Was ist ein Customer Health Score? Definition, Aufbau und Berechnung

Der Kunde loggt sich häufig ein, meldet kaum Supportfälle und nimmt regelmäßig an Terminen teil. Der Health Score steht auf Grün. Drei Monate später kündigt der Kunde trotzdem. War der Score falsch?

Vielleicht. Wahrscheinlicher ist jedoch, dass er nur Aktivität gemessen hat. Ein belastbarer Customer Health Score muss mehr erfassen: die Qualität der Kundenbeziehung, die wirksame Produktnutzung und die tatsächlich realisierte Wertwirkung. Erst das Zusammenspiel dieser Dimensionen macht aus einzelnen Datenpunkten ein sinnvolles Frühwarnsystem.

Das Wichtigste in Kürze

• Customer Health beschreibt den mehrdimensionalen Zustand einer Kundenbeziehung. Der Customer Health Score übersetzt ausgewählte Signale in eine verdichtete Bewertung.
• Nach Hochstein et al. gehören Beziehungsqualität, Produktnutzung und Wertrealisierung zu den zentralen Dimensionen.
• Der Score priorisiert Aufmerksamkeit und liefert Hypothesen. Er beweist weder Kundenerfolg noch eine bevorstehende Kündigung.
• Supportkontakte, Umfragewerte oder die Aktivität von Power Usern sind kontextabhängige Signale. Ein einzelner Wert genügt daher nicht.
• Gewichtungen, Schwellenwerte und Ampelfarben müssen zum Kundensegment, Anwendungsfall und Lifecycle passen.
• Unternehmen sollten neben dem Score immer seine Treiber, seinen Verlauf und die Qualität der zugrunde liegenden Daten zeigen.

Was bedeutet Customer Health?

Hochstein et al. (2023) führen Customer Health als zentrales Element einer Customer-Success-Strategie ein. Ihr Modell verbindet drei Dimensionen: Beziehungsqualität, Produktnutzung und Wertrealisierung. Dabei fließen sowohl objektive Daten als auch subjektive Einschätzungen ein.

Für diese Artikelserie gilt deshalb folgende Arbeitsdefinition:

Customer Health beschreibt den aktuellen, mehrdimensionalen Zustand einer Kundenbeziehung im Hinblick auf Beziehungsqualität, Produktnutzung und Wertrealisierung.

Definitionshinweis: eigene deutschsprachige Synthese auf Grundlage von Hochstein et al. (2023).

„Gesund“ bedeutet somit nicht nur, dass der Kunde aktiv ist. Eine gesunde Beziehung ermöglicht es beiden Seiten, Probleme früh zu erkennen, relevante Nutzung zu stabilisieren und den angestrebten Kundennutzen sichtbar zu machen.

Was ist ein Customer Health Score?

Customer Health und Customer Health Score sind nicht identisch. Customer Health bezeichnet das zu beurteilende Konstrukt. Der Score ist dagegen ein unternehmensspezifisches Messmodell, das ausgewählte Beobachtungen zusammenführt.

Ein Customer Health Score verdichtet definierte Signale aus Beziehungsqualität, Produktnutzung und Wertrealisierung zu einer vergleichbaren Bewertung, damit ein Unternehmen Veränderungen erkennt, Kunden priorisiert und passende Maßnahmen einleitet.

Definitionshinweis: eigene Synthese und Operationalisierung auf Grundlage von Hochstein et al. (2020, 2023) sowie Zakrzewski (2023).

Der Score kann als Zahl, Stufe oder Ampel erscheinen. Seine Darstellung ist jedoch zweitrangig. Entscheidend sind die Qualität der Eingangsdaten, die nachvollziehbare Berechnung und die Frage, welche Handlung aus einem Signal folgt.

Wozu dient der Customer Health Score?

Ein Customer Success Manager kann nicht jeden Kunden täglich gleich intensiv prüfen. Deshalb hilft der Score, Veränderungen im Kundenportfolio zu erkennen und Aufmerksamkeit zu verteilen.

In seiner Dissertation ordnet Zakrzewski (2023) den Customer Health Score als Indikator für eine dynamische und proaktive Segmentierung von Kundenbeziehungen ein. „Dynamisch“ bedeutet: Die Priorität eines Kunden kann sich mit seiner Situation verändern. „Proaktiv“ bedeutet: Das Team wartet nicht erst auf eine Kündigung oder Eskalation.

