Customer Health Score: Wie du gefährdete Kunden früh erkennst
Was ein Customer Health Score ist, welche Signale eine Kündigung ankündigen, was Studien dazu zeigen und wie du im B2B mit einer Tabelle anfängst.
Ein Kunde kündigt, und im Team ist die Überraschung groß. Beim Blick zurück waren die Zeichen da. Die Nutzung ging seit Wochen zurück, die Ansprechpartnerin hatte das Unternehmen verlassen, zwei Support-Fälle blieben lange offen. Gesehen hat das niemand, weil niemand regelmäßig danach geschaut hat.
In vielen Unternehmen läuft die Kundenbetreuung nach Gefühl. Wer sich meldet, bekommt Aufmerksamkeit. Wer still wird, fällt durch. Ein Customer Health Score dreht das um. Er zeigt für jeden Kunden, wie es um ihn steht, und meldet, wenn sich etwas Wichtiges ändert.
Was Bestandskunden wert sind
Oft zitiert wird, dass fünf Prozent mehr Kundenbindung den Gewinn um 25 bis 95 Prozent steigern. Die Spanne stammt aus einem Artikel von Bain-Beratern über Online-Händler aus dem Jahr 2000. Gemessen wurde sie nicht. Byron Sharp vom Ehrenberg-Bass-Institut nennt zwei Haken. Gemeint sind fünf Prozentpunkte weniger Abwanderung, also oft eine Halbierung. Und die Kosten dafür sind nicht eingerechnet.
Belastbarer ist eine Studie aus dem Journal of Marketing Research. Sunil Gupta und Kollegen haben fünf US-Unternehmen durchgerechnet. Ein Prozent bessere Kundenbindung hob den Wert des Kundenstamms um drei bis sieben Prozent. Ein Prozent mehr Marge brachte nur etwa ein Prozent.
Treue allein ist aber noch kein Gewinn. Werner Reinartz, heute an der Universität zu Köln, und V. Kumar fanden nur einen schwachen Zusammenhang zwischen Kundendauer und Gewinn. Bei einem B2B-Dienstleister zahlten langjährige Kunden sogar fünf bis sieben Prozent weniger als neue. Ein guter Health Score zeigt deshalb nicht nur das Risiko, sondern auch, was ein Kunde wert ist.
Im deutschsprachigen Raum ist das Thema angekommen. In der Customer Management Studie 2022 der ZHAW legten knapp 60 Prozent der befragten Unternehmen ihren Schwerpunkt auf Kundenbindung. Bei B2B-Firmen waren es mit 52,5 Prozent weniger als bei B2C-Firmen.
Was ein Health Score ist
Ein Health Score fasst mehrere Signale zu einer Einschätzung je Kunde zusammen. Üblich ist eine Ampel aus Grün, Gelb und Rot, dahinter steht oft eine Zahl von 0 bis 100. Entscheidend ist nicht die Zahl. Entscheidend ist, dass sie früher warnt als die Kündigung.
Die Forschung beschreibt Customer Health als zusammengesetzte Kennzahl. Dazu gehören die Qualität der Beziehung, die Nutzung des Produkts und der Nutzen, den der Kunde tatsächlich erreicht. Das schreiben Bryan Hochstein und Kollegen 2023 im International Journal of Research in Marketing. Die Kennzahl mischt harte Daten mit Einschätzungen der Menschen, die den Kunden betreuen.
Welche Signale etwas sagen
Gute Signale ändern sich, bevor der Kunde kündigt. Die Kündigung selbst oder eine schlechte Bewertung kommen meist zu spät. Für den Anfang reichen fünf Bereiche.
- Nutzung: Wie oft und wie breit nutzt der Kunde dein Produkt oder deine Leistung? Sinkt die Nutzung, ist das oft das früheste Zeichen.
- Ergebnis beim Kunden: Erreicht der Kunde, wofür er gekauft hat? Ohne messbares Ergebnis fehlt ihm bei der Verlängerung das Argument.
- Beziehung: Gibt es eine feste Ansprechperson, und ist sie noch da? Ein Wechsel auf Kundenseite ist eines der größten Risiken.
- Support: Häufen sich Fälle, bleiben sie lange offen, kommen dieselben Beschwerden wieder?
- Zahlung und Vertrag: Verspätete Zahlungen, Rückfragen zur Rechnung oder der Wunsch nach weniger Umfang gehören dazu.
