AI-система Customer Health Scoring для Customer Success

AI-система оценки здоровья клиентов (Customer Health Score)

Customer Health Score (CHS) — интегральный показатель того, насколько клиент вовлечён в продукт и насколько вероятно продление или отток. Для B2B SaaS и подписочных сервисов это ведущий индикатор NRR (Net Revenue Retention). ML-подход позволяет перейти от интуиции CSM к объективной, воспроизводимой оценке.

Сигналы для модели

Product Usage:

• DAU/WAU/MAU: активность основных юзеров аккаунта
• Feature adoption: процент ключевых фич, задействованных в последние 30 дней
• Глубина использования: advanced features vs. базовые
• Стагнация: снижение использования за последние 4 недели

Support & Success сигналы:

• Открытые тикеты без ответа > 3 дней — отрицательный сигнал
• NPS, CSAT оценки за последние 6 месяцев
• EBR (Executive Business Review) состоялся — положительный сигнал
• Escalations: жалобы уровня руководства

Коммерческие индикаторы:

• Renewal date proximity: < 90 дней → повышенное внимание
• Expansion или сокращение в последние 12 месяцев
• Invoice payment delays: просрочки платежей
• Contract modifications: попытки пересмотреть условия

Relationship сигналы:

• Sponsor changes: ушёл champion из аккаунта — высокий риск
• Multi-threading: скольких контактов знает CSM (< 2 = single-threaded)
• Last meaningful interaction: когда последний раз был реальный разговор

Feature Engineering

def compute_customer_health_features(account_id, lookback_days=90):
    usage = get_product_usage(account_id, lookback_days)
    support = get_support_tickets(account_id, lookback_days)
    commercial = get_crm_data(account_id)

    return {
        # Usage trends
        'usage_trend_slope': np.polyfit(range(lookback_days), usage['daily_active_users'], 1)[0],
        'feature_adoption_score': len(usage['active_features']) / total_key_features,
        'power_user_ratio': usage['high_frequency_users'] / usage['total_seats'],

        # Support health
        'open_critical_tickets': support[support['priority'] == 'critical']['count'],
        'avg_resolution_time_days': support['avg_resolution_time'],
        'recent_nps': support['last_nps_score'],

        # Commercial
        'days_to_renewal': (commercial['renewal_date'] - today).days,
        'logo_expansion_12m': commercial['arr_change_12m'],
        'payment_delay_days': commercial['avg_payment_delay'],

        # Relationship
        'sponsor_change_6m': commercial['sponsor_changed_flag'],
        'contacts_known': commercial['known_contacts_count'],
        'days_since_last_call': (today - commercial['last_substantive_contact']).days
    }

Модели и архитектура

Composite Score (правиловой baseline):

def rule_based_health_score(features):
    score = 100  # начинаем со 100

    # Usage penalties
    if features['usage_trend_slope'] < -0.1:
        score -= 20
    if features['feature_adoption_score'] < 0.3:
        score -= 15

    # Support penalties
    if features['open_critical_tickets'] > 0:
        score -= 25
    if features['recent_nps'] and features['recent_nps'] < 7:
        score -= 15

    # Commercial risk
    if features['days_to_renewal'] < 60 and features['logo_expansion_12m'] < 0:
        score -= 20

    return max(0, min(100, score))

ML-модель поверх: LightGBM или Logistic Regression обученная на исторических данных "продлил/ушёл" через 12 месяцев. Преимущество vs. правила: выявляет нелинейные взаимодействия (например, снижение usage само по себе — не риск, но в сочетании с upcoming renewal — критично).

Temporal validation:

# Walk-forward: обучаем на когортах < 12 месяцев назад, предсказываем на более поздних
# Метрика: AUC на 90-day churn prediction
# Baseline: просто renewal date + последний NPS

Сегментация риска и действия

Risk Tiers:

Automated Playbooks:

def trigger_playbook(account, health_score, reason_codes):
    if health_score < 30:
        crm.create_task(owner='csm_manager', type='urgent_review', account=account)
        slack.notify('#csm-alerts', f"CRITICAL: {account.name} score={health_score}")
    elif health_score < 50 and 'usage_decline' in reason_codes:
        gainsight.enroll_in_playbook(account, 'activation_campaign')
    elif health_score > 80 and account.days_to_renewal < 90:
        crm.create_opportunity(account, type='expansion', amount=account.arr * 0.2)

Интеграция с инструментами CS

Gainsight, ChurnZero, Totango: Эти платформы уже имеют native health scoring. Кастомная ML-модель экспортирует score через API → заменяет или дополняет встроенные правила.

CRM (Salesforce, HubSpot): Custom field "AI Health Score" на объекте Account. Обновляется еженедельно. Используется в reports и forecasting.

Product Analytics (Amplitude, Mixpanel, Heap): Источник usage-данных. Отдельный API/export для B2B account-level агрегации.

Сроки: feature pipeline + rule-based score + Salesforce интеграция — 3-4 недели. ML-модель обучения и валидации + automated playbook triggers + Gainsight integration — 6-8 недель.