Damit beantwortet der Score vor allem drei Fragen: Wo verändert sich die Beziehung? Welche Kunden brauchen jetzt eine genauere Prüfung? Und welche Signale sollte der CSM mit dem Kunden validieren? Er ersetzt jedoch nicht die Diagnose.

Die drei Dimensionen der Customer Health

Das Modell von Hochstein et al. schafft eine wissenschaftlich begründete Struktur. Innerhalb der drei Dimensionen müssen Unternehmen anschließend passende Signale für ihr eigenes Geschäftsmodell auswählen.

Dimension	Zentrale Frage	Mögliche Signale
Beziehungsqualität	Tragen relevante Stakeholder die Zusammenarbeit?	Executive Sponsorship, Kontaktqualität, Verbindlichkeit, Feedback, Stakeholderwechsel
Produktnutzung	Nutzen die vorgesehenen Rollen die Lösung wirksam?	Reichweite, Nutzungstiefe, Regelmäßigkeit, relevante Workflows, Power-User-Verteilung
Wertrealisierung	Entsteht der angestrebte Nutzen beim Kunden?	Zielfortschritt, Prozesswirkung, Geschäftsergebnis, bestätigter Value-in-Use

Tabelle 1: Drei Dimensionen eines Customer-Health-Modells mit möglichen Signalen. Eigene Darstellung und Operationalisierung auf Grundlage von Hochstein et al. (2023). Die Beispiele sind keine allgemeingültige Standardliste.

Die Dimensionen ergänzen sich. Eine hohe Produktnutzung kann eine schwache Beziehung nicht ausgleichen. Ebenso wenig genügt eine gute Beziehung, wenn der Kunde keinen Nutzen realisiert.

Beziehungsqualität reicht über Kontaktfrequenz hinaus

Viele Meetings erzeugen nicht automatisch eine belastbare Kundenbeziehung. Entscheidend ist vielmehr, ob die richtigen Personen beteiligt sind, Informationen offen teilen und vereinbarte Beiträge leisten.

Ein engagierter operativer Ansprechpartner kann die Nutzung stark fördern. Fehlt jedoch ein kundenseitiger Business Owner, bleibt die Lösung bei veränderten Prioritäten angreifbar. Außerdem kann ein Wechsel des Sponsors ein frühes Risikosignal darstellen, obwohl alle übrigen Kennzahlen noch stabil wirken.

Deshalb sollte die Beziehungsdimension quantitative und qualitative Daten verbinden. Termine, Antwortzeiten oder Teilnehmerzahlen liefern objektive Hinweise. Der CSM ergänzt sie durch strukturierte Einschätzungen zur Stakeholder-Abdeckung, Verbindlichkeit und Zielkongruenz. Diese Einschätzungen brauchen klare Kriterien und eine kurze Begründung.

Product Adoption ist wichtig, aber nicht der ganze Score

Produktdaten aktualisieren sich häufig und wirken objektiv. Daher erhalten sie in vielen Modellen ein hohes Gewicht. Dennoch misst ein Login zunächst nur einen Zugang und ein Klick nur eine Aktivität.

Der Beitrag Product Adoption im Customer Success unterscheidet deshalb Reichweite, Nutzungstiefe und Stabilität. Zusätzlich muss das Unternehmen prüfen, ob relevante Funktionen in den vorgesehenen Arbeitsprozessen zum Einsatz kommen.

Auch Power User benötigen Kontext. Ein aktiver Power User kann andere befähigen und einen wichtigen Prozess tragen. Er kann aber ebenso eine gefährliche Abhängigkeit verdecken. Verlässt diese Person das Unternehmen, bricht die Nutzung möglicherweise ein. Der Score sollte deshalb nicht nur Aktivität belohnen, sondern auch die Verteilung auf Rollen und Teams betrachten.

Wertrealisierung schließt die entscheidende Lücke

Nutzung ist eine Voraussetzung für Value-in-Use, aber kein Beweis dafür. Ein Kunde kann eine Lösung intensiv einsetzen, ohne sein Geschäftsziel zu erreichen. Umgekehrt kann eine kleine Nutzergruppe einen hohen Wertbeitrag erzeugen.