Für die Nutzung gibt es einen Beleg aus dem deutschen Markt. Ein Anbieter von Cloud-Software für die Unternehmenssteuerung mit Kunden in Deutschland und der Türkei hat seine Nutzungsdaten ausgewertet. Ein Modell daraus sagte in rund acht von zehn Fällen richtig voraus, ob ein Kunde kündigt. Am meisten verriet, wie tief der Kunde die Software nutzt. Support-Fälle waren weniger aussagekräftig.
Zur Zufriedenheit gibt es eine Studie der Universität Groningen mit Privatkunden. Der Anteil sehr zufriedener Kunden sagte dort die Bindung am besten voraus. Mehrere Kennzahlen zusammen sind besser als eine einzelne. Für Zahlung und Ansprechperson habe ich keine geprüfte Studie gefunden. Hier stütze ich mich auf Erfahrung aus der Praxis.
Muster: ein Health Score für den Anfang
Das folgende Muster kannst du auf dein Geschäft anpassen. Es passt in eine Tabelle und braucht keine eigene Software.
| Signal | Gewicht | Grün | Gelb | Rot |
|---|---|---|---|---|
| Nutzung im Vergleich zum Vormonat | 35 % | gleich oder mehr | bis zu 20 % weniger | mehr als 20 % weniger |
| Ansprechperson | 20 % | bekannt, Kontakt in den letzten 30 Tagen | Kontakt vor 30 bis 90 Tagen | gewechselt oder seit 90 Tagen kein Kontakt |
| Support | 15 % | kein Fall länger als 7 Tage offen | ein Fall länger als 7 Tage offen | mehrere Fälle oder eine Beschwerde |
| Zufriedenheit | 15 % | sehr zufrieden | zufrieden | weniger zufrieden oder keine Antwort |
| Zahlung und Vertrag | 15 % | pünktlich | einmal verspätet | Mahnung oder Wunsch nach weniger Umfang |
In Abbildung 1 kannst du die Werte verschieben und sehen, ab wann die Ampel umspringt.
Abbildung 1 · Rechenbeispiel
Wann die Ampel bei einem Kunden auf Rot springt
Zu sehen sind fünf Regler, je ein Signal aus der Tabelle, und darunter die Ampel mit dem Wert. Die Regler stehen auf Beispielwerten, gemessen ist hier nichts.
Gesamtwert 85 von 100 Punkten, Grün.
Gerechnet ist je Signal Grün mit 100 Punkten, Gelb mit 50 und Rot mit 0, jeweils mal das Gewicht. Ab 70 Punkten ist der Kunde grün, ab 40 gelb, darunter rot. Der Wert ist auf ganze Punkte gerundet.
Grün zählt 100 Punkte, Gelb 50, Rot 0. Mit den Gewichten ergibt sich der Wert des Kunden. Ab 70 Punkten ist er grün, ab 40 gelb, darunter rot. Die Gewichte sind ein Startpunkt, eine wissenschaftlich begründete Standardgewichtung gibt es nicht. Prüf sie nach drei bis sechs Monaten an den Kunden, die tatsächlich gekündigt haben.
Vom Wert zur Handlung
Ein Wert allein ändert nichts. Jede Farbe braucht eine feste Reaktion mit Namen und Frist.
- Rot: Die zuständige Person ruft innerhalb von zwei Werktagen an. Ziel ist ein Termin mit der Person, die beim Kunden entscheidet. Die Leitung sieht jeden roten Kunden in der Wochenrunde.
- Gelb: Die zuständige Person sucht die Ursache. Sie bietet etwas Konkretes an, etwa eine Schulung oder ein Gespräch über die Ziele.
- Grün: Jetzt passt ein Gespräch über Ausbau oder Empfehlung. Vorher nicht.
In der Praxis sehe ich oft dasselbe Muster. Das Verhalten des Kunden ändert sich, aber die Ansprechperson sagt, alles sei in Ordnung. Genau dann zeigt der Score, dass du früh das Gespräch suchen solltest. Sprich Probleme offen an, nur so drehst du den Kunden zurück ins Grüne. Abbildung 2 zeigt einen solchen Verlauf.
Abbildung 2 · Beispiel
Der Score warnt früher als die Ansprechperson
Zu sehen ist der Score eines ausgedachten Kunden über zwölf Wochen, keine Messung. Ab Woche 5 sinkt seine Nutzung, nach dem Gespräch in Woche 9 steigt der Score wieder. Die Werte folgen dem Muster aus der Tabelle.
