ポストセールマネジメント

処方的Health Score: これはそれについて何をすべきかを教えてくれます。「この顧客は再Onboardingが必要です。これがPlaybookです。」同様のアカウントのパターンを比較して、特定のアクションを推奨します。これは最も洗練されたアプローチであり、通常、機械学習または非常に優れたデータサイエンスチームが必要です。

例: アカウントXYZのHealth Scoreは58です。システムは、同様のパターンを持つアカウントが、ターゲットを絞った機能採用キャンペーンの後に12-15ポイント改善したことを発見します。推奨アクション:このアカウントに同じPlaybookを起動します。

どれを構築すべきか? 記述的から始めましょう—それがあなたの基礎です。パターンを発見するのに十分な履歴データがあれば、予測的を追加します。データサイエンスリソースと、パターンを意味のあるものにするのに十分なアカウントがある場合にのみ、処方的を構築してください。

スコアコンポーネントと次元

ほとんどの企業が追跡する次元は、重要度の順に大まかに次のとおりです:

1. 製品使用状況と採用(30-40%の重み)

アクティブユーザー(支払っているライセンスの生の数とパーセンテージの両方)
ログイン頻度
機能の幅(実際に使用している機能の数)
機能の深さ(パワーユーザーか、それとも表面をかすめているだけか?)
使用状況のトレンド(成長、横ばい、または減少)

**なぜ重要か:**使用状況は他の何よりも維持率を予測します。製品を使用する顧客は定着します。使用しない顧客はすでに半分外に出ています。

2. エンゲージメントとアクティビティ(15-25%の重み)

CSMがどのくらいの頻度で話すか
QBRに出席するかどうか
トレーニングとWebinarへの参加
コミュニティへの関与
メールエンゲージメント(開封、クリック、返信)
連絡したときにどれだけ早く応答するか

**なぜ重要か:**エンゲージされた顧客は関係に時間とエネルギーを投資しました。エンゲージされていない顧客は、競合他社のメール1通で切り替わります。

3. 関係とセンチメント(15-25%の重み)

エグゼクティブスポンサーがいるか?
特定されたChampionがいて、まだエンゲージされているか?
NPSとCSATスコア
フィードバックのセンチメント(満足しているか、それとも不満を持っているか?)
関係の強さ(CSMの直感、定量化)
ステークホルダーのカバレッジ(そこで何人知っているか?)

**なぜ重要か:**強い関係は製品のバグや価格上昇を乗り越えます。弱い関係はほとんど何も乗り越えません。

4. サポートと問題解決(10-15%の重み)

サポートチケットのボリューム
問題の重大度(P1緊急事態対軽微な質問)
問題の解決にかかる時間
サポート満足度評価
エスカレーション

**なぜ重要か:**多くの深刻なチケットは、製品が適合していないか、品質の問題があることを意味します。クリーンなサポート履歴は通常、スムーズな航海を意味します。

5. ビジネス成果と価値(10-20%の重み)

達成された目標(販売プロセス中に伝えたもの)
実証されたROI(実際の影響を指摘できるか?)
拡大されたユースケース(営業から始まり、今ではマーケティングも使用している)
達成された価値のマイルストーン
彼らが実際に気にかけるビジネスインパクト指標

**なぜ重要か:**明確な価値を見る顧客は更新します。ROIを明確に表現できない顧客は更新時に脆弱です。

6. 財務および商業(5-10%の重み)

支払い履歴(期限内対一貫して遅延)
契約状況
拡大履歴
予算シグナル(レイオフを発表したばかりか?)

**なぜ重要か:**支払いの遅延は多くの場合、Churnを予測します。過去の拡大は通常、満足を示します。

重み付けと計算方法

適切な重みを見つける方法:

推測しないでください。適切に行う方法は次のとおりです:

ステップ1:履歴データを掘り下げる 各次元と実際の維持率の間の相関分析を実行します。これは、顧客が実際に定着するかどうかを本当に予測するものを示します。

分析例:

維持率との使用状況次元の相関:0.72(強い予測因子)
エンゲージメント次元の相関:0.48(中程度の予測因子)
センチメント次元の相関:0.35(弱から中程度)
財務次元の相関:0.18(弱い予測因子)

ステップ2:予測力に基づいて重み付けする 実際に維持率を予測する次元に最も重みを与えます。公平に感じるからといってすべてを平等に扱わないでください。

重み付けの例:

