Dit rapport kruist HubSpot-dealdata (115 deals, 18 gewonnen) met SmileBack CSAT-enquêtes (8.900+ beoordeelde reacties over 20 actieve bedrijven) en Autotask-ticketvolume (67.521 tickets, 844 momenteel open) om klanten te identificeren die het drievoudige churn-signaal vertonen: hoge commerciële waarde gecombineerd met dalende tevredenheid en groeiende supportvraag. Drie databronnen, één vraag: welke waardevolle klanten bewegen zich stilletjes richting de uitgang?
Dit rapport kruist HubSpot-dealdata (115 deals, 18 gewonnen) met SmileBack CSAT-enquêtes (8.900+ beoordeelde reacties over 20 actieve bedrijven) en Autotask-ticketvolume (67.521 tickets, 844 momenteel open) om klanten te identificeren die het drievoudige churn-signaal vertonen: hoge commerciële waarde gecombineerd met dalende tevredenheid en groeiende supportvraag. Drie databronnen, één vraag: welke waardevolle klanten bewegen zich stilletjes richting de uitgang?
De data dekt het volledige bereik van Autotask PSA-records die relevant zijn voor deze analyse, uitgesplitst naar de belangrijkste dimensies die je team nodig heeft voor dagelijkse beslissingen en klantrapportage.
Wie dit zou moeten gebruiken: Account managers, MSP owners, and service delivery leads
Hoe vaak: Maandelijks for client reviews, quarterly for QBRs, op aanvraag when client signals change
Dit rapport kruist HubSpot-dealdata (115 deals, 18 gewonnen) met SmileBack CSAT-enquêtes (8.900+ beoordeelde reacties over 20 actieve bedrijven) en Autotask-ticketvolume (67.521 tickets, 844 momenteel open) om klanten te identificeren die het drievoudige churn-signaal vertonen: hoge commerciële waarde gecombineerd met dalende tevredenheid en groeiende supportvraag. Drie databronnen, één vraag: welke waardevolle klanten bewegen zich stilletjes richting de uitgang?
10 van de top 20 ondervraagde bedrijven zitten onder de drempel van 85% positief percentage. Dat is geen handvol uitschieters. Het is de helft van het klantenbestand met betekenisvolle enquêtedata die een duidelijk ontevredenheidssignaal afgeeft. Client D en F zijn bijzonder zorgwekkend omdat ze lage scores (73,6% en 79,4%) combineren met de hoogste enquêtevolumes (382 en 384 beoordelingen). Dit zijn geen dunne-steekproef anomalieën.
EVALUATE TOPN(15,
SUMMARIZECOLUMNS(
BI_Autotask_Companies[company_name],
"CSATAvg", [CSAT - Average Rating],
"TotalRatings", [CSAT - Total Ratings]
),
[CSAT - Total Ratings], DESC
)| Klant | Tickets | Nu Open | CSAT Positief | Beoordelingen | Eerste Reactie Behaald | Risico |
|---|---|---|---|---|---|---|
| Client N | 6.381 | 113 | 88,6% | 79 | 43,2% | Hoog |
| Client F | 5.458 | 65 | 79,4% | 384 | 88,2% | Hoog |
| Client D | 5.290 | 40 | 73,6% | 382 | 87,5% | Hoog |
| Client M | 2.775 | 33 | 89,4% | 104 | 73,7% | Middel |
| Client L | 2.376 | 20 | 89,4% | 142 | 86,0% | Middel |
| Client G | 2.180 | 25 | 80,6% | 62 | 84,9% | Hoog |
| Client C | 1.803 | 20 | 70,0% | 30 | 75,4% | Hoog |
| Client J | 1.758 | 13 | 84,0% | 50 | 68,6% | Middel |
| Client A | 1.728 | 36 | 52,5% | 59 | 70,1% | Hoog |
| Client E | 1.317 | 18 | 75,0% | 44 | 83,9% | Middel |
Het patroon is duidelijk. De zes klanten die als Hoog risico zijn gemarkeerd delen allemaal minstens twee van de drie churn-signalen: hoog ticketvolume, laag CSAT positief percentage, of slechte eerste-reactie SLA-naleving. Client A is het meest alarmerend met slechts 52,5% positieve CSAT, 1.728 tickets, 36 nog open, en een eerste-reactiepercentage van maar 70,1%. Client N genereert de meeste tickets (6.381) met 113 momenteel open en een eerste-reactie behaaldpercentage van slechts 43,2%.
De laagste CSAT-score in het hele portfolio. Meer dan de helft van alle enquêtereacties van deze klant is neutraal of negatief. In combinatie met 36 open tickets en een eerste-reactiepercentage ver onder de doelstelling is dit het meest urgente churn-risico. Elke dag zonder actie maakt de schade groter.