Deshalb benötigt der Health Score Signale zur Wertrealisierung. Gehring et al. (2026) fassen Kundenerfolg als Ausmaß, Übereinstimmung und Sichtbarkeit der Zielerreichung. Der Success Plan liefert dafür Kundenziele, Baselines, Zielwerte und Nachweise. Der Beitrag zur Wertrealisierungsfunktion im Customer Success erläutert die Verbindung vom Ziel zum sichtbaren Outcome.

Bischoff (2023) zeigt zudem, dass das systematische Monitoring von Value-in-Use eine eigenständige Managementaufgabe darstellt. Daher sollte der Score nicht nur fragen, ob der Kunde die Lösung nutzt. Er sollte auch abbilden, ob beide Seiten Fortschritt belegen und gemeinsam bestätigen können.

Supportdaten sind mehrdeutige Signale

Viele Tickets können auf technische Probleme, fehlendes Training oder einen ungeeigneten Prozess hinweisen. Sie können jedoch auch von einer engagierten Nutzergruppe stammen, die die Lösung intensiv erschließt. Umgekehrt bedeutet völlige Stille nicht automatisch Gesundheit. Vielleicht haben Nutzer aufgegeben oder kennen den Supportweg nicht.

Deshalb sollten Unternehmen Supportkontakte nach Anlass, Schweregrad, Wiederholung, betroffener Rolle und Auswirkung auf relevante Workflows bewerten. Besonders aussagekräftig sind Muster: wiederkehrende Blocker, ungelöste kritische Fälle oder ein Nutzungsrückgang nach einer Störung.

Methodenhinweis: Diese Kontextlogik für Supportsignale ist eine eigene Praxissynthese. Hochstein et al. (2020) nennen Supportdaten als möglichen objektiven Bestandteil eines Health Scores, geben jedoch keine universelle Bewertungsformel vor.

Ein guter Score verbindet verschiedene Signalarten

Hochstein et al. (2020) empfehlen, Früh- und Spätindikatoren sowie objektive und subjektive Daten zu verbinden. Dadurch reduziert ein Unternehmen die Abhängigkeit von einer einzelnen Perspektive.

Signalart	Beispiel	Nutzen	Grenze
Objektiver Frühindikator	Rückgang eines wertrelevanten Workflows	Zeigt eine Veränderung früh	Erklärt die Ursache nicht
Subjektiver Frühindikator	CSM erkennt sinkende Verbindlichkeit des Sponsors	Erfasst Beziehungskontext	Benötigt klare Bewertungskriterien
Objektiver Spätindikator	Verfehlter Prozesszielwert	Belegt eine Ergebnislücke	Kommt für Prävention möglicherweise spät
Subjektiver Spätindikator	Kunde bestätigt fehlenden Nutzen	Macht Kundensicht sichtbar	Kann von einzelnen Stakeholdern abhängen

Tabelle 2: Beispiele für Signalarten im Customer Health Score. Eigene Darstellung und Operationalisierung auf Grundlage von Hochstein et al. (2020).

Die Kombination macht den Score belastbarer. Gleichzeitig müssen Nutzer jede Abweichung bis zu ihren Ausgangsdaten zurückverfolgen können.

Wie lässt sich ein Customer Health Score berechnen?

Eine einfache Berechnung normalisiert die drei Dimensionen auf einer Skala von 0 bis 100 und gewichtet sie anschließend:

Customer Health Score = (wB × B) + (wN × N) + (wW × W)

Dabei steht B für Beziehungsqualität, N für Produktnutzung und W für Wertrealisierung. Die Gewichte wB, wN und wW ergeben zusammen 100 Prozent.

Formelhinweis: eigene beispielhafte Operationalisierung auf Grundlage der drei Dimensionen von Hochstein et al. (2023). Weder die Formel noch bestimmte Gewichte sind ein wissenschaftlich normierter Branchenstandard.

Ein Unternehmen könnte beispielsweise 30 Prozent Beziehung, 30 Prozent Nutzung und 40 Prozent Wertrealisierung ansetzen. Bei Dimensionswerten von 72, 58 und 80 ergäbe sich ein Gesamtscore von 71 Punkten. Diese Zahlen illustrieren nur die Rechenlogik. Ein anderes Geschäftsmodell kann andere Gewichte benötigen.

