Für SaaS-Umsatzverantwortliche ist das Gebot klar: Wachsen Sie mit Ihren Kunden.

Die Neukundengewinnung ist teuer und unberechenbar. Vorstände fordern jetzt Effizienz. Der entscheidende Hebel? Die bestehenden Kunden zu halten, damit Sie keine laufenden Einnahmen verlieren, und deren Account-Volumen weiter auszubauen.

Revenue-Verantwortliche wissen das. Deshalb hat RevOps jahrelang versucht, einen Score für die Kundenzufriedenheit zu entwickeln, um Go-to-Market-Teams (GTM) die nötige Weitsicht zu geben, um Accounts zu schützen und auszubauen. Die Datenerhebung ist dabei nicht das eigentliche Problem – die Herausforderung besteht darin, diese Daten in handlungsrelevante Erkenntnisse umzuwandeln. Das wird noch schwieriger, wenn, wie in den meisten Organisationen leben Daten in Silos über Teams und Tools verteilt und müssen aufwendig aufbereitet und bereinigt werden, bevor sie zur Modellierung verwendet werden können.

Aber hier ist die unbequeme Wahrheit: Die meisten Initiativen zur Bewertung der Kundengesundheit scheitern. Und sie scheitern aus vorhersehbaren Gründen.

Warum traditionelle Customer-Health-Scores scheitern

Wenn Ihr Customer-Success-Team heute einen Health Score verwendet, haben Sie wahrscheinlich dieses Muster schon gesehen: Ein Kunde sieht zahlenmäßig gesund aus und wandert trotzdem ab. Oder ein Konto wird als gefährdet markiert, aber der Score kann Ihrem Team nicht sagen, warum – oder was dagegen zu tun ist.

Herkömmliches Health Scoring scheitert auf drei vorhersehbare Arten.

Statische Bewertungsmodelle können nicht mithalten:

Die meisten Health Scores basieren auf Annahmen, die vor sechs oder zwölf Monaten getroffen wurden – wie „gutes" Engagement damals aussah. Doch Produktnutzungsmuster entwickeln sich weiter. Funktionen werden hinzugefügt. Das Nutzerverhalten verändert sich. Ein statisches Modell, das beim Launch funktionierte, wird innerhalb weniger Monate zum nachlaufenden Indikator und zeigt Ihnen, was passiert ist – nicht, was als Nächstes passieren wird.

Die Daten leben in Silos

Produktnutzungsdaten befinden sich in einem System. CRM-Daten in einem anderen. Support-Tickets in einem dritten. Eine einheitliche Ansicht der Kundengesundheit zu erstellen erfordert das Zusammenführen von Datenquellen, die nie dafür ausgelegt waren, miteinander zu kommunizieren – ein Prozess, der Data-Engineering-Ressourcen erfordert, über die die meisten RevOps-Teams nicht verfügen.

Scores ohne Maßnahmen sind nur Zahlen

Selbst wenn ein Health Score ein Risiko korrekt identifiziert, beantwortet er häufig nicht die zwei entscheidenden Fragen: Warum ist dieses Konto gefährdet? Und was sollten wir dagegen tun? Ein roter Score ohne Kontext lässt CSMs im Dunkeln tappen, was im besten Fall zu einer inkonsistenten Playbook-Ausführung und im schlimmsten Fall zu Lähmung führt.

Das Ergebnis ist eine vertraute Frustration: Dashboards voller Health Scores, denen niemand vertraut, die sich nicht erklären und die selten in Maßnahmen umgesetzt werden, bevor es zu spät ist.

Die wahren Kosten der manuellen Abwanderungsanalyse

Wenn automatisiertes Health-Scoring nicht ausreicht, greifen Teams auf manuelle Abwanderungsanalysen zurück – CSMs durchforsten einzelne Accounts und suchen in Produktnutzungsdaten, Support-Tickets und Verlängerungszeiträumen nach Warnsignalen.

Dieser Ansatz funktioniert – bis zu einem gewissen Punkt. Erfahrene Customer-Success-Manager entwickeln im Laufe der Zeit ein Mustererkennen. Sie lernen, die subtilen Signale zu erkennen: ein Power-User, der sich nicht mehr einloggt, ein Team, das eine wichtige Funktion aufgibt, ein Executive Sponsor, der verstummt.

Aber manuelle Analysen lassen sich nicht skalieren. Mit 50, 60, manchmal 100 Accounts in ihrem Portfolio ist es für einen einzelnen CSM unmöglich, alles im Blick zu behalten. Wenn sie die Signale erkennen, ist es oft schon zu spät – das Gespräch zur Vertragsverlängerung ist bereits eskaliert oder das Fenster für ein Upsell hat sich geschlossen.

Die Opportunitätskosten summieren sich im Laufe der Zeit. Jede Stunde, die mit der manuellen Überprüfung von Konten verbracht wird, ist eine Stunde, die nicht für den proaktiven Beziehungsaufbau, die strategische Planung oder wertvolle Kundengespräche genutzt wird. Manuelle Abwanderungsanalysen werden zu einer Belastung für Ihre leistungsstärksten Teammitglieder – genau die Personen, deren Zeit für Aufgaben genutzt werden sollte, die nur Menschen leisten können.