Dit is de klant met het hoogste CSAT-volume (382 beoordelingen) en tegelijk een van de laagste positieve percentages. Met 5.290 totale tickets is het ook een van de zwaarste ticketgeneratoren. Het eerste-reactiepercentage is acceptabel, maar het tevredenheidsgat met 382 datapunten erachter is geen toeval. Deze klant vertelt je iets via honderden enquêtes.
Alle drie de signalen slaan tegelijk uit. Een positief percentage van 70% betekent dat ruwweg 1 op de 3 interacties deze klant ontevreden achterlaat. Eerste-reactie SLA-naleving op 75,4% betekent dat een op de vier tickets geen tijdige eerste reactie krijgt. Die combinatie versnelt de frustratie.
De CSAT ziet er op het eerste gezicht acceptabel uit, maar kijk naar het volume: 6.381 tickets met 113 nog open en een rampzalig eerste-reactie behaaldpercentage van 43,2%. Meer dan de helft van alle tickets van deze klant mist de eerste-reactie SLA. Dat soort responsiviteitsgat holt zelfs sterke tevredenheidscijfers na verloop van tijd uit.
Er zit een zichtbaar patroon in. Klanten waar de eerste-reactie SLA onder de 80% zakt, laten doorgaans lagere of dalende tevredenheidscijfers zien. Client N is het duidelijkste voorbeeld: 43,2% eerste reactie behaald bij 6.381 tickets. Hun CSAT is nog steeds 88,6%, maar dat cijfer leeft op geleende tijd als meer dan de helft van alle tickets begint met een gemiste SLA.
Eerste reactietijd is de kanarie in de kolenmijn. Client D is een interessant tegenpunt: 73,6% CSAT ondanks een eerste-reactiepercentage van 87,5%. Dat vertelt je dat het tevredenheidsprobleem daar niet over snelheid gaat. Het gaat over oplossingskwaliteit of iets heel anders. Het eerste-reactiegat dichten zou de CSAT van Client D niet redden, maar het zou die van Client N wel beschermen voordat het verder afbrokkelt.
EVALUATE TOPN(15, ADDCOLUMNS(VALUES(BI_Autotask_Companies[company_name]), "CSATAvg", [CSAT - Average Rating], "TotalRatings", [CSAT - Total Ratings], "TicketCount", [Tickets - Count - Created], "HoursWorked", [Tickets - Hours Worked]), [TicketCount], DESC)De HubSpot-data vertelt een verhaal over commerciële activiteit, maar staat grotendeels los van de operationele data in Autotask. 96 van 115 deals staan onder een lege bedrijfskoppeling, wat betekent dat HubSpot deze prospects kent maar Autotask ze niet aan een servicerecord koppelt. Slechts 2 bedrijven met HubSpot-deals hebben ook CSAT-data in het model.
Deze datasilo is een blinde vlek. Wanneer een deal sluit in HubSpot, heeft het accountteam geen geautomatiseerde manier om de tickethistorie of het tevredenheidstraject van die klant te zien. En wanneer een servicemanager dalende CSAT ziet bij een klant, kan die niet controleren hoe de commerciële relatie eruitziet in HubSpot. Deze twee systemen met elkaar verbinden zou je in staat stellen churn-signalen op te vangen voordat verlengingsgesprekken beginnen.
Client A, C, D, F, G en N combineren allemaal ondermaatse CSAT of slechte eerste-reactiepercentages met significant ticketvolume. Client A met 52,5% positief percentage is het meest kritiek. Deze klanten hebben direct een accountreview nodig voor de volgende verlengingscyclus.
43,2% eerste reactie behaald over 6.381 tickets. Dat is geen incidentele misser. Meer dan de helft van alle tickets van deze klant begint met een gebroken SLA-belofte. Met 113 tickets momenteel open houdt de operationele druk aan.
96 van 115 HubSpot-deals hebben geen Autotask-bedrijfskoppeling. Commerciële en operationele data kan voor het overgrote deel van de accounts niet kruislings worden vergeleken. Dit maakt het onmogelijk om dealwaarde op schaal te correleren met servicekwaliteit.
Client L (89,4% positief, 2.376 tickets, 86% FRM) en Client M (89,4% positief, 2.775 tickets) bewijzen dat hoog ticketvolume niet automatisch lage tevredenheid betekent. Het verschil zit in operationele uitvoering, specifiek eerste-reactiesnelheid en oplossingskwaliteit.
1. Plan direct accountreviews in voor de 6 hoogrisico-klanten. Begin met Client A (52,5% CSAT) en Client N (43,2% FRM). Haal de ticketdata van de afgelopen 90 dagen op, identificeer terugkerende issue-categorieën en stel een herstelplan op voor de volgende QBR. Specifiek voor Client A: alles onder de 60% positief percentage rechtvaardigt een persoonlijk gesprek met de beslisser.