Warum universelle Schwellenwerte nicht funktionieren

Ein Score von 70 ist nicht von sich aus „gesund“. Das Unternehmen muss erst prüfen, wie Scores und spätere Ergebnisse in seinen eigenen Daten zusammenhängen. Zudem unterscheiden sich Kundensegmente, Anwendungsfälle und Lifecycle-Phasen.

Während des Onboardings kann eine geringe Nutzungsbreite normal sein. Nach einem Jahr wäre dieselbe Ausprägung womöglich kritisch. Ebenso braucht eine kleine Fachanwendung andere Signale als eine unternehmensweite Plattform.

Deshalb sollten Teams Schwellenwerte anhand historischer Verläufe testen und regelmäßig kalibrieren. Sie vergleichen beispielsweise frühere Scores mit späteren Renewals, Kündigungen und bestätigter Wertrealisierung. Danach prüfen sie Fehlalarme und übersehene Risiken. Erst diese Validierung macht eine Ampel zu einem belastbaren Arbeitsinstrument.

Trend und Datengüte gehören neben den Score

Ein einzelner Punktwert verdeckt Bewegungen. Ein Kunde mit 68 Punkten und steigender Tendenz befindet sich in einer anderen Situation als ein Kunde mit 68 Punkten nach einem starken Absturz. Daher sollte jedes Dashboard mindestens den aktuellen Wert, den Verlauf und die wichtigsten Treiber zeigen.

Auch fehlende Daten dürfen nicht automatisch als schlechte Gesundheit gelten. Wenn kein aktueller Zielnachweis vorliegt, ist zunächst die Datenlage unsicher. Das Unternehmen sollte diese Unsicherheit separat ausweisen.

Eine mögliche eigene Operationalisierung lautet: Datenabdeckung = aktuelle verfügbare Pflichtsignale geteilt durch alle definierten Pflichtsignale mal 100. Diese Kennzahl misst nicht Customer Health. Sie zeigt lediglich, wie belastbar die Bewertung aktuell sein kann.

Vom Score zur konkreten Handlung

Der Score erzeugt erst dann Nutzen, wenn er eine Prüfung und eine passende Handlung auslöst. Dafür müssen CSMs die einzelnen Treiber sehen.

Signalmuster	Zu prüfende Hypothese	Mögliche nächste Handlung
Nutzung sinkt, Wertnachweis bleibt stabil	Prozess oder Nutzerkreis hat sich verändert	Nutzungskontext mit Power User und Business Owner prüfen
Nutzung steigt, Wert bleibt unklar	Aktivität führt noch nicht zum Ziel	Outcome-Messung im Success Plan konkretisieren
Beziehung schwächt sich, Nutzung bleibt hoch	Stakeholder- oder Prioritätsrisiko entsteht	Sponsor- und Rollenlage gemeinsam klären
Kritische Tickets häufen sich, Kernworkflow sinkt	Technischer Blocker gefährdet Adoption	Supportursache lösen und Wirkung anschließend messen

Tabelle 3: Beispielhafte Übersetzung von Health-Signalen in Hypothesen und Handlungen. Eigene Darstellung und Praxissynthese; keine standardisierten Playbooks.

Der CSM behandelt das Signal als Hypothese und validiert es mit dem Kunden. So verhindert er, dass ein automatisierter Wert über Menschen und Beziehungen urteilt.

Wer verantwortet den Customer Health Score?

Customer Success sollte die fachliche Logik und die Handlungen verantworten. Die Eingangsdaten entstehen jedoch in mehreren Funktionen. Product liefert Nutzungsdaten, Support liefert Fallmuster und Finance gegebenenfalls Zahlungssignale. Der Kunde bestätigt Ziele, Kontext und Wertwirkung.

Data- oder Operations-Teams können Berechnung und Datenqualität sichern. Trotzdem darf der Score nicht zu einer technischen Blackbox werden. CSMs müssen erklären können, warum sich ein Wert verändert hat und welche Daten dahinterstehen.

