Gegenereerd door AI via Proxuma Power BI MCP-server. Totaal aantal beoordelingen, verhouding, maandelijks tempo en branchebenchmarkvergelijking voor MSPs met SmileBack-integratie.
Gegenereerd door AI via Proxuma Power BI MCP-server. Totaal aantal beoordelingen, verhouding, maandelijks tempo en branchebenchmarkvergelijking voor MSPs met SmileBack-integratie.
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
Gegenereerd door AI via Proxuma Power BI MCP-server. Totaal aantal beoordelingen, verhouding, maandelijks tempo en branchebenchmarkvergelijking voor MSPs met SmileBack-integratie.
EVALUATE ROW("CSATAvg", [CSAT - Average Rating], "Ratings", [CSAT - Total Ratings], "CSATLastYear", [CSAT - Average Rating - Last Year])SmileBack gebruikt een driepuntschaal: 1 = Blij, 0 = Neutraal, -1 = Ontevreden. Verdeling gebaseerd op 10.178 beoordelingen.
Een positief percentage van 87,7% is een goed resultaat. SmileBack hanteert 80% als gezonde ondergrens voor MSPs. Elke negatieve beoordeling is te herleiden naar het oorspronkelijke ticket in Autotask, zodat u precies kunt zien welk ticket een negatieve reactie opleverde en wie het heeft afgehandeld.
De neutrale categorie (7,5%) wordt vaak vergeten, maar 763 neutrale beoordelingen vertegenwoordigen klanten die niet ontevreden genoeg waren om te klagen maar ook niet tevreden genoeg om uw dienstverlening aan te bevelen. Dat is een herstelbare groep als u opvolgt.
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
'BI_SmileBack_Reviews',
'BI_SmileBack_Reviews'[rating]
),
"Count", CALCULATE(COUNTROWS('BI_SmileBack_Reviews')),
"Percentage", DIVIDE(
CALCULATE(COUNTROWS('BI_SmileBack_Reviews')),
CALCULATE(COUNTROWS('BI_SmileBack_Reviews'), ALL('BI_SmileBack_Reviews'[rating]))
)
)
ORDER BY 'BI_SmileBack_Reviews'[rating] DESC10.178 totale beoordelingen en 1.475 afgelopen jaar in perspectief
Het verschil tussen het totaal (10.178) en afgelopen jaar (1.475) laat zien dat de data meerdere jaren beslaat. Als u 10.178 deelt door 123 per maand, impliceert dat ongeveer 82 maanden aan geschiedenis, net onder de 7 jaar. Dat is een betekenisvolle longitudinale dataset. Jaar op jaar steeg het positieve percentage van 78,8% naar 87,7%, een verbetering van 8,9 procentpunten die moeilijk toeval is.
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
CALCULATETABLE(
'BI_SmileBack_Reviews',
DATESINPERIOD(
'BI_SmileBack_Reviews'[review_date],
LASTDATE('BI_SmileBack_Reviews'[review_date]),
-12, MONTH
)
),
"JaarMaand", FORMAT('BI_SmileBack_Reviews'[review_date], "YYYY-MM")
),
"Totaal_Beoordelingen", CALCULATE(COUNTROWS('BI_SmileBack_Reviews')),
"Blij_Beoordelingen", CALCULATE(
COUNTROWS('BI_SmileBack_Reviews'),
'BI_SmileBack_Reviews'[rating] = 1
),
"Pct_Blij", DIVIDE(
CALCULATE(COUNTROWS('BI_SmileBack_Reviews'),
'BI_SmileBack_Reviews'[rating] = 1),
CALCULATE(COUNTROWS('BI_SmileBack_Reviews'))
)
)
ORDER BY [JaarMaand] ASCHoe verhoudt 123 beoordelingen per maand zich tot wat andere MSPs bereiken met SmileBack?
Met 123 beoordelingen per maand zit uw volume ruim boven de SmileBack-ondergrens van 15–20 per technicus per maand, uitgaande van een team van 6–8 technici. De interessantere benchmark is het positieve percentage: 87,7% ligt bijna 8 punten boven het branchegemiddelde van circa 80%. Dat wijst op sterke dienstverlening, een goed geselecteerde klantenbasis of een combinatie van beide.
Let op: responsrate (hoeveel surveys worden beantwoord ten opzichte van het aantal verzonden) verschilt van responsvolume. SmileBack biedt dit niet altijd direct, maar u kunt het schatten door het aantal beoordelingen te vergelijken met het aantal afgesloten tickets in dezelfde periode via Autotask-data in Power BI.