Dass gezielte Ansprache wirkt, zeigt ein Feldexperiment der Universität zu Köln mit Geschäftskunden eines Großhändlers. Wurden die Kunden nach einer Prognose ausgewählt statt zufällig, sank die Abwanderung um mehr als zehn Prozent.
Die Handlung muss aber passen. In einem Feldexperiment von Eva Ascarza und Kollegen bekamen Kunden von sich aus einen günstigeren Tarif angeboten. Danach kündigten in drei Monaten 10 Prozent statt 6 Prozent. Das Angebot hatte sie erst auf das Thema gebracht. Ascarza zeigte 2018 auch, dass die Kunden mit dem höchsten Risiko nicht automatisch am besten auf eine Maßnahme ansprechen. Der Score sagt dir, wo du hinschauen musst. Was los ist, klärt das Gespräch.
Melden, was sich ändert
Der Wert hilft nur dem, der hinschaut. Deshalb gehört eine Benachrichtigung dazu. Sie meldet nicht jeden Ausschlag, sondern nur Veränderungen, auf die jemand reagieren muss.
- Ein Kunde fällt von Grün auf Gelb oder von Gelb auf Rot.
- Die Nutzung fällt deutlich unter das, was bei diesem Kunden üblich ist.
- Die Ansprechperson wechselt oder ist nicht mehr erreichbar.
- Eine Verlängerung steht in 90 Tagen an, und der Kunde ist nicht grün.
Wichtig ist der Maßstab. Niels Holtrop und Jaap Wieringa haben das in einem Feldtest mit 16.790 Kunden eines niederländischen Händlers geprüft. Ein Signal nach dem üblichen Rhythmus jedes einzelnen Kunden steigerte die Aktivität um 1,9 bis 3,5 Prozentpunkte. Eine feste Regel für alle, Kontakt nach zwei Monaten ohne Kauf, war nicht besser als nichts zu tun. Miss Veränderungen deshalb am Kunden selbst, nicht an einem Durchschnitt.
Die Nachricht geht an die zuständige Person, nicht an alle. Sie sagt, was passiert ist und was jetzt zu tun ist.
Warum viele Unternehmen trotzdem nach Gefühl betreuen
Dass Kündigungen sich ankündigen, bestreitet niemand. Trotzdem haben die wenigsten Unternehmen einen Health Score. Die Studien zeigen vier Gründe.
Die Daten fehlen. In Deutschland und Österreich nutzen drei von vier Unternehmen mit 10 bis 49 Beschäftigten keine CRM-Software. Das zeigt die amtliche Statistik von Eurostat. Von den kleinen und mittleren Unternehmen im deutschsprachigen Raum erheben 35 Prozent Daten zum Verhalten ihrer Kunden. Bei großen sind es 57 Prozent (ZHAW 2022). Und sechs von zehn deutschen Unternehmen nutzen ihre Daten kaum oder gar nicht, ergab eine Befragung des Bitkom 2025.
Gemessen wird, aber ohne Folgen. Deloitte hat 2025 deutsche Großunternehmen befragt. 94 Prozent halten es für entscheidend, Kundenkennzahlen mit Finanzzahlen zu verbinden. Es gelingt 20 Prozent.
Das Vertrauen in die Zahl ist zerbrechlich. Menschen verlieren das Vertrauen in eine Formel schneller als in einen Kollegen, sobald sie einen Fehler sehen. Das zeigten Berkeley Dietvorst und Kollegen in fünf Experimenten. Dürfen sie das Ergebnis leicht anpassen, nutzen sie die Formel deutlich häufiger. Lass deshalb die zuständige Person den Wert mit Begründung korrigieren.
Erfahrung fühlt sich sicherer an. Ganz falsch ist das nicht. Forscher der TU München zeigten, dass einfache Faustregeln erfahrener Manager Kundenaktivität oft so gut vorhersagen wie aufwendige Modelle. Eine Metaanalyse über viele Fachgebiete fand aber, dass Formeln im Schnitt etwa zehn Prozent genauer sind als menschliches Urteil. Ein guter Health Score hält die Erfahrung fest, prüft sie und macht sie für alle sichtbar.
Was ich 2026 bei einem Software-Unternehmen aufgebaut habe
2026 habe ich bei einem Software-Unternehmen ein automatisches Health-System für die Kundensteuerung aufgebaut und im Customer Success eingeführt. Es zeigt für jeden Kunden, wie es um ihn steht, und schätzt das Risiko ein. Dazu schlägt es die passende Handlung vor. Ändert sich etwas Wichtiges, bekommt die zuständige Person eine Nachricht. Aus dem Bauchgefühl Einzelner wurde so eine Grundlage, über die das ganze Team sprechen kann.
