Customer Health Score là gì? Cách phát hiện sớm khách hàng cần hỗ trợ

Customer Health Score là gì? Customer Health Score (điểm sức khoẻ khách hàng) là một con số tổng hợp từ vài tín hiệu — mức sử dụng sản phẩm, ticket hỗ trợ, thanh toán, phản hồi — cho biết mỗi khách đang ổn, cần theo dõi hay có nguy cơ rời đi. Nó là công cụ vận hành hằng tuần: giúp đội chăm sóc khách biết hôm nay nên gọi cho ai trước.

Điểm khác cốt lõi so với Churn Analysis: churn analysis nhìn lại những khách đã rời để tìm nguyên nhân; health score nhìn trước, gắn cờ khách còn đang ở lại nhưng bắt đầu có dấu hiệu giống những người đã rời. Hai việc bổ trợ nhau — nguyên nhân tìm được từ churn analysis chính là nguồn chọn tín hiệu cho health score.

Chọn tín hiệu theo nhịp dùng thật của sản phẩm

Sai lầm phổ biến nhất là lấy “số lần đăng nhập” làm tín hiệu chính cho mọi sản phẩm. Một phần mềm tính lương dùng mỗi tháng một lần thì khách đăng nhập 1 lần/tháng là hoàn toàn khoẻ; một phần mềm bán hàng tại quầy mà khách 5 ngày không mở thì gần như chắc chắn có chuyện. Tín hiệu phải đo theo nhịp sử dụng kỳ vọng của chính sản phẩm đó.

Với doanh nghiệp không bán thuê bao — spa bán liệu trình, trung tâm đào tạo, xưởng in có khách đặt định kỳ — vẫn làm được health score. Tín hiệu là khoảng cách từ lần đến gần nhất so với nhịp bình thường của khách đó, số buổi còn lại trong gói, và lịch hẹn bị huỷ liên tiếp.

Xây health score qua 6 bước

Bước 1. Định nghĩa “khoẻ” bằng kết quả của khách

Khách khoẻ là khách đang đạt được điều họ mua sản phẩm để làm, không phải khách bấm nhiều nút. Viết một câu: “Khách của chúng tôi khoẻ khi họ…”. Với phần mềm quản lý kho, có thể là “xuất nhập kho hằng ngày trên hệ thống và không còn đối chiếu bằng Excel”. Câu này quyết định tín hiệu nào đáng đo.

Bước 2. Chọn 4–6 tín hiệu có nguồn rõ

Mỗi tín hiệu ghi rõ: lấy từ hệ thống nào, tính thế nào, cập nhật bao lâu một lần. Ít tín hiệu mà đáng tin tốt hơn nhiều tín hiệu mà không ai kiểm. Ưu tiên tín hiệu đã từng xuất hiện ở những khách thật sự rời đi — đây là lúc dùng kết quả churn analysis.

Bước 3. Đưa về thang chung và đặt trọng số

Chuyển mỗi tín hiệu về thang 0–100 bằng quy tắc đơn giản, rồi cộng có trọng số. Trọng số ban đầu là phán đoán của người hiểu khách nhất, sẽ được chỉnh ở bước 6. Đừng bắt đầu bằng mô hình máy học khi chưa có vài chục trường hợp rời bỏ để kiểm.

Bước 4. Tách theo phân khúc và giai đoạn

Một bộ trọng số cho mọi khách thường sai ở hai đầu. Khách trong 60 ngày đầu cần đo tiến độ làm quen (đã nhập danh mục chưa, đã bán đơn đầu chưa), không phải mức sử dụng ổn định. Khách gói lớn nhiều chi nhánh cần đo độ phủ giữa các chi nhánh. Nếu khác biệt lớn, tạo hai hoặc ba bảng điểm riêng thay vì cố một công thức chung.

Bước 5. Gắn hành động với từng mức điểm

Điểm không kèm hành động chỉ là thêm một cột trên bảng tính. Mỗi mức cần người phụ trách, việc cụ thể và thời hạn.

Bước 6. Kiểm với churn thật và chỉnh lại

Sau một chu kỳ gia hạn, lấy điểm của từng khách tại thời điểm 90 ngày trước ngày gia hạn và so với kết quả: nhóm đỏ có rời nhiều hơn rõ rệt so với nhóm xanh không? Nếu tỷ lệ rời của ba nhóm gần như nhau, điểm chưa phân biệt được gì — xem lại tín hiệu. Đồng thời đếm các khách rời đi mà vẫn đang xanh: họ cho biết tín hiệu nào đang bị bỏ sót.

Ví dụ: kiểm tra điểm của một phần mềm quản lý spa

Điểm có phân biệt: nhóm đỏ rời gấp khoảng 10 lần nhóm xanh. Nhưng khi đọc kỹ 6 khách xanh vẫn rời, đội phát hiện 4 khách có chung một đặc điểm: chủ spa vừa chuyển giao cho quản lý mới, và quản lý mới chưa từng được hướng dẫn. Tín hiệu “người phụ trách thay đổi” được thêm vào bảng điểm cho quý sau. Đây là cách health score tốt dần — bằng những trường hợp nó đoán sai.

Nhóm vàng là nơi đáng đầu tư nhất: đủ đông, tỷ lệ rời đáng kể, và phần lớn vấn đề còn sửa được bằng hướng dẫn hoặc một cuộc gọi. Nhóm đỏ cần can thiệp, nhưng một số khách đã quyết định rời từ trước khi điểm xuống.

AI làm được gì, không làm được gì

• Làm được: tóm tắt ticket và ghi chú cuộc gọi của một khách thành vài dòng trước khi người phụ trách gọi; gợi ý tín hiệu có thể đáng thử từ danh sách khách đã rời (đã ẩn danh); soạn nháp kịch bản gọi cho từng mức điểm.
• Cần kiểm tra: nhận định cảm xúc trong ticket — khách viết cộc lốc không có nghĩa là khách bực.
• Không làm được: thay bước kiểm với churn thật. Một điểm do AI đề xuất trọng số nghe rất hợp lý vẫn có thể không phân biệt được ai sẽ rời. Mô hình dự báo phức tạp hơn chỉ đáng làm khi có đủ dữ liệu — xem Predictive Analytics trong Marketing.

Sai lầm thường gặp

• Đo hoạt động thay vì giá trị: đếm lượt đăng nhập, bỏ qua khách có dùng tính năng tạo ra kết quả hay không.
• Không ai sở hữu nhóm đỏ: điểm cập nhật đều nhưng không có tên người phải gọi.
• Đổi trọng số mỗi tuần theo cảm giác, nên không so sánh được qua các kỳ.
• Một công thức cho mọi khách, khiến khách mới luôn đỏ và khách gói lớn luôn xanh.
• Cho khách xem điểm khi điểm chưa được kiểm chứng — dễ gây hiểu lầm hơn là giúp.
• Không bao giờ kiểm lại điểm với kết quả gia hạn thật.

Câu hỏi thường gặp