Druk maar niet winstgevend
in HealthTech & Digital Health

Het korte antwoord

Volledige inschrijvingen en dunne marges is een contractselectieprobleem dat zich voordoet als een operationeel issue. De versie van deze vraag die geldt voor digital health-bedrijven is niet de generieke. Outcomes-risico wordt sneller getekend dan het bedrijf kan leren of het het kan dragen — een meetvenster van 12 maanden tegenover een verkoopcyclus van 11 maanden — dus een antwoord dat at-risk revenue share negeert zal zeker fout zijn. De analyse moet starten vanuit engagement rate en gross margin in plaats van revenue.

Wanneer een digital health-bedrijf een grote ingeschreven populatie draagt maar toch zwakke marges toont, is het instinct om leveringsoperaties te onderzoeken. Er kan enige inefficiëntie bestaan, maar het weghalen ervan lost het probleem niet op, omdat de oorzaak upstream zit: contracten werden geaccepteerd met at-risk revenue shares die de engagement rates en gross margins niet kunnen dragen.

Het patroon herhaalt zich over portefeuilles. Een klein aantal programma's levert positieve bijdrage nadat toegeschreven outcomes zijn gemeten. Een langere set contracten verbruikt personeelstijd en platformcapaciteit terwijl het lage engagement en herhaalde logo-churn produceert, zodat de organisatie actief lijkt terwijl de cashpositie niet verbetert. Omdat die contracten al de meet- en supportcapaciteit bezetten, kunnen hogere-kwaliteit risk-sharing arrangements niet worden toegevoegd.

De correctieve stap is daarom een contractselectieregel in plaats van een productiviteitsinitiatief. Zodra elke regeling kan worden gerangschikt op verwachte bijdrage na het meetvenster, volgen de meeste daaropvolgende beslissingen direct.

Digital health-operators bereiken deze staat wanneer nieuwe at-risk agreements worden getekend voordat eerdere cohorts hun twaalfmaands outcome-cycli hebben voltooid: verkoopmomentum vult de kalender terwijl het bedrijf nog steeds de data mist om te weten welke PMPM of outcomes-termen gross margin-doelen zullen halen.

Hoe je ziet dat dit jouw probleem is

Deze drie samen zijn het kenmerk. Eén op zichzelf wijst meestal ergens anders op.

✓ Teams melden volledige allocatie over bestaande programma's terwijl maandelijkse cashopnames nog nodig zijn ondanks gerapporteerde ARR.
✓ Finance kan niet identificeren welke contracten of member-cohorts positieve bijdrage produceerden zonder een eenmalige analyse te laten uitvoeren.
✓ Leiderschap blijft nieuwe at-risk terms accepteren zelfs wanneer interne reviews lage verwachte engagement of verhoogd churn-risico signaleren.

De stap die het meestal erger maakt. Headcount of platformcapaciteit uitbreiden om de huidige boekhouding af te handelen, wat simpelweg het volume van low-contribution contracten schaalt en dezelfde mismatch vergroot.

Who this is for — and who it is not

It is for you if you run or finance a digital health company and everyone is fully occupied and cash is tight. It is the situation where the numbers are available but nobody has put them in an order that produces a decision.

It is not for you if Percision is the wrong tool if you already know the answer and only need execution capacity, or if the business is pre-revenue — then the constraint is evidence about the market, not analysis of your own figures. Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library. Also wrong if you need facilitation, politics, or someone to sit with a lender or buyer. Those are human jobs.

Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library.

Hoe dit eruitziet als de analyse echt draait

Below is an excerpt from a real run of this analysis on een digital health-bedrijf. It is a sample profile rather than a customer, and it is engine output translated from English — this is the format you get, on your own numbers.

The subject is Vantabridge Health, a sample company profile used for testing rather than a customer — $62M ARR, 340,000 enrolled members.

This is one move out of a full analysis. Read a complete report — every page, no email required.

Wat de engine met deze vraag doet

This question routes to Proprietary EFF Methodology, one of 29 engagements the platform runs. For digital health-bedrijven it works through at-risk revenue share, engagement rate, gross margin and logo churn, then produces the sequence rather than a list of options — which move first, what it funds, and the observation that would say the sequence is wrong.

You watch the analysis get built before paying anything. Lees hier een volledig rapport if you would rather see the depth first.

Vragen die mensen hierover stellen

Hoe weet ik welk werk ik moet stoppen met aannemen?

Rangschik op bijdrage per eenheid van je echte constraint — machine-uur, factureerbaar uur, leveringsslot, vierkante meter. Niet op revenue, en niet op gross margin percentage, beide begunstigen betrouwbaar het verkeerde werk wanneer de constraint capaciteit is.

Werkt het afwijzen van werk de relatie schade toe?

Soms, en het is meestal goedkoper dan het alternatief. In de praktijk zorgt een prijs die weergeeft wat het werk verbruikt ervoor dat de account winstgevend wordt of naar een concurrent verhuist, en beide uitkomsten zijn beter dan de huidige.

Is dit een pricing-probleem of een efficiency-probleem?

Test het: als elk werk perfect zou lopen met nul verspilling, zouden de dunne dan geld opleveren? Als het antwoord nee is, is het pricing en selectie, en geen efficiency-programma zal het bereiken.

Is this different in healthtech & digital health than in other industries?

Materially, yes. Outcomes risk is being signed faster than the company can learn whether it can carry it — a 12-month measurement window against an 11-month sales cycle — which changes both the diagnosis and the order of the fixes. The metrics that decide it here are at-risk revenue share, engagement rate, gross margin, and an answer built on industry-general benchmarks will usually point at the wrong one first.

What data do I need before this analysis is worth running for a digital health company?

Less than most people expect. Your last twelve months of revenue and cost split the way you already split it, plus whatever you hold on at-risk revenue share and engagement rate. The analysis is explicit about what it is assuming where your data stops, which is more useful than waiting for numbers you may never have.

When is Percision the wrong tool?

Percision is the wrong tool if you already know the answer and only need execution capacity, or if the business is pre-revenue — then the constraint is evidence about the market, not analysis of your own figures. Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library. Also wrong if you need facilitation, politics, or someone to sit with a lender or buyer. Those are human jobs.

Does Percision replace a lawyer, tax advisor, auditor, or AI implementation team?

Percision is not a lawyer, tax advisor, auditor, licensed appraiser, clinical or regulatory filer, or an AI implementation shop. It does not do HR casework, creative-only brand work, or impersonate a named consulting firm. It is a strategy analysis engine — not a template library.