使用状況:35%(最も強い予測因子が最も重みを得る)
エンゲージメント:25%
価値:20%
関係:15%
財務:5%(弱い予測因子は最小限の重みを得る)

ステップ3:テストして調整する 履歴の結果に対して重み付けされたモデルを実行します。正確でない場合は、調整して再試行します。これは一度きりの演習ではありません。

計算例:

次元	重み	生スコア(0-100)	重み付けスコア
使用状況	35%	80	28.0
エンゲージメント	25%	70	17.5
価値	20%	75	15.0
関係	15%	60	9.0
財務	5%	90	4.5
合計	100%	—	74.0

最終Health Score:74(中程度)

スコア範囲としきい値の設定

標準Health Score範囲:

健全(75-100):

強力な使用状況とエンゲージメント
ポジティブなセンチメント
維持率は堅実に見える
おそらく拡大の会話の準備ができている
**何をすべきか:**関係を温かく保ち、拡大の機会を探し、紹介を求める

中程度(50-74):

許容範囲だが改善の余地がある
注意が必要な使用状況またはエンゲージメントのギャップがいくつかある
おそらく更新するが、確実ではない
**何をすべきか:**積極的な改善イニシアチブを実行し、見ている特定のギャップを修正する

リスクあり(25-49):

低いまたは減少している使用状況
弱いエンゲージメントまたは関係
維持率は本当にリスクがある
**何をすべきか:**すべてを捨てて、今介入し、救済計画をまとめ、必要に応じてエスカレートする

クリティカル(0-24):

製品をほとんど使用していないか、完全に休眠状態
エンゲージメントゼロ
奇跡を起こさない限り、おそらく解約する
**何をすべきか:**エグゼクティブのエスカレーション、全員総出の救済努力

異なるセグメントには異なるしきい値が必要:

すべての顧客が同じように作られているわけではありません。Enterprise顧客にとって「健全」なものは、SMB顧客にとっては懸念されるかもしれません。

Enterprise顧客:

健全:70+(複雑な製品のロールアウトには永遠にかかる)
リスクあり:<50
理由:Enterprise顧客には長い採用曲線があります。早期の使用状況の低さは、彼らが不満を持っていることを意味するのではなく、まだ5つの部門がワークフローに同意するのを待っていることを意味します。

SMB顧客:

健全:80+(よりシンプルな製品、より速い採用)
リスクあり:<60
理由:SMB顧客はすぐに立ち上がって稼働するはずです。そうでない場合は、何かが間違っています。

しきい値は、実際のデータと異なるセグメントの動作を反映する必要があります。

Health Scoreモデルの設計

予測する成果の特定

まず主要なことから:維持率

この顧客は実際に更新するか?
どの契約価値で?
更新率はどうなるか?

次に二次的な成果を追加:

Churnリスク:

次の90日以内に解約するか?
どのようなChurnか?(去ることを選んだのか、それとも支払いを忘れただけか?)

拡大:

拡大するか?
どれくらい?
その会話をするのにいつが適切な時期か?

アドボカシー:

リファレンス顧客になるか?
他の顧客を紹介するかもしれないか?
Webサイトのためのテスティモニアルを提供するか?

最初はシンプルに保つ: 維持率対Churnの予測に焦点を当てます。それが本当に重要なことです。維持率モデルが実際に機能したら、拡大とアドボカシーの予測を後で追加できます。

Health Score次元の選択

適切な次元を選択する方法:

ステップ1:考えられるすべてのシグナルをブレインダンプする

製品使用状況指標
どのようにエンゲージするか
関係指標
財務シグナル
サポートチケットのパターン
センチメントデータ
外部シグナル(成長しているか?資金を得たばかりか?レイオフしているか?)

ステップ2:実際に測定できるものを把握する データの現実について正直になりましょう:

このデータは今利用可能か?
6ヶ月のエンジニアリングプロジェクトなしで統合できるか?
データ品質は信頼できるほど良いか?

ステップ3:実際に維持率を予測するものをテストする 実際の結果との相関分析を実行します:

高い相関(>0.5):これを含める
中程度の相関(0.3-0.5):含めることを検討する
低い相関(<0.3):戦略的な理由がない限り、おそらくスキップする

ステップ4:やりすぎない

次元が少なすぎる:重要なシグナルを見逃す
次元が多すぎる:複雑さとメンテナンスに溺れる
スイートスポット:4-6次元

これらの4つから始める:

使用状況(常にこれを含める—圧倒的に最強の予測因子)
エンゲージメント(関係にどれだけ投資しているか)
センチメント(NPS、CSAT、あなたに対する感じ方)
関係(エグゼクティブスポンサーがいるか?アクティブなChampionがいるか?)