Was du diese Woche prüfen kannst
- Nimm die letzten fünf Kündigungen und notiere, welche Zeichen es drei Monate vorher gab.
- Prüf, welche dieser Signale du heute schon messen kannst und wo die Daten liegen.
- Leg für jeden Kunden eine zuständige Person fest.
- Starte mit drei bis fünf Signalen und einer Ampel in einer Tabelle. Automatisieren kannst du später.
- Leg fest, was bei Rot passiert, mit Namen und Frist.
Die Daten dafür liegen meist im CRM, im Ticketsystem und in der Buchhaltung. Wie du ein CRM aufsetzt, das diese Daten liefert, steht im Beitrag CRM Einführung im KMU: Vertriebsstruktur in 90 Tagen. Soll jemand die Kundenbetreuung für eine Zeit übernehmen und aufbauen, ist das ein Fall für Interim Management.
Fazit
Ein Health Score ersetzt nicht das Gespräch mit dem Kunden. Er sorgt dafür, dass es rechtzeitig stattfindet. Fang klein an, prüf ihn an echten Kündigungen und knüpf an jede Farbe eine Handlung.
Quellen
- E-Loyalty: Your Secret Weapon on the Web, Frederick F. Reichheld und Phil Schefter, Harvard Business Review, Juli 2000, bain.com
- Loyalty Myths, Byron Sharp, Ehrenberg-Bass Institute for Marketing Science, marketingscience.info
- Valuing Customers, Sunil Gupta, Donald R. Lehmann, Jennifer Ames Stuart, Journal of Marketing Research 41(1), 2004, business.columbia.edu
- The Mismanagement of Customer Loyalty, Werner Reinartz und V. Kumar, Harvard Business Review, Juli 2002, hbr.org
- Customer Management Studie 2022, Reto Heierli und Kollegen, ZHAW Institut für Marketing Management, digitalcollection.zhaw.ch
- Customer success management, customer health, and retention in B2B industries, Bryan Hochstein und Kollegen, International Journal of Research in Marketing 40(4), 2023, doi.org
- A novel methodological approach to SaaS churn prediction using whale optimization algorithm, Muhammed Kotan und Kollegen, PLOS ONE 20(5), 2025, pmc.ncbi.nlm.nih.gov
- The predictive ability of different customer feedback metrics for retention, Evert de Haan, Peter C. Verhoef, Thorsten Wiesel, International Journal of Research in Marketing 32(2), 2015, doi.org
- Proactive customer retention management in a non-contractual B2B setting based on churn prediction with random forests, Theresa Gattermann-Itschert und Ulrich W. Thonemann, Industrial Marketing Management 107, 2022, doi.org
- The Perils of Proactive Churn Prevention Using Plan Recommendations, Eva Ascarza, Raghuram Iyengar, Martin Schleicher, Journal of Marketing Research 53(1), 2016, doi.org
- Retention Futility: Targeting High-Risk Customers Might Be Ineffective, Eva Ascarza, Journal of Marketing Research 55(1), 2018, doi.org
- Timing Customer Reactivation Initiatives, Niels Holtrop und Jaap E. Wieringa, Marketing Science Institute Working Paper 20-120, 2020, thearf-org-unified-admin.s3.amazonaws.com
- Unternehmen mit CRM-Software nach Größe, Eurostat, Datensatz isoc_eb_iip, 2025, ec.europa.eu
- Data Economy, Studienbericht, Bitkom, 2025, bitkom.org
- CX Evolution, Customer Experience Studie 2025, Deloitte Digital, deloittedigital.com
- Algorithm Aversion: People Erroneously Avoid Algorithms after Seeing Them Err, Berkeley J. Dietvorst, Joseph P. Simmons, Cade Massey, Journal of Experimental Psychology: General 144(1), 2015, doi.org
- Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them, Berkeley J. Dietvorst, Joseph P. Simmons, Cade Massey, Management Science 64(3), 2018, doi.org
- Instant Customer Base Analysis: Managerial Heuristics Often Get It Right, Markus Wübben und Florian v. Wangenheim, Journal of Marketing 72(3), 2008, doi.org
- Clinical versus mechanical prediction: A meta-analysis, William M. Grove und Kollegen, Psychological Assessment 12(1), 2000, doi.org
