Een cross-source analyse die SmileBack CSAT, Datto RMM alertvolume en Autotask SLA-prestaties combineert tot een compleet servicekwaliteitsbeeld per klant. Dit rapport laat zien hoe alertruis, responstijden en klanttevredenheid samenhangen over 67.521 tickets en 135.387 alerts.
Een cross-source analyse die SmileBack CSAT, Datto RMM alertvolume en Autotask SLA-prestaties combineert tot een compleet servicekwaliteitsbeeld per klant. Dit rapport laat zien hoe alertruis, responstijden en klanttevredenheid samenhangen over 67.521 tickets en 135.387 alerts.
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: MSP operations teams and service delivery managers
Hoe vaak: As needed for specific analysis or reporting requirements
Een cross-source analyse die SmileBack CSAT, Datto RMM alertvolume en Autotask SLA-prestaties combineert tot een compleet servicekwaliteitsbeeld per klant. Dit rapport laat zien hoe alertruis, responstijden en klanttevredenheid samenhangen over 67.521 tickets en 135.387 alerts.
Geaggregeerde cijfers uit SmileBack, Datto RMM en Autotask over alle klanten van de afgelopen 12 maanden.
Top 10 klanten op alertvolume met CSAT, eerste respons SLA en oplossing SLA naast elkaar. Kleurcodes geven aan waar elke metric staat ten opzichte van de doelstellingen.
| Metric | Value |
|---|---|
| Current | 87.7% |
| Last Year | 78.3% |
| Ratings | 10,178 |
EVALUATE ROW("CSATAvg", [CSAT - Average Rating], "CSATLastYear", [CSAT - Average Rating - Last Year], "Ratings", [CSAT - Total Ratings])Vergelijking van alertruis met klanttevredenheid. Balken tonen alertaantallen; teal-markers tonen CSAT. Klanten met veel alerts en lage CSAT vragen direct aandacht.
EVALUATE ROW("ResolutionMet", [Tickets - Resolution Met %], "FirstHourFix", [Tickets - First Hour Fix %], "SameDayRes", [Tickets - Same Day Resolution %], "ClosureRate", [Tickets - Closure Rate %], "TotalTickets", [Tickets - Count - Created])Eerste respons en oplossing SLA-naleving weergegeven als donut-diagrammen voor het totale portfolio, plus een vergelijking per klant.
Eerste Respons vs Oplossing SLA per Klant
EVALUATE
TOPN(10,
ADDCOLUMNS(
SUMMARIZE(Bridge_All_Companies,
Bridge_All_Companies[company_id]),
"CompName", CALCULATE(MAX('BI_Autotask_Companies'[company_name])),
"CSAT", [CSAT - Average Rating],
"AlertCount", CALCULATE(COUNTROWS('BI_Datto_Rmm_Alerts')),
"FRMet", [Tickets - First Response Met %],
"ResMet", [Tickets - Resolution Met %]
),
[AlertCount], DESC
)Hoe verhouden de drie zijden van de driehoek zich tot elkaar? Richtinggevende observaties op basis van de top-10 klantdata.
| CSAT | ER SLA | Opl SLA | Alerts | |
|---|---|---|---|---|
| CSAT | -- | Zwak + | Matig + | Neutraal |
| ER SLA | Zwak + | -- | Sterk + | Matig - |
| Opl SLA | Matig + | Sterk + | -- | Zwak - |
| Alerts | Neutraal | Matig - | Zwak - | -- |
Met 80,1% tegen een doel van 90% vertegenwoordigt het eerste-responsgat ongeveer 13.400 tickets waarbij de eerste reactie te laat was. Klant J is het zwakste punt met 43,2%, en Klant G zit op 68,6%. Deze twee klanten trekken het portfoliogemiddelde flink naar beneden. Oplossing SLA (90,2%) haalt het doel maar net, wat erop wijst dat het team bijtrekt nadat de trage start is gemaakt.
Met 26.873 alerts (bijna 3x de op-een-na-hoogste klant) overspoelt Klant A de wachtrij. Toch blijft de tevredenheid hoog. De waarschijnlijke verklaring: het team kent Klant A goed en behandelt hun issues snel, ook al lijdt de eerste respons SLA eronder (73,7%). Het volume is een capaciteitsprobleem, geen kwaliteitsprobleem.
Klant C is het enige account waar alle drie de driehoekszijden rood of oranje scoren: 70,0% CSAT, 75,4% eerste respons, 87,1% oplossing. Dit is het duidelijkste signaal van een servicekwaliteitsprobleem. Met 7.430 alerts is het ruisniveau hoog genoeg om de trage reacties te verklaren -- maar de lage CSAT betekent dat klanten het merken.
100% CSAT, 92,3% eerste respons, 97,5% oplossing, en 2.646 alerts. Dit is de benchmark. Wat het team anders doet voor Klant I -- vaste engineer, proactief onderhoud, betere documentatie -- zou gedocumenteerd en toegepast moeten worden op de accounts die achterblijven.