データとシステムが成熟するにつれて、他を追加します:価値実現、サポート品質、財務健全性。

データ入力と指標の決定

各次元について、特定の指標を定義:

使用状況次元の入力:

アクティブユーザーのあるライセンスの%(過去30日間)
ユーザーあたりの週あたりの平均ログイン数
使用されているコア機能の数(幅)
主要機能内の使用の深さ
使用状況のトレンド(前月比%変化)

エンゲージメント次元の入力:

四半期ごとのCSMタッチポイント
QBR出席(Y/N)
参加したトレーニングセッション
メール開封率とクリック率
コミュニティの投稿または参加

センチメント次元の入力:

最新のNPSスコア
サポートCSAT平均(過去3ヶ月)
質的フィードバックのセンチメント
CSM関係評価(1-5スケール)

関係次元の入力:

エグゼクティブスポンサーが特定されている(Y/N)
Championがアクティブ(Y/N)
CRM内の連絡先の数
製品を使用している部門の数
関係の深さスコア(CSM評価)

財務次元の入力:

支払いステータス(現在、遅延、延滞)
過去12ヶ月の拡大(Y/N)
契約価値(ARR)

データソースマッピング: 各指標がどこから来るかを文書化します:

製品分析プラットフォーム
CRMシステム
サポートチケットシステム
調査ツール
請求システム

重み付け方法論の確立

データ駆動型の重み割り当て:

方法1:相関分析

各次元と維持率の間の相関を計算する
相関の強さに比例して重みを割り当てる

例:

使用状況の相関:0.70 → 重み:35%
エンゲージメントの相関:0.50 → 重み:25%
センチメントの相関:0.40 → 重み:20%
関係の相関:0.30 → 重み:15%
財務の相関:0.10 → 重み:5%

方法2:回帰分析

Churnを結果とするロジスティック回帰を実行する
係数値を使用して重みを通知する
単純な相関よりも洗練されている

方法3:専門家の判断(データが限られている場合)

各次元の予測力についてCSMチームに調査する
コンセンサスに基づいて重み付けする
データが蓄積されるにつれて結果に対して検証する

方法4:等しい重み付け(開始点)

すべての次元が等しく重み付けされる
パフォーマンスに基づいて調整する
実装は迅速だが精度は低い

ベストプラクティス: 相関分析(データが存在する場合)または専門家の判断から始めます。予測精度に基づいて四半期ごとに重みを改善します。

データ駆動型モデル開発

履歴データパターンの分析

履歴分析のステップ:

ステップ1:維持率データを収集する

過去12-24ヶ月の顧客データ
更新結果(更新対Churn)
更新前の最終Health Score
次元スコア

ステップ2:セグメント分析

Health Score範囲別の維持率
次元スコア別の維持率
セグメント固有のパターン(Enterprise対SMB)

分析例:

Health Score範囲	維持率	サンプルサイズ
90-100	98%	45
80-89	95%	112
70-79	88%	134
60-69	75%	87
50-59	58%	56
<50	35%	41

**洞察:**維持率が大幅に低下する60での明確なしきい値。

ステップ3:パターンを特定する

どの解約した顧客が高いスコアを持っていたか?(偽陰性)
どの更新した顧客が低いスコアを持っていたか?(偽陽性)
どのシグナルを見逃したか?

ステップ4:モデルを改善する

重みを調整する
欠落している次元を追加する
しきい値を再調整する

結果との相関分析

相関分析の実行:

各次元について: 維持率との相関係数を計算する(0から1、高い=より強い関係)

結果の例:

維持率との使用状況スコアの相関:0.72
エンゲージメントスコアの相関:0.48
センチメントスコアの相関:0.35
関係スコアの相関:0.52
財務スコアの相関:0.21

解釈:

強い予測因子(>0.6):使用状況
中程度の予測因子(0.4-0.6):エンゲージメント、関係
弱い予測因子(<0.4):センチメント、財務

アクション:

強い予測因子の重みを増やす(使用状況)
中程度の予測因子の中程度の重みを維持する
弱い予測因子の重みを減らすか削除する(戦略的価値がない限り)

多変量解析: いくつかの次元は個別には予測的でないかもしれないが、組み合わせでは予測的かもしれません。組み合わせをテストします:

