Case Study: Custom SaaS Platform - Van Idee tot 10.000 Gebruikers

Een goed idee is pas de helft van het verhaal. De andere helft is het bouwen, lanceren en opschalen van de technologie erachter. Een jonge HR-tech startup klopte bij ons aan met een helder concept, een sterke marktvisie, en een uitgesproken probleem: ze hadden geen technische co-founder en geen ontwikkelteam. Ze hadden wel een deadline. De eerste concurrent was al zichtbaar aan de horizon.

In deze case study nemen we je mee door het volledige traject: van eerste schetsen op een whiteboard tot een draaiend SaaS platform met 10.000 actieve gebruikers, AI-functionaliteit en een succesvolle seed-fundingronde.

De Klant#

Onze klant is een startup in de HR-tech sector, opgericht door twee ervaren recruiters die jarenlang frustratie hadden ervaren met bestaande tools voor het matchen van kandidaten met vacatures. Het team bestond bij aanvang uit 8 mensen: de twee founders, drie recruiters, een marketeer, een sales lead en een office manager. Inmiddels is het team gegroeid naar 20 medewerkers.

Hun visie: een platform dat met behulp van AI niet alleen cv's matcht op functie-eisen, maar ook kijkt naar cultuurfit, groei-potentieel en zachte vaardigheden. Iets dat de grote spelers in de markt nog niet boden.

De Uitdaging#

De founders stonden voor een aantal serieuze obstakels:

Geen technische expertise in-house. Geen CTO, geen developers, geen ervaring met het bouwen van software. Eerdere pogingen met freelancers hadden geleid tot een onafgemaakt prototype dat niet schaalbaar was en niet voldeed aan de eisen.

Hoge urgentie. Twee concurrenten werkten aan vergelijkbare oplossingen. De startup had maximaal 6 maanden om een werkend product in de markt te zetten, anders zou het window of opportunity sluiten.

Complexe AI-vereisten. Het matching-algoritme moest verder gaan dan keyword-matching. De founders wilden dat het platform leert van elke succesvolle plaatsing en steeds slimmer wordt. Dit vereiste een doordachte data-architectuur vanaf dag een.

Schaalbaarheid vanaf het begin. Het eerdere prototype was gebouwd als een monoliet die crashte bij 50 gelijktijdige gebruikers. Het nieuwe platform moest vanaf het begin ontworpen zijn om duizenden gebruikers aan te kunnen.

Beperkt budget. Als pre-revenue startup met eigen middelen was er een helder budgetplafond. Elke euro moest maximaal rendement opleveren.

De Aanpak#

We hebben het project opgezet in vier heldere fasen, elk met concrete deliverables en beslismomenten. Dit gaf de founders grip op het proces en de investeerders die ze later aan boord haalden vertrouwen in de aanpak.

Fase 1: Discovery (2 weken)

De eerste twee weken hebben we intensief samengewerkt met de founders en hun recruiters om het concept te vertalen naar een technisch ontwerp.

Week 1: Probleem- en marktanalyse

• Interviews met 12 potentiele gebruikers (recruiters en HR-managers)
• Analyse van het mislukte prototype: wat was er bruikbaar, wat moest weg
• Concurrentieanalyse van bestaande tools in de markt
• Definitie van de unique selling points die het platform onderscheiden

Week 2: Technisch ontwerp

• Architectuur-ontwerp voor een multi-tenant SaaS platform
• Data-model voor het AI matching-algoritme
• Wireframes voor de 5 kernschermen
• Technische roadmap met fasering
• Go/no-go beslismoment met de founders

Het resultaat van de discovery was een document van 30 pagina's met het complete technische ontwerp, een realistische planning, en een scherpe MVP-scope. We hadden bewust features geschrapt die mooi waren maar niet essentieel voor de eerste versie.

Fase 2: MVP Ontwikkeling (3 maanden)

Met het ontwerp als basis zijn we begonnen met de bouw van het minimum viable product. We werkten in sprints van twee weken, met aan het einde van elke sprint een demo aan de founders.