Alertvolume alleen voorspelt geen tevredenheid. Klant A heeft veruit de meeste alerts (26.873) maar houdt 89,4% CSAT vast. Klant I heeft 2.646 alerts en scoort 100% CSAT. De relatie tussen ruis en tevredenheid is zwak. Wat zwaarder weegt is hoe de alerts zich vertalen naar de kwaliteit van ticketafhandeling.
Eerste respons SLA is de zwakste schakel in de driehoek. Met 80,1% overall loopt het 10 volle punten achter op de oplossing SLA. Vijf van de tien klanten vallen onder 85% op eerste respons, terwijl slechts twee onder 85% uitkomen op oplossing. Het patroon is consistent: het team is traag met oppakken maar lost tickets binnen target op zodra ze beginnen. Dit wijst op een triage- of wachtrijprobleem, niet op een competentieprobleem.
Lage CSAT en lage SLA overlappen niet altijd. Klant F heeft 73,6% CSAT maar sterke SLA-cijfers (87,5% ER, 93,7% Opl). Dat betekent dat de ontevredenheid ergens anders vandaan komt -- communicatiekwaliteit, terugkerende problemen, of verwachtingen rond scope. Klant J draait het patroon om: 88,6% CSAT ondanks 43,2% eerste respons. Sommige klanten geven minder om snelheid en meer om het eindresultaat.
De top 3 alertgeneratoren zijn goed voor 43.610 alerts (32,2% van totaal). Klanten A, B en C produceren samen bijna een derde van alle RMM-ruis. Het terugdringen van alert-moeheid bij deze drie accounts via betere drempelwaarden, onderdrukkingsregels of monitor-tuning zou de grootste impact hebben op de alert-ticketverhouding en dispatcher-capaciteit vrijmaken voor snellere eerste reacties.
Praktische stappen om de kwaliteitsgaten uit dit rapport te dichten.
Haal alle 43.610 alerts van deze drie klanten op en categoriseer op type, ernst en of ze een ticket hebben gegenereerd. Identificeer monitors die herhaaldelijk afgaan zonder actie en onderdruk of stel ze bij. Doel: alertvolume met 30% verlagen binnen 60 dagen zonder echte incidenten te missen.
Klant C is het enige account waar CSAT, eerste respons en oplossing allemaal ondermaats presteren. Plan een service review meeting. Bekijk de tickets van de afgelopen 90 dagen, haal SmileBack-opmerkingen op (niet alleen scores) en identificeer de top 3 terugkerende klachtcategorieen. Stel een 30-dagen CSAT-verbeterdoel van 80% vast.
Het gat van 9,9 punten tussen werkelijk (80,1%) en doel (90%) eerste respons SLA is een wachtrijprobleem. Bekijk dispatcher-workflows, auto-toewijzingsregels en ticketrouting. Klant J met 43,2% eerste respons heeft een specifieke analyse nodig of hun tickets correct worden gerouteerd of in een achterstand blijven steken.
100% CSAT met 92,3% ER en 97,5% Opl op 2.646 alerts is de gouden standaard in deze dataset. Identificeer wat dit account anders maakt: vaste engineer, proactief onderhoud, kleinere scope of beter afgestelde monitors. Bundel die bevindingen als playbook voor de drie achterblijvende accounts (C, G, J).
SmileBack gebruikt een 3-puntsschaal: negatief (-1), neutraal (0) en positief (+1). Het CSAT positief percentage is het aandeel reacties dat +1 scoorde. Een gemiddelde rating van 0,877 vertaalt zich naar 87,7% positief. Dit is anders dan een 5-sterrenschaal -- er is geen middenweg tussen "prima" en "goed."
Bridge_All_Companies is een cross-source bruggetabel in het Proxuma datamodel. Het koppelt dezelfde klant over Autotask, Datto RMM en SmileBack via het bedrijfs-ID. Zonder deze tabel kun je alertdata van RMM niet joinen met ticketdata van PSA en tevredenheidsdata van SmileBack in een enkele query.
Sommige klanten hechten meer waarde aan de kwaliteit van het resultaat dan aan de snelheid van reactie. Klant J heeft mogelijk minder tijdgevoelig werk, of de relatiebeheerder stemt verwachtingen goed af. Dat gezegd hebbende: 43,2% eerste respons is een risico -- een slecht incident kan de tevredenheid snel omdraaien.
Het portfoliogemiddelde is 2,0 alerts per ticket. Een verhouding boven 3,0 betekent meestal dat monitors te gevoelig zijn ingesteld. Onder 1,5 wijst op goede drempelwaarden. Het ideaal hangt af van de omgevingsgrootte van de klant, maar boven 4,0 is een alert-hygieneonderzoek aangeraden.
Maandelijks voor het volgen van SLA- en CSAT-trends. Na elke alert-tuning-actie binnen 2 weken bekijken om te verifieren dat de wijzigingen het verwachte effect hadden. Elk kwartaal voor de volledige driehoeksanalyse, vooral bij het voorbereiden van klant business reviews.
Ja. Kopieer een query uit de toggles hierboven en plak deze in DAX Studio of de Power BI Desktop performance analyzer. De query's verwijzen naar standaard Proxuma datamodeltabellen en measures die in elke Proxuma Power BI deployment bestaan.
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