Was KI-gestützte Abwanderungsvorhersage tatsächlich erfordert

KI-gestützte Abwanderungsvorhersage wird seit Jahren versprochen. Warum hat sie bisher nicht geliefert?

Die Antwort liegt darin, zu verstehen, was ein nützliches Abwanderungsvorhersagesystem tatsächlich erfordert – und warum die meisten Ansätze dahinter zurückbleiben.

Es beginnt mit Verhaltensdaten

Die stärksten Abwanderungssignale kommen nicht aus CRM-Feldern oder Umfrageantworten. Sie kommen davon, was Nutzer tatsächlich tun in Ihrem Produkt: Funktionen, die sie nutzen (oder nicht mehr nutzen), Engagement-Muster im Laufe der Zeit und subtile Verhaltensänderungen, die einer Abkehr vorausgehen.

Produktnutzungsdaten sind der führende Indikator. Alles andere – Support-Tickets, NPS-Werte, Verlängerungsgespräche – ist ein nachlaufender Indikator, der bestätigt, was Verhaltensdaten bereits Wochen oder Monate zuvor offenbart haben.

Modelle müssen kontinuierlich neu trainiert werden

Ein Modell, das auf den Abwanderungsmustern des letzten Jahres basiert, wird die Risiken des laufenden Jahres nicht erkennen. Das Kundenverhalten entwickelt sich weiter, wenn sich Ihr Produkt verändert, wenn sich die Marktbedingungen verschieben und wenn Ihr Kundenstamm reift. Effektive KI-gestützte Abwanderungsvorhersage erfordert Modelle, die kontinuierlich aus neuen Daten lernen – keine einmaligen Entwicklungen, die mit der Zeit an Wert verlieren.

Vorhersagen brauchen Erklärungen

Ein Abwanderungsrisiko-Score ohne Kontext schafft mehr Probleme als er löst. „Dieses Konto wird mit 73 % Wahrscheinlichkeit abwandern" sagt Ihrem Team nichts über das Warum – und ohne das Warum können sie nicht zielgerichtet handeln. Die besten Systeme zur Abwanderungsvorhersage liefern nicht nur Prognosen, sondern auch die spezifischen Verhaltensweisen und Muster, die jede Vorhersage antreiben.

Erkenntnisse müssen die richtigen Personen zur richtigen Zeit erreichen

Eine Vorhersage, die in einem Dashboard vergraben ist, das CSMs wöchentlich prüfen, ist keine Vorhersage, die zum Handeln anregt. Die Erkenntnisse müssen in die Systeme fließen, in denen Revenue-Teams bereits arbeiten – CRM, Slack, wo auch immer die eigentliche Arbeit stattfindet – mit genügend Kontext, um sofortiges und offensichtliches Handeln zu ermöglichen.

Die meisten „KI-Abwanderungsvorhersage"-Lösungen scheitern in mindestens einer dieser Dimensionen. Sie stützen sich auf CRM-Daten statt auf Verhaltensdaten. Sie erstellen statische Modelle, die mit der Zeit an Qualität verlieren. Sie liefern Scores ohne Erklärungen. Oder sie verlangen von Teams, ein weiteres Dashboard zu übernehmen, das ungenutzt bleibt.

Manuelle Prozesse und halbgare Lösungen reichen nicht aus

Customer Success Manager (CSMs) geben ihr Bestes mit den Tools, die ihnen von RevOps zur Verfügung gestellt werden. Das kann bedeuten, dass sie manuelle statische Scoring-Modelle in Tabellenkalkulationen verwenden, die den Mitarbeitern keinen Kontext darüber liefern, warum ein Konto den jeweiligen Health Score hat. In anderen Fällen erstellt RevOps möglicherweise benutzerdefinierte Data-Science-Projekte, um die Kundenzufriedenheit zu messen. Diese werden jedoch langsam, ressourcenintensiv und schwer, Erkenntnisse daraus direkt an Vertriebsmitarbeiter weiterzugeben.

Das Ergebnis? Eine Menge manueller Prozesse und halbgare Lösungen. Neue Kick-offs, Neustarts, gescheiterte Projekte … immer das gleiche Ende. Selbst jene vorausschauenden CSMs, die bereits Pendo-Daten auswerten, um Account-Signale zu erkennen, haben möglicherweise Schwierigkeiten, ihre Arbeit zu skalieren. Mit 50, 60, manchmal 100 Accounts in ihrem Portfolio gibt es für einen CSM keine Möglichkeit, alles abzufangen. Wenn sie die Signale erkennen, ist es bereits zu spät: Die Verlängerung ist verloren, oder das Upsell-Fenster ist verstrichen.

Wie Pendo Predict Produktdaten in Maßnahmen umwandelt

Pendo Predict verfolgt bei der Abwanderungsvorhersage einen anderen Ansatz – ausgehend von der Erkenntnis, dass nützliche Vorhersagen sowohl umfangreiche Verhaltensdaten als auch einen Weg zur Umsetzung erfordern.

