AI-система Customer Health Scoring для Customer Success

AI-система оцінки здоров'я клієнтів (Customer Health Score)

Customer Health Score (CHS) — інтегральний показник того, наскільки клієнт залучений до продукту та наскільки можливе продовження чи відтік. Для B2B SaaS та передплатних сервісів це провідний індикатор NRR (Net Revenue Retention). ML-підхід дозволяє перейти від інтуїції CSM до об'єктивної оцінки, що відтворюється.

Сигнали для моделі

Використання продукту:

• DAU/WAU/MAU: активність основних користувачів облікового запису
• Feature adoption: процент ключових фіч, задіяних в останні 30 днів
• глибина використання: advanced features vs. базові
• Стагнація: зниження використання за останні 4 тижні

Support & Success сигнали:

• Відкриті тикети без відповіді > 3 днів – негативний сигнал
• NPS, CSAT оцінки за останні 6 місяців
• EBR (Executive Business Review) відбувся – позитивний сигнал
• Escalations: скарги рівня керівництва

Комерційні індикатори:

• Близькість дати оновлення: < 90 днів → підвищене увагу
• Expansion або скорочення за останні 12 місяців
• Invoice payment delays: прострочення платежів
• Contract modifications: спроби переглянути умови

Сигнал стосунків:

• Sponsor changes: пішов champion з облікового запису - високий ризик
• Multi-threading: скільки контактів знає CSM (< 2 = single-threaded)
• Last meaningful interaction: коли востаннє була реальна розмова

Інженерія функцій

def compute_customer_health_features(account_id, lookback_days=90):
    використання = get_product_usage(ідентифікатор_акаунту, дні_багатого_огляду)
    підтримка = get_support_tickets(ідентифікатор_акаунта, дні_перегляду)
    комерційний = get_crm_data(ідентифікатор_акаунта)

    повернути {
        # Тенденції використання
        'usage_trend_slope': np.polyfit(діапазон(дні_повернення), використання['щоденні_активні_користувачі'], 1)[0],
        'feature_adoption_score': len(використання['активні_функції']) / total_key_features,
        'power_user_ratio': використання['високочастотні_користувачі'] / використання['загальна_кількість_місць'],

        # Підтримка здоров'я
        'open_critical_tickets': support[support['priority'] == 'критичний']['кількість'],
        'avg_resolution_time_days': підтримка['avg_resolution_time'],
        'recent_nps': підтримка['last_nps_score'],

        # Комерційний
        'днів_до_оновлення': (комерційний['дата_оновлення'] - сьогодні).днів,
        'logo_expansion_12m': комерційний['arr_change_12m'],
        'payment_delay_days': commercial['avg_payment_delay'],

        # Зв'язок
        'sponsor_change_6m': комерційний['sponsor_changed_flag'],
        'contacts_known': commercial['known_contacts_count'],
        'днів_з_останнього_дзвінка': (сьогодні - комерційний['останній_суттєвий_контакт']).днів
    }

Моделі та архітектура

Composite Score (правиловий baseline):

def rule_based_health_score(функції):
    score = 100 # починаємо зі 100

    # Штрафи за використання
    якщо features['usage_trend_slope'] < -0,1:
        бал -= 20
    якщо features['feature_adoption_score'] < 0,3:
        бал -= 15

    # Штрафи за підтримку
    якщо функції['відкрити_критичні_квитки'] > 0:
        бал -= 25
    якщо features['recent_nps'] та features['recent_nps'] < 7:
        бал -= 15

    # Комерційний ризик
    якщо features['days_to_renewal'] < 60 та features['logo_expansion_12m'] < 0:
        бал -= 20

    повернути max(0, min(100, бал))

ML-модель поверх: LightGBM або Logistic Regression навчена на історичних даних "продовжив/пішов" через 12 місяців. Перевага vs. правила: виявляє нелінійні взаємодії (наприклад, зниження usage саме по собі – не ризик, але у поєднанні з upcoming renewal – критично).

Часова перевірка:

# Walk-forward: навчаємо на когортах < 12 місяців тому, передбачаємо на пізніших
# Метрика: AUC прогнозу відтоку клієнтів за 90 днів
# Baseline: просто renewal date + останній NPS

Сегментація ризиків та дії

Рівні ризику:

Автоматизовані ігрові книги:

def trigger_playbook(обліковий запис, показник_справності, коди_причин):
    якщо показник здоров'я < 30:
        crm.create_task(власник='csm_manager', тип='urgent_review', обліковий запис=обліковий запис)
        slack.notify('#csm-alerts', f"КРИТИЧНО: {account.name} score={health_score}")
    elif health_score < 50 та 'usage_decline' у reason_codes:
        gainsight.enroll_in_playbook(обліковий запис, 'активаційна_кампанія')
    elif health_score > 80 та account.days_to_renewal < 90:
        crm.create_opportunity(рахунок, тип='розширення', сума=рахунок.arr * 0.2)

Інтеграція з інструментами CS

Gainsight, ChurnZero, Totango: Ці платформи вже мають native health scoring. Кастомна ML модель експортує score через API → замінює або доповнює вбудовані правила.

CRM (Salesforce, HubSpot): Custom field "AI Health Score" на об'єкті Account. Оновлюється щотижня. Використовується в reports і forecasting.

Аналітика продукту (амплітуда, мікшпанель, купа): Джерело використання даних. Окремий API/export для B2B account-level агрегації.

Терміни: feature pipeline + rule-based score + Salesforce інтеграція - 3-4 тижні. ML-модель навчання та валідації + automated playbook triggers + Gainsight integration - 6-8 тижнів.