Comment fonctionne le score de santé
Comment fonctionne le score de santé
# Analyse comparative des clients
Skalin compare en permanence l'ensemble de vos clients sur plusieurs dizaines d'indicateurs afin de déterminer les forces et les faiblesses de chacun de vos comptes.
Notre IA analyse en permanence plus de 70 KPIs sur l'ensemble de votre portefeuille pour faire émerger les clients à risque et détecter ceux à potentiel.
Ces indicateurs sont répartis en 4 grandes catégories :
- Les critères liés à l'usage de votre Produit : proportion d'utilisateurs actifs, temps passé sur la plateforme, profondeur d'usage, niveau d'adoption de vos features clés, délai entre deux connexions, évolutions...
- Les interactions que vos clients ont avec votre équipe : proportion de contacts adressés, décisionnaires régulièrement impliqués, niveau de satisfaction des clients sur chaque interaction (grâce à l'analyse de sentiment), taux de réponse aux emails...
- Le CSM Pulse : évaluation que le CSM fait du compte.
- Les données liées au contrat : évolution du MRR, consommation de services additionnels, antériorité du contrat, durée restante...
Ces quatre catégories correspondent aux quatre sous-scores qui composent le score de santé : le sous-score d'usage, le sous-score d'interaction, le sous-score de contrat et le CSM Pulse.
Lorsqu'un compte parent regroupe des comptes enfants, son score de santé peut être influencé par les scores de santé de ces comptes enfants. Retrouvez le détail du fonctionnement et des cas particuliers dans la section dédiée.
Ces indicateurs sont calculés pour chaque segment (Profil de santé) de client, ce qui permet d'identifier automatiquement les comptes faibles sur une métrique, par rapport à leur groupe de référence. Un client faible sur un nombre trop important de KPIs verra automatiquement son score de santé baisser. Vous n'avez donc pas à définir les critères à analyser, l'IA le fait pour vous !
# Prédiction du comportement futur
La prise en compte de l'évolution de chacun des KPIs permet de nuancer l'analyse précédente. Par exemple, un client peut avoir une faible fréquence de connexion par rapport à la moyenne de son segment, mais s'il progresse par rapport à son propre historique, l'IA va le prendre en compte et considérer que le client s'inscrit dans une dynamique positive. L'analyse de l'historique permet donc d'affiner le calcul du score de santé et de prédire le comportement futur d'un client.
# Modèle auto-apprenant
Alors que le premier point permet à l'IA d'être efficace très rapidement, l'intégration de modèles de Machine Learning optimise le score dans la durée. Lorsqu'un client churn ou bascule durablement dans l'inactivité, l'IA va réintégrer les comportements qui ont précédé afin de donner progressivement davantage de poids aux variables les plus discriminantes. Plus l'IA disposera d'un historique de données, plus elle sera pertinente.