So funktioniert es:

Datenquellen verbinden

Predict lässt sich mit Ihrem CRM und Ihren Produktnutzungsdaten integrieren – unabhängig davon, ob diese Nutzungsdaten aus Pendos Analysen oder einer anderen Plattform stammen. Pendos Verhaltensdaten fließen nativ ein, aber Sie können auch Daten aus bereits genutzten Produktanalyse-Tools einbinden.

KI das Modell erstellen und pflegen lassen

Anstatt Sie zu zwingen, zu definieren, wie „gesund" aussieht, identifiziert Predict Verhaltensmuster, die früheren Abwanderungen und Verlängerungen vorausgingen, und sucht dann nach diesen Signalen in Ihrem aktuellen Kundenstamm. Das Modell wird kontinuierlich mit neuen Daten neu trainiert, sodass die Vorhersagen auch bei sich veränderndem Kundenverhalten präzise bleiben.

Vorhersagen dort bereitstellen, wo gearbeitet wird

Risiken und Expansionsmöglichkeiten fließen direkt in Salesforce und Slack ein, angereichert mit den spezifischen Signalen, die jede Vorhersage antreiben. Ihr Team sieht nicht nur, wer gefährdet ist, sondern auch warum – und welche Playbooks bei ähnlichen Accounts funktioniert haben.

Den nächsten Schritt mit empfohlenen Maßnahmen steuern

Mit Pendos empfohlenen Maßnahmen, die direkt in Ihr CRM eingebettet sind, wird den Mitarbeitern nicht nur mitgeteilt, worauf sie sich konzentrieren sollen – ihnen wird genau gezeigt, was als Nächstes zu tun ist. Jede Empfehlung basiert auf Playbooks, die sich bei Accounts mit ähnlichen Risikoprofilen bewährt haben. Die Vorhersage wird zum Ausgangspunkt für Maßnahmen, nicht zum Selbstzweck.

Engagement mit prädiktiven Segmenten skalieren

Predict beschränkt sich nicht darauf, einzelne Mitarbeiter zu benachrichtigen. Mit prädiktiven Segmenten können Sie dynamische Kundensegmente auf Basis des Risikoniveaus erstellen – und dann automatisch In-App-Nachrichten, E-Mail-Sequenzen oder andere Engagement-Journeys auslösen, um gefährdete Nutzer zu erreichen, bevor sie sich abwenden. Das ist proaktive Kundenbindung in großem Maßstab, ohne dass für jeden Account ein manuelles Eingreifen erforderlich ist.

Warum sich dieser Ansatz zur Abwanderungsvorhersage unterscheidet

Customer-Health-Scoring wurde bereits versucht. Predictive Analytics ist nicht neu. Was macht diesen Ansatz also anders?

Die Daten sind anders

Die meisten Health-Scoring-Ansätze stützen sich auf CRM-Daten, Support-Tickets und Umfrageantworten – allesamt nachlaufende Indikatoren. Predict beginnt mit dem Produktnutzungsverhalten, dem führenden Indikator, der Risiken Wochen oder Monate erkennt, bevor traditionelle Signale sichtbar werden.

Die Bereitstellung ist anders

Vorhersagen, die in Dashboards verbleiben, führen nicht zu Maßnahmen. Predict liefert Erkenntnisse direkt in Salesforce-Opportunity-Datensätze und Slack-Kanäle, sodass die richtigen Personen zum richtigen Zeitpunkt informiert werden, wenn Entscheidungen getroffen werden.

Die Aktivierung ist anders

Ein Score ist keine Strategie. Predict sagt Ihrem Team nicht nur, wer gefährdet ist – es zeigt ihnen auch, was als Nächstes zu tun ist, mit Empfohlenen Maßnahmen, und skaliert proaktives Engagement durch Predictive Segments. Der vollständige Kreislauf von der Vorhersage über die Maßnahme bis zum Ergebnis ist in die Plattform integriert.

Die Kombination – Verhaltensdaten, kontinuierliches Lernen, erklärbare Vorhersagen und Bereitstellung im Workflow – adressiert, warum frühere Ansätze zum Customer-Health-Scoring gescheitert sind. Es geht nicht nur darum, ein besseres Modell zu entwickeln. Es geht darum, ein System zu entwickeln, das tatsächlich zu Maßnahmen führt.

Von der Vorhersage zur Maßnahme

Für Revenue-Verantwortliche lautet die Frage nicht, ob Sie bessere Customer-Health-Erkenntnisse benötigen. Das wissen Sie bereits. Die Frage ist, ob eine weitere Initiative tatsächlich die Arbeitsweise Ihres Teams verändern wird.

Pendo Predict ist darauf ausgelegt, diese Frage zu beantworten – Vorhersagen in Maßnahmen und Maßnahmen in geschützte und ausgebaute Umsätze umzuwandeln.

Keine vagen Health Scores mehr. Nur klare Signale, basierend auf echten Nutzungsdaten, bereitgestellt dort, wo Ihre Teams bereits arbeiten.


Möchten Sie sehen, wie Pendo Predict Ihre Bemühungen zur Reduzierung der Abwanderung transformieren kann? Demo hier anfordern.