低使用状況+低エンゲージメント=非常に高いChurnリスク
低使用状況+高エンゲージメント=再Onboardingの機会

予測指標と虚栄心指標の識別

予測指標: これらは実際に何が起こるかを予測します。これらの数値が動くと、維持率が動きます。

例:

アクティブユーザーのパーセンテージ(維持率の本当の予測因子)
ログイン頻度(定期的にログインする人々は定着する)
QBR出席(エンゲージされた顧客は現れる)
機能採用の深さ(パワーユーザーは解約しない)

虚栄心指標: これらはダッシュボードで見栄えが良いが、維持率については多くを教えてくれません。健全性と相関するかもしれませんが、それを引き起こすわけではありません。

例:

登録ユーザー総数(アクティブでない場合は無意味)
保存されたデータの合計(保存が実際に製品に価値を推進しない限り)
製品ページビュー(ブラウジングは使用と同じではない)
送信されたメール(誰も開かない場合、メールを送信することは何も意味しない)

違いを見分ける方法:

テスト1:維持率と相関するか? 数値を実行します。指標が動いて維持率が動かない場合、それは虚栄心です。

相関する→潜在的に予測的
相関しない→おそらく虚栄心

テスト2:それを改善することで実際に維持率が改善されるか? これが因果関係のテストです。

はい→予測的
いいえ→虚栄心

テスト3:Churnの前または後に変化するか? タイミングが重要です。

Churnの前に変化→先行指標(有用!)
Churnの後に変化→遅行指標(手遅れ)

予測的で先行的な指標でHealth Scoreを構築します。虚栄心指標はマーケティングスライドに残します。

モデルのテストと検証

モデルを検証する方法:

ステップ1:履歴データに対してテストする

過去の顧客データでHealth Scoreモデルを実行する
モデルが予測したものと実際に起こったものを比較する
精度指標を計算する

ステップ2:どれだけ正確かを測定する

真陽性率(Churnerを捕まえたか?): 実際に解約した顧客のうち、何人をリスクありとしてフラグ付けしたか?

式:真陽性/(真陽性+偽陰性)
目標:>75%

真陰性率(健全な顧客を正しく理解したか?): 更新した顧客のうち、何人を健全として正しくフラグ付けしたか?

式:真陰性/(真陰性+偽陽性)
目標:>85%

全体の精度: すべての予測のうち、何人が正しかったか?

式:(真陽性+真陰性)/総顧客数
目標:>80%

ステップ3:なぜ間違っていたかを把握する

偽陽性(リスクありと言ったが、更新した):

なぜモデルはリスクありだと思ったのか?
実際には大丈夫だったことを示すどのシグナルを見逃したか?
これらを減らすためにモデルをどのように調整できるか?

偽陰性(健全と言ったが、解約した):

どのシグナルを完全に見逃したか?
どの次元を追加するか、より重く重み付けする必要があるか?
これらは偽陽性よりも危険—本当のリスクを見逃した

ステップ4:モデルを修正する

学んだことに基づいて重みを調整する
欠落していた次元を追加する
しきい値を再調整する
履歴データで再度テストする

ステップ5:監視し続ける

モデルがライブで実行されるときに精度を追跡する
毎月実際の更新結果と予測を比較する
四半期ごとに改善し続ける

結果に基づく反復

継続的改善サイクル:

月次レビュー:

どのリスクありアカウントが実際に解約したか?
解約した健全なアカウントはあったか?(ミス)
偽陽性率(更新したリスクありアカウント)
スコアの精度に関するCSMフィードバック

四半期ごとの改善:

完全なモデル検証
重みの調整
しきい値の再調整
次元の追加/削除

年次オーバーホール:

必要に応じて大規模なモデル再設計
新しいデータソースを組み込む
新しい方法論を採用する(MLなど)

反復の例:

第1四半期:

モデル精度:73%
偽陰性率:32%(健全な顧客があまりにも多く解約)
分析:使用状況次元が十分に重く重み付けされていない
アクション:使用状況の重みを30%から40%に増やす

第2四半期:

モデル精度:79%
偽陰性率:24%
改善:より多くのリスクありの顧客を捕まえている
新しい問題:偽陽性が増加
アクション:リスクありのしきい値を<60から<55に調整する

第3四半期:

モデル精度:84%
バランスの取れた偽陽性と偽陰性
CSMフィードバック:スコアは正確に感じる
アクション:現在のモデルを維持し、監視を続ける

[Due to character limits, I'll continue with the remaining articles in subsequent messages. For now:]

✓ health-score-models.md

Tara Minh

Operation Enthusiast