Maand 1: Fundament

• Cloud-native infrastructuur opgezet met automatische schaalbaarheid
• Multi-tenant architectuur: elke klant heeft zijn eigen afgeschermde omgeving maar deelt de infrastructuur
• Gebruikersbeheer met rollen (admin, recruiter, hiring manager, kandidaat)
• Basisflow: vacature aanmaken, kandidaat toevoegen, handmatige match

Maand 2: AI-kern

• Matching-algoritme versie 1: analyse van cv-tekst, vacaturetekst en aanvullende profielvragen
• Scoring-systeem dat kandidaten rangschikt op basis van harde skills, ervaring en cultuurfit-indicatoren
• Feedback-loop: recruiters geven aan of een match goed of slecht was, het algoritme leert hiervan
• Dashboard met matching-scores en uitleg waarom een kandidaat wel of niet past

Maand 3: Gebruikerservaring en integraties

• Onboarding-flow voor nieuwe klanten: in 15 minuten van registratie tot eerste vacature
• E-mail notificaties en in-app berichten
• API-koppelingen met LinkedIn (voor profieldata) en populaire ATS-systemen
• Rapportage: time-to-hire, matching-nauwkeurigheid, activiteit per recruiter

Fase 3: Launch (1 maand)

De lancering was geen big bang maar een gecontroleerde uitrol:

Week 1-2: Besloten beta We nodigden 25 recruiters uit die tijdens de discovery-fase hadden meegedacht. Zij kregen gratis toegang in ruil voor intensieve feedback. Dit leverde 47 bug reports en 23 feature requests op. De kritieke bugs werden direct opgelost, de feature requests gingen op de roadmap.

Week 3: Soft launch Opening voor de eerste betalende klanten via een wachtlijst die de marketing-collega had opgebouwd. De eerste 100 gebruikers kwamen binnen via directe outreach en LinkedIn-campagnes van de founders.

Week 4: Publieke launch Officiele lancering met een PR-campagne, een launch event (online), en activatie van betaalde marketing-kanalen. De founders publiceerden hun verhaal op LinkedIn, wat resulteerde in een post die viraal ging in de Nederlandse HR-community.

Fase 4: Scale (doorlopend)

Na de lancering schakelden we over naar een continu doorontwikkelmodel:

• Tweewekelijkse releases met nieuwe features en verbeteringen
• Schaalvergroting van de infrastructuur op basis van groei
• Doorontwikkeling van het AI-algoritme met groeiende dataset
• Performance-optimalisatie naarmate het gebruikersaantal steeg

De Oplossing in Detail#

Multi-tenant SaaS Architectuur

Het platform is gebouwd als een multi-tenant applicatie, wat betekent dat alle klanten dezelfde codebase en infrastructuur delen, maar hun data strikt gescheiden is. Dit biedt drie voordelen:

1. Kostenefficient: De infrastructuurkosten worden gedeeld, wat het platform betaalbaar maakt voor kleinere recruitment-bureaus
2. Snelle updates: Een verbetering wordt in een keer uitgerold naar alle klanten
3. Schaalbaar: Nieuwe klanten toevoegen kost geen extra configuratie

AI-gedreven Matching

Het hart van het platform is het matching-algoritme dat we in drie lagen hebben opgebouwd:

Laag 1 - Harde criteria: Automatische analyse van cv's en vacatures op functie-eisen, ervaring, locatie, en salarisindicatie. Dit filtert de duidelijke mismatches eruit.

Laag 2 - Zachte vaardigheden: Analyse van motivatiebrieven, profielteksten en antwoorden op cultuurvragen. Het algoritme herkent patronen in taalgebruik die correleren met eigenschappen als teamgerichtheid, zelfstandigheid en leiderschap.

Laag 3 - Lerend systeem: Elke keer dat een recruiter een match accepteert of afwijst, leert het systeem. Na 1.000 voltooide matchingcycli was de nauwkeurigheid van het algoritme gestegen van 62% naar 84%.

