Een momentopname van 844 achterstallige tickets verspreid over 14+ klanten uit Autotask PSA. Dit rapport laat zien waar de achterstand zich concentreert, hoe lang tickets al over hun deadline heen zijn, en welke accounts directe aandacht nodig hebben. Bron: PSA
Een momentopname van 844 achterstallige tickets verspreid over 14+ klanten uit Autotask PSA. Dit rapport laat zien waar de achterstand zich concentreert, hoe lang tickets al over hun deadline heen zijn, en welke accounts directe aandacht nodig hebben. Bron: PSA
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 desk managers, dispatch leads, and operations teams
Hoe vaak: Dagelijks for queue management, weekly for trend analysis, monthly for capacity planning
Een momentopname van 844 achterstallige tickets verspreid over 14+ klanten uit Autotask PSA. Dit rapport laat zien waar de achterstand zich concentreert, hoe lang tickets al over hun deadline heen zijn, en welke accounts directe aandacht nodig hebben. Bron: PSA
Huidige status van achterstallige tickets uit de live Autotask PSA dataset. Achterstallig = due_datetime < NOW() zonder complete_datetime.
EVALUATE SUMMARIZECOLUMNS('BI_Autotask_Tickets'[status_name], "TicketCount", COUNTROWS('BI_Autotask_Tickets'))Top 14 klanten gerangschikt op aantal achterstallige tickets. Severity badge: rood = 30+ achterstallig, amber = 15-29. Gem