EVALUATE
VAR _LastYear_Reviews = CALCULATE(
COUNTROWS('BI_SmileBack_Reviews'),
DATESINPERIOD(
'BI_SmileBack_Reviews'[review_date],
LASTDATE('BI_SmileBack_Reviews'[review_date]),
-1, YEAR
)
)
VAR _LastYear_Closed = CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[Status] = "Complete",
DATESINPERIOD(
'BI_Autotask_Tickets'[completedDate],
LASTDATE('BI_Autotask_Tickets'[completedDate]),
-1, YEAR
)
)
RETURN
ROW(
"Beoordelingen_AfgelopenJaar", _LastYear_Reviews,
"Afgesloten_Tickets_AfgelopenJaar", _LastYear_Closed,
"Geschatte_Responsrate", DIVIDE(_LastYear_Reviews, _LastYear_Closed),
"Afgemelde_Contacten", CALCULATE(
COUNTROWS('BI_Autotask_Contacts'),
'BI_Autotask_Contacts'[opted_out_from_surveys] = TRUE()
)
)Wat deze data betekent voor uw dienstverlening
Met 123 beoordelingen per maand en 10.178 in totaal heeft u voldoende data om te segmenteren op klant, technicus, tickettype en periode zonder steekproefproblemen. De meeste CSAT-programma's mislukken niet door lage scores maar door laag volume. Dat probleem heeft u niet.
Een sprong van 78,8% naar 87,7% positief jaar op jaar is te groot om als ruis af te doen. Er is iets veranderd: mogelijk een personeelswijziging, procesverbetering of verschuiving in de klantenmix. Segmenteren op technicus en klant voor beide periodes helpt te achterhalen waar de verbetering vandaan komt en of die aanhoudt.
Elke negatieve beoordeling in SmileBack is gekoppeld aan een specifiek Autotask-ticket. Als u geen systematische opvolging uitvoert voor negatieve beoordelingen, laat u herstelkansen liggen. Een basisproces: filter BI_SmileBack_Reviews op rating = -1, join aan het ticket en wijs binnen 24 uur een opvolgactiviteit toe in Autotask.
Het veld BI_Autotask_Contacts[opted_out_from_surveys] registreert contacten die nooit een SmileBack-verzoek ontvangen. Als meerdere belangrijke contactpersonen van een klant zijn afgemeld en die klant veel tickets genereert, is hun ervaring volledig onzichtbaar in uw CSAT-rapportage. Het loont om periodiek te controleren welke klanten de hoogste afmeldrate hebben.
SmileBack integreert rechtstreeks met Autotask. Zodra een ticket wordt afgesloten, verstuurt SmileBack automatisch een één-klik tevredenheidsverzoek naar het contactpersoon dat aan het ticket is gekoppeld. De klant klikt op Blij, Neutraal of Ontevreden, zonder inloggen of lang formulier. Die lage drempel is de reden dat de responsrate hoger ligt dan bij traditionele surveys.
SmileBack slaat beoordelingen op als numerieke waarden in BI_SmileBack_Reviews[rating]: 1 betekent Blij, 0 betekent Neutraal en -1 betekent Ontevreden. Als Proxuma Power BI het positieve percentage berekent, telt het rijen met rating = 1 en deelt dat door het totaal. Dit is dezelfde methode die SmileBack zelf gebruikt in hun dashboard.
Ja. Elke SmileBack-beoordeling is via ticket_id gekoppeld aan een Autotask-ticket, en elk ticket heeft een toegewezen resource. U kunt BI_SmileBack_Reviews joinen met BI_Autotask_Tickets en vervolgens groeperen op de toegewezen resource om het positieve percentage per technicus te zien. Dit is een van de meest bruikbare CSAT-analyses in Proxuma Power BI.
SmileBack hanteert 15 tot 20 beoordelingen per technicus per maand als gezonde norm. Op teamniveau betekent dat bij een team van 8 circa 120 tot 160 per maand. Het positieve percentage scoort goed bij 80%. Alles boven de 85% is echt sterk. Met 87,7% behoort deze MSP tot de beste SmileBack-gebruikers.
Contacten die zich hebben afgemeld voor surveys ontvangen nooit een SmileBack-verzoek, ongeacht hoeveel tickets voor hen worden afgesloten. Proxuma registreert dit via BI_Autotask_Contacts[opted_out_from_surveys]. Als een klant meerdere afgemelde contacten heeft en veel tickets genereert, is hun ervaring volledig onzichtbaar in uw CSAT-rapportage.
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