Dit rapport volgt klanttevredenheidstrends aan de hand van SmileBack-data geintegreerd met jouw PSA. Het omvat de jaar-op-jaar verschuiving in de totale score, een uitsplitsing per klant, tevredenheidsbanden en bevindingen die actie vereisen.
Dit rapport volgt klanttevredenheidstrends aan de hand van SmileBack-data geintegreerd met jouw PSA. Het omvat de jaar-op-jaar verschuiving in de totale score, een uitsplitsing per klant, tevredenheidsbanden en bevindingen die actie vereisen.
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: Service managers, account managers, and MSP leadership tracking customer experience
Hoe vaak: Wekelijks for trend monitoring, monthly for team reviews, quarterly for QBRs
Dit rapport volgt klanttevredenheidstrends aan de hand van SmileBack-data geintegreerd met jouw PSA. Het omvat de jaar-op-jaar verschuiving in de totale score, een uitsplitsing per klant, tevredenheidsbanden en bevindingen die actie vereisen.
Een verbetering van 8,9 procentpunten in een jaar is het vermelden waard. Het betekent minder negatieve reacties, meer tevreden-kliks en een verschuiving in hoe klanten de servicekwaliteit ervaren. De sprong van 78,8% naar 87,7% brengt je van net onder het MSP-industrie-gemiddelde naar duidelijk daarboven.
De 1.475 reacties van vorig jaar geven een statistisch solide basislijn. Het totaal van 10.178 reacties over alle tijd omvat historische data van voor de afgelopen 12 maanden. De vergelijking is zinvol: dezelfde klanten, hetzelfde ticketsysteem, echte verandering in uitkomst.
EVALUATE ROW("CSATAvg", [CSAT - Average Rating], "CSATLastYear", [CSAT - Average Rating - Last Year], "Ratings", [CSAT - Total Ratings])| Klant | Reacties | Tevredenheid | Balk | Status |
|---|---|---|---|---|
| Craig-Huynh | 384 | 79,4% | Aandacht | |
| Little Group | 382 | 73,6% | Reviewen | |
| Wall PLC | 142 | 89,4% | Goed | |
| Martin Group | 104 | 89,4% | Goed | |
| Rivers, Rogers and Mitchell | 79 | 88,6% | Goed | |
| Conway Ltd | 66 | 93,9% | Uitstekend | |
| Price-Gomez | 62 | 80,6% | Aandacht | |
| Ramos Group | 59 | 52,5% | Risico | |
| Lewis LLC | 50 | 84,0% | Goed | |
| Buchanan, Acosta and Chambers | 46 | 82,6% | Goed | |
| Hahn Group | 45 | 60,0% | Risico | |
| Lopez-Reyes | 44 | 75,0% | Aandacht | |
| Snyder Ltd | 42 | 88,1% | Goed | |
| Holt, Barnes and Mccarthy | 42 | 81,0% | Goed |
Opmerking over de "null"-categorie: Je data bevat 7.688 beoordelingen met 90,3% tevredenheid waarbij het ticket niet aan een bedrijfsrecord in Autotask was gekoppeld. Deze zijn niet per klant weergegeven, maar wel meegenomen in het totaalgemiddelde van 87,7%. Als jouw workflow regelmatig losgekoppelde tickets aanmaakt, geeft het oplossen van deze datakwaliteitsklachten een vollediger per-klant-beeld.
EVALUATE
TOPN(
20,
SUMMARIZE(
'BI_SmileBack_Reviews',
'BI_Autotask_Companies'[company_name],
"Avg_Rating", AVERAGE('BI_SmileBack_Reviews'[rating]),
"Total_Ratings", COUNT('BI_SmileBack_Reviews'[rating])
),
[Total_Ratings], DESC
)Acht van de 14 klanten met betekenisvolle reactie-aantallen zitten op of boven 80% tevredenheid. Dat is een sterke basis. De twee risicoaccounts, Ramos Group met 52,5% en Hahn Group met 60,0%, hebben genoeg reacties (59 en 45) om de scores statistisch geloofwaardig te maken. Dit zijn geen uitschieters door een enkele slechte ticket. Ze weerspiegelen een consistent patroon van ontevredenheid bij de klant.
De "aandacht"-groep bevat Craig-Huynh met 384 reacties en 79,4% tevredenheid. Met dat aantal reacties is een score van 79,4% nauwkeurig. Craig-Huynh is je grootste klant qua feedbackvolume en zit net onder de 80%-drempel. Een kleine serviceverbetering bij deze klant zou het totaalgemiddelde meer verhogen dan verbeteringen bij een kleinere klant.
Stijgen van 78,8% naar 87,7% in een jaar is geen data-artefact. Het weerspiegelt betere serviceverlening, betere afhandeling van tickets of allebei. De meeste MSP's die CSAT over meerdere jaren bijhouden, zien langzame, incrementele verbeteringen. Een sprong van 8,9 punten in een enkel jaar wijst op een specifieke verandering in de manier waarop service wordt geleverd. Als je weet wat dit aandreef: documenteer het en herhaal het.
Met 59 reacties en slechts de helft positief, is Ramos Group consequent ontevreden. Bij deze score is het churnrisico hoog. De aanbevolen eerste stap is een accountreviewgesprek, bij voorkeur met de data zichtbaar: toon de klant hun score, erken die, en vraag wat hun ervaring zou veranderen. Doe dit voor de verlengingsgesprekken, niet er tijdens.
Het grootste segment in je dataset is de "null"-bedrijfsbucket: 7.688 beoordelingen met 90,3% tevredenheid die niet aan een specifieke klant kunnen worden toegeschreven. Dit wijst op een werkstroomkloof bij het aanmaken of classificeren van tickets in Autotask. Het herstellen van de bedrijfskoppeling bij het aanmaken van tickets geeft per-klant-data voor je segment met het hoogste volume.
Met 384 reacties en 79,4% tevredenheid heeft Craig-Huynh zowel het volume als de scorekloof om het meest impactvolle doelwit te zijn. Het verhogen van dit account van 79% naar 85% zou je totaalgemiddelde meer verbeteren dan vergelijkbare verbeteringen bij kleinere klanten. Bekijk specifiek de tickets waarbij Craig-Huynh een ontevreden of neutrale beoordeling gaf en identificeer het terugkerende probleemtype.
SmileBack gebruikt een drie-emoji-systeem: tevreden (score 1,0), neutraal (circa 0,5) en ontevreden (score 0,0). Het tevredenheidspercentage in dit rapport is het aandeel positieve reacties ten opzichte van het totaal. Een tevredenheidspercentage van 87,7% betekent dat ruwweg 87,7 van de 100 klanten die reageerden op de tevreden-emoji klikten.
Het branchegemiddelde voor MSP's die SmileBack gebruiken ligt rond de 75-80% tevredenheid. Boven de 85% wordt als uitstekend beschouwd. Onder de 70% voor een klantaccount met een significant aantal reacties duidt op systemische serviceproblemen die directe aandacht verdienen.
Met 59 reacties en slechts de helft positief heeft Ramos Group echte ontevredenheid bij meerdere tickets, niet slechts een slechte incident. Dit vraagt om een accountreviewgesprek. Bekijk de specifieke tickets waarbij ze ontevreden of neutraal beoordeelden en zoek naar patronen: trage oplossing, herhaaldelijk heropenen, communicatietekortkomingen of een specifiek technicianprobleem.
Reactietijd correleert het sterkst met tevredenheidsscores. Klanten die snel een eerste reactie krijgen, geven hogere beoordelingen, ook als de oplossing langer duurt. Na snelheid telt communicatiekwaliteit: klanten op de hoogte houden tijdens de levenscyclus van een ticket vermindert het gevoel genegeerd te worden. Technici trainen om tickets af te sluiten met een korte samenvatting van wat er gedaan is, levert vaak meetbare scoreverbeteringen binnen 60 tot 90 dagen.
Ja. De [CSAT - Average Rating]-measure gecombineerd met een datumhierarchie in Power BI toont maand-op-maand trends. Voeg de measure toe aan een lijngrafieksvisual, gebruik je datumtabel op de X-as en filter op een specifieke klant voor per-account maandelijkse tracking. Dit is de weergave voor kwartaalrapportages met klanten.
Andere AI-gegenereerde Power BI-rapporten over klanttevredenheid en servicekwaliteit.
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