombinerer alle fire, og det betyder at surveyprogrammet og health scoren bygges sammen frem for i rækkefølge: hvordan man måler kundetilfredshed beskriver hvor den direkte måling passer ind ved siden af de brugs- og supportsignaler, der føder denne score. NPS og CSAT fødes ind i Health Score. CES afslører friktion der senere manifesterer sig som faldende brug. Health Score er der alt kulminerer i én prioriteret handlingsliste. Det hele forsøger at indkredse ét spørgsmål: om kontoen reelt får en god kundeoplevelse, på tværs af alle stakeholdere og ikke kun den ene der svarer på jeres surveys.

Kom i gang

Du behøver ikke en dedikeret platform for at bygge din første Customer Health Score. Du har sandsynligvis allerede 80% af data, du skal bruge.

1. Samle CS-teamet, enige om 3-5 signaler
2. Bygge en simpel model i dit BI-værktøj eller spreadsheet
3. Definere grøn/gul/rød tærskler
4. Aftale SLA for reaktion på røde kunder
5. Køre det i et kvartal, kalibrere

De bedste Health Score-programmer er ikke dem med de fleste datapunkter. Det er dem der rent faktisk får Customer Success til at handle inden det er for sent.

Og som altid: scoren er det første skridt. Handlingen er hele forskellen. Start med close the loop.