Geautomatiseerde Onboarding

Een cruciaal onderdeel van de groei was de self-service onboarding. Een nieuwe klant kan binnen 15 minuten volledig operationeel zijn:

1. Registratie en bedrijfsprofiel aanmaken (2 minuten)
2. Eerste vacature invoeren via een gestructureerd formulier (5 minuten)
3. Bestaande kandidaten importeren via CSV of ATS-koppeling (5 minuten)
4. Eerste matches ontvangen (3 minuten)

Dit proces is volledig geautomatiseerd, zonder tussenkomst van ons team. Het stelde de startup in staat om te schalen zonder evenredig meer support-medewerkers aan te nemen.

De Resultaten#

Groei-tijdlijn

Voor en Na Vergelijking

Kerncijfers na 12 Maanden

10.000+ actieve gebruikers op het platform, verdeeld over 168 betalende organisaties in Nederland en Belgie. Het platform verwerkt dagelijks gemiddeld 2.400 matching-verzoeken.

99,95% uptime over de volledige 12 maanden, inclusief twee geplande maintenance-windows. Er is een enkel ongepland incident geweest van 23 minuten, veroorzaakt door een derde-partij API die tijdelijk niet beschikbaar was.

NPS-score van 72, gemeten via kwartaalsurveys onder actieve gebruikers. Ter vergelijking: de gemiddelde NPS in de B2B SaaS-markt ligt rond de 40. Gebruikers waarderen met name de snelheid van het platform, de kwaliteit van de AI-matches, en de eenvoudige onboarding.

Seed funding van EUR 1,2 miljoen binnengehaald in maand 10, geleid door een Nederlands venture capital fonds gespecialiseerd in HR-tech. De investeerders noemden de technische architectuur en de snelle groei als doorslaggevende factoren.

Geleerde Lessen#

1. MVP betekent echt minimum

De neiging om "nog even dit ene feature" toe te voegen is groot, zeker als de founders dagelijks feedback krijgen van potentiele klanten. We hebben bewust een strikte MVP-scope aangehouden. Features die niet direct bijdroegen aan de kernwaardepropositie, matchen van kandidaten met vacatures, werden uitgesteld. Dit hield ons op schema en binnen budget.

2. AI heeft data nodig, plan daar voor

Het matching-algoritme had in het begin niet genoeg data om nauwkeurig te zijn. We losten dit op door tijdens de beta-fase recruiters te vragen om ook handmatige feedback te geven op matches die ze zelf hadden gemaakt. Dit versnelde de leerfase van het algoritme aanzienlijk. Na circa 1.000 feedbackcycli begon de AI structureel betere matches te leveren dan handmatige selectie.

3. Self-service onboarding is een groeimachine

De beslissing om te investeren in self-service onboarding betaalde zich dubbel en dwars terug. Zonder deze investering had de startup voor elke nieuwe klant een medewerker nodig gehad. Nu schalen ze zonder plafond.

4. Bouw voor multi-tenant vanaf dag een

Het eerdere prototype was single-tenant. Het ombouwen zou meer werk zijn geweest dan opnieuw beginnen. Door direct multi-tenant te werken, bespaarden we maanden aan refactoring.

5. Monitoring is geen luxe

Vanaf dag een hadden we uitgebreide monitoring en alerting ingericht. Dit stelde ons in staat om problemen te signaleren voordat gebruikers ze merkten. De 99,95% uptime is geen toeval maar het resultaat van proactief beheer.

Conclusie#

Dit project bewijst dat je geen technische co-founder nodig hebt om een succesvolle SaaS startup te bouwen. Wat je wel nodig hebt is een helder concept, marktkennis, en een ontwikkelpartner die begrijpt dat een startup bouwen anders is dan enterprise software. De HR-tech startup staat nu op eigen benen met een eigen technisch team. Onze rol is verschoven van bouwer naar adviseur, precies zoals het hoort.

Heb je een idee voor een SaaS platform en zoek je een partner om het te realiseren? Bekijk onze custom software ontwikkeling en neem contact op voor een vrijblijvend gesprek.

"Ze hebben niet alleen software gebouwd, ze hebben ons geholpen een tech-bedrijf te worden. Dat is een wezenlijk verschil." - Co-founder, HR-tech startup