Mindestens quartalsweise sollte ein funktionsübergreifendes Team Eingangsgrößen, Gewichte und Schwellenwerte prüfen. Änderungen müssen dokumentiert werden. Andernfalls lassen sich Trends vor und nach einer Modelländerung nicht sauber vergleichen.

Typische Fehler beim Customer Health Score

Ein häufiger Fehler ist die Gleichsetzung von Nutzung und Gesundheit. Ebenso problematisch sind universelle Gewichte, die nie anhand eigener Kundendaten geprüft wurden.

Auch der Renewal-Status gehört nicht automatisch in ein Modell, das Renewals vorhersagen soll. Sonst erklärt das Ergebnis lediglich sich selbst. Darüber hinaus darf ein subjektiver CSM-Wert nicht ohne Kriterien und Begründung einfließen.

Methodenhinweis: Die Empfehlung, Zielvariable und Eingangssignale eines Vorhersagemodells zu trennen, ist eine eigene methodische Einordnung für die praktische Score-Gestaltung.

Schließlich führt eine Ampel ohne Treiber nicht zu einer Diagnose. Sie erzeugt nur Farbe. Ein wirksames Modell zeigt deshalb Dimensionen, Veränderungen, Datengüte und nächste Prüfschritte. Außerdem lernt es aus erfolgreichen und erfolglosen Interventionen.

Fazit: Customer Health ist mehr als eine Ampelfarbe

Ein Customer Health Score macht komplexe Kundenbeziehungen überschaubar. Dafür verbindet er Beziehungsqualität, wirksame Produktnutzung und Wertrealisierung. Objektive Daten ergänzen qualitative Einschätzungen; frühe Signale ergänzen spätere Ergebnisnachweise.

Der Score bleibt dennoch ein Modell. Er priorisiert Aufmerksamkeit, formuliert Hypothesen und unterstützt proaktives Handeln. Er beweist weder Kundenerfolg noch eine Kündigungsabsicht.

Deshalb entsteht die eigentliche Wertwirkung nach der Berechnung: Der CSM prüft die Treiber, spricht mit den richtigen Stakeholdern und führt neue Erkenntnisse in Success Plan und Maßnahmen zurück. Erst dann wird aus einer Kennzahl ein Steuerungsinstrument für Customer Success.

Wissenschaftliche Quellen

• Bischoff, P. (2023): Customer value-in-use monitoring in business markets: An investigation into its determinants and consequences. Industrial Marketing Management, 112, 160–174.
• Gehring, A., Ulaga, W., Eggert, A. und Hochstein, B. (2026): Customer success: An interorganizational performance concept in business markets. Journal of the Academy of Marketing Science, 54, 402–425.
• Hochstein, B., Rangarajan, D., Mehta, N. und Kocher, D. (2020): An Industry/Academic Perspective on Customer Success Management. Journal of Service Research, 23(1), 3–7.
• Hochstein, B., Voorhees, C. M., Pratt, A. B., Rangarajan, D., Nagel, D. M. und Mehrotra, V. (2023): Customer success management, customer health, and retention in B2B industries. International Journal of Research in Marketing, 40(4), 912–932.
• Zakrzewski, K. (2023): Customer success management as a strategic function. Kumulative Dissertation, Katholische Universität Eichstätt-Ingolstadt. Enthaltenes Manuskript: Dynamic & proactive segmentation of post-sale customer relationships in B2B subscription settings: The customer health score.

Praxisquellen

• Gainsight: Customer Health Score Explained: Metrics, Models & Tools.
• Hochstein, B., Voorhees, C., Johnson, R., McCoy, N. und Mehrotra, V. (2024): Toward Healthier B2B Relationships. Harvard Business Review, Juli–August 2024.

Hinweis zur Quellenverwendung

Die drei grundlegenden Dimensionen der Customer Health stammen aus Hochstein et al. (2023). Die Arbeitsdefinitionen, Tabellen, Beispielsignale, Formel, Gewichte, Datenabdeckung und Handlungsmuster sind ausdrücklich gekennzeichnete eigene Synthesen oder Operationalisierungen. Sie stellen keine wissenschaftlich normierten Branchenstandards dar. Unternehmen müssen ihre konkrete Score-Logik anhand eigener Kundensegmente, Daten und Ergebnisse validieren.