2. Los het eerste-reactie SLA-proces op voor Client N. Een eerste-reactiepercentage van 43,2% over 6.381 tickets is een bezettings- of routeringsprobleem, geen eenmalige misser. Controleer of hun tickets in de juiste wachtrij terechtkomen, of de toegewezen medewerkers capaciteit hebben, en of de SLA-doelstelling zelf realistisch is voor dit account. De CSAT is vandaag nog 88,6%. Dat blijft niet zo.
3. Koppel HubSpot-deals aan Autotask-bedrijven. 96 ongekoppelde deals vertegenwoordigen commerciële relaties zonder operationele context. Begin met de 18 gewonnen deals. Zoek voor elk de bijbehorende Autotask-company en maak de koppeling. Dit geeft je direct zicht op of je gesloten deals goede service krijgen of stilletjes churn-risico's worden.
4. Bouw een maandelijkse churn-risico scorekaart. Gebruik de drie signalen uit dit rapport (CSAT positief percentage, ticketvolume-trend, eerste-reactie SLA) om elke klant maandelijks te scoren. Elke klant die op twee of meer signalen onder de 80% zit, wordt gemarkeerd voor proactief contact. De DAX-queries zijn al gebouwd. Dit heeft alleen een Power BI-pagina en een maandelijkse reviewcadans nodig.
5. Onderzoek de grondoorzaak achter de lage CSAT van Client D. Met 73,6% positief bij een gezond eerste-reactiepercentage van 87,5% en 382 enquêtereacties gaat de ontevredenheid van Client D niet over reactiesnelheid. Duik in de ticketcategorieën en oplossingskwaliteit. Deze klant wordt op tijd beantwoord maar is nog steeds niet tevreden, wat wijst op een dieper probleem in de dienstverlening.
EVALUATE ROW(
"TotalDeals", [HubSpot - Deals Total],
"WonDeals", [HubSpot - Deals Won],
"CSATAvg", [CSAT - Average Rating],
"CSATLastMonth", [CSAT - Average Rating - Last Month],
"TotalTickets", [Tickets - Count - Created],
"OpenTickets", [Open Tickets (Current)],
"AvgHoursPerTicket", [Tickets - Avg Hours Per Ticket]
)SmileBack gebruikt een driepuntsschaal: +1 (positief/duim omhoog), 0 (neutraal) en -1 (negatief/duim omlaag). Het "CSAT Positief Percentage" in dit rapport is het percentage van alle reacties met score +1. Een positief percentage van 87,7% betekent dat ongeveer 88 op elke 100 enquêtereacties een duim omhoog zijn. De overige 12 zijn neutraal of negatief.
De drievoudige dreiging combineert drie signalen: (1) CSAT positief percentage onder 85%, (2) hoog of stijgend ticketvolume ten opzichte van de klantomvang, en (3) eerste-reactie SLA behaald percentage onder 80%. Elke klant die twee of meer van deze signalen vertoont wordt gemarkeerd als churn-risico. Alle drie tegelijk, zoals bij Client C, vertegenwoordigt de hoogste urgentie.
HubSpot en Autotask gebruiken verschillende bedrijfsidentificatoren. Het datamodel verbindt ze via BI_Autotask_Companies, maar 96 van 115 deals staan onder een lege bedrijfskoppeling. Dit betekent dat de HubSpot-dealrecords niet gekoppeld zijn aan hun corresponderende Autotask-bedrijfsrecords. Dit oplossen vereist het matchen van bedrijfsnamen over beide systemen en het aanmaken van de koppeling.
Eerste Reactie Behaald % is het aandeel tickets waarbij de eerste reactie van een technicus plaatsvond binnen het SLA-gedefinieerde tijdsbestek. Een percentage van 87,5% betekent dat ruwweg 7 op de 8 tickets hun eerste reactie op tijd kregen. Onder de 80% wijst op een structureel responsiefprobleem dat doorgaans correleert met dalende klanttevredenheid.
Op zichzelf niet. Client L genereert 2.376 tickets met een positief percentage van 89,4% en 86% eerste reactie behaald. Hoog ticketvolume betekent simpelweg dat de klant actief is en gebruik maakt van support. Het wordt pas een churn-signaal in combinatie met dalende tevredenheid of gemiste SLA's. Daarom gebruikt het drievoudige-dreiging framework alle drie de signalen samen.
Plan accountreviews in voor Client A (52,5% CSAT) en Client N (43,2% FRM) binnen de komende twee weken. Dat zijn de twee meest acute risico's. Koppel vervolgens de 18 gewonnen HubSpot-deals aan hun Autotask-bedrijven om het grootste datagat te dichten. Al het andere kan op een maandelijkse reviewcadans volgen.
Koppel Proxuma's Power BI integratie, gebruik een MCP-compatible AI om vragen te stellen en genereer op maat gemaakte rapporten - in minuten, niet in dagen.
Bekijk meer rapporten Aan de slag