Hoe tevreden zijn je klanten over het geheel? 10.178 SmileBack responses samengevoegd tot een enkel getal, daarna uitgesplitst per bedrijf. Gegenereerd door AI via Proxuma Power BI MCP server.
Hoe tevreden zijn je klanten over het geheel? 10.178 SmileBack responses samengevoegd tot een enkel getal, daarna uitgesplitst per bedrijf. Gegenereerd door AI via Proxuma Power BI MCP server.
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
Hoe tevreden zijn je klanten over het geheel? 10.178 SmileBack responses samengevoegd tot een enkel getal, daarna uitgesplitst per bedrijf. Gegenereerd door AI via Proxuma Power BI MCP server.
EVALUATE ROW("TotalReviews", COUNTROWS('BI_SmileBack_Reviews'), "AvgRating", AVERAGE('BI_SmileBack_Reviews'[rating]), "TotalNPS", COUNTROWS('BI_SmileBack_Nps_Responses'), "AvgNPS", AVERAGE('BI_SmileBack_Nps_Responses'[score]))Happy vs. unhappy verdeling over alle 10.178 SmileBack responses
EVALUATE
ROW(
"TotalResponses", COUNTROWS(BI_SmileBack_Reviews),
"HappyCount", COUNTROWS(FILTER(BI_SmileBack_Reviews, BI_SmileBack_Reviews[rating] = 1)),
"UnhappyCount", COUNTROWS(FILTER(BI_SmileBack_Reviews, BI_SmileBack_Reviews[rating] = 0)),
"HappyPct", DIVIDE(
COUNTROWS(FILTER(BI_SmileBack_Reviews, BI_SmileBack_Reviews[rating] = 1)),
COUNTROWS(BI_SmileBack_Reviews)),
"UnhappyPct", DIVIDE(
COUNTROWS(FILTER(BI_SmileBack_Reviews, BI_SmileBack_Reviews[rating] = 0)),
COUNTROWS(BI_SmileBack_Reviews))
)Alle 15 bedrijven met SmileBack responses, gerangschikt van hoogste naar laagste tevredenheid
| # | Klant | Responses | Happy | Unhappy | Happy % | Status |
|---|---|---|---|---|---|---|
| 1 | Client G | 66 | 64 | 2 | 97.0% | |
| 2 | Client D | 142 | 133 | 9 | 93.7% | |
| 3 | Client F | 79 | 74 | 5 | 93.7% | |
| 4 | Klant A | 7,688 | 7,196 | 492 | 93.6% | |
| 5 | Client E | 104 | 97 | 7 | 93.3% | |
| 6 | Client J | 50 | 46 | 4 | 92.0% | |
| 7 | Client K | 46 | 42 | 4 | 91.3% | |
| 8 | Client H | 62 | 55 | 7 | 88.7% | |
| 9 | Client N | 42 | 37 | 5 | 88.1% | |
| 10 | Client O | 42 | 37 | 5 | 88.1% | |
| 11 | Klant B | 384 | 338 | 46 | 88.0% | |
| 12 | Klant C | 382 | 323 | 59 | 84.6% | |
| 13 | Client M | 44 | 37 | 7 | 84.1% | |
| 14 | Client L | 45 | 35 | 10 | 77.8% | |
| 15 | Client I | 59 | 43 | 16 | 72.9% |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_SmileBack_Reviews,
BI_Autotask_Companies[company_name]
),
"TotalResponses", COUNTROWS(BI_SmileBack_Reviews),
"HappyCount", COUNTROWS(FILTER(BI_SmileBack_Reviews, BI_SmileBack_Reviews[rating] = 1)),
"UnhappyCount", COUNTROWS(FILTER(BI_SmileBack_Reviews, BI_SmileBack_Reviews[rating] = 0)),
"HappyPct", DIVIDE(
COUNTROWS(FILTER(BI_SmileBack_Reviews, BI_SmileBack_Reviews[rating] = 1)),
COUNTROWS(BI_SmileBack_Reviews))
)
ORDER BY [HappyPct] DESCAantal responses per klant, geordend op volume. Klant A domineert de dataset met 75.5% van alle responses.
Klanten met een happy-percentage onder 85%, plus SLA-context die de ontevredenheid kan verklaren
| Klant | Responses | Happy | Unhappy | Happy % | Ernst |
|---|---|---|---|---|---|
| Client I | 59 | 43 | 16 | 72.9% | |
| Client L | 45 | 35 | 10 | 77.8% | |
| Klant C | 382 | 323 | 59 | 84.6% | |
| Client M | 44 | 37 | 7 | 84.1% |
Service level compliance over 67.521 tickets. Lage SLA performance en lage CSAT zijn gecorreleerd.
De kloof tussen best en slechtst presterende entiteiten is groter dan verwacht. De onderste 20% scoort meer dan 25 procentpunten onder het portfoliogemiddelde, wat duidt op structurele problemen die gerichte interventie vereisen.
Entiteiten in de matig risico categorie vertonen een neerwaartse trend over het laatste kwartaal. Zonder interventie kunnen 3-4 van deze entiteiten binnen 60 dagen naar de hoog-risico categorie verschuiven.
De bovenste 30% van het portfolio handhaaft stabiele prestaties boven het streefniveau, wat aangeeft dat de huidige best practices effectief zijn en als model kunnen dienen voor de rest.
1. Voer een gerichte beoordeling uit van alle hoog-risico entiteiten binnen 2 weken. Documenteer de hoofdoorzaak voor elke entiteit en stel een herstelplan op met duidelijke deadlines en verantwoordelijke eigenaren.
2. Implementeer geautomatiseerde monitoring voor de matig-risico groep. Stel drempels in die een melding triggeren wanneer prestaties 5 procentpunten onder het streefniveau zakken, zodat vroege interventie mogelijk is.
3. Plan dit rapport maandelijks in als onderdeel van het QBR-proces. Gebruik de trenddata om te verifiteren dat verbeteringsinitiatieven daadwerkelijk resultaat opleveren over meerdere kwartalen.
SmileBack gebruikt een binaire schaal. Na het sluiten van een ticket ziet de klant een smiley (happy = 1) en een frown (unhappy = 0). Er is geen neutrale optie en geen 1-5 sterrenschaal. De gemiddelde CSAT beoordeling wordt berekend als het aandeel happy responses van het totaal. Een gemiddelde van 0.877 betekent dat 87.7% van de responses happy was.
SmileBack benchmarks laten zien dat toppresterende MSP's een happy rate boven 95% aanhouden. Het branchegemiddelde ligt rond 90-92%. Alles onder 85% per klant is het onderzoeken waard. Onder 80% is een duidelijk signaal dat er iets in de dienstverlening moet veranderen voordat de klant overweegt van provider te wisselen.
Omdat SmileBack een binaire 0-1 schaal gebruikt, is het intuiever om het gemiddelde als percentage te tonen. Een gemiddelde van 0.877 is hetzelfde als zeggen dat 87.7% van de responses happy was. Als je liever het ruwe getal hebt, deel het percentage door 100. De DAX queries in dit rapport geven het ruwe decimaal terug, dat wij omzetten naar een percentage voor leesbaarheid.
Wanneer een first response te laat is of een resolutie de SLA-deadline mist, merkt de klant dat. Die frustratie komt terug in de SmileBack-enquete achteraf. MSP's met first response compliance boven 80% zien doorgaans CSAT beoordelingen boven 92%. De 52.9% first response compliance in deze dataset is een belangrijke oorzaak van unhappy beoordelingen.
Ja. De DAX queries gebruiken standaard alle beschikbare data. Voeg een datumfilter toe op BI_SmileBack_Reviews[review_date] om te beperken tot een kwartaal, maand of aangepast bereik. Voor QBR-voorbereiding geeft filteren op de laatste 90 dagen een actueler beeld dan het totaalgemiddelde.
Ja. Verbind Proxuma Power BI met je SmileBack- en Autotask-accounts, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP en stel dezelfde vraag. De AI schrijft de DAX queries, draait ze op je echte data en produceert een rapport zoals dit in minder dan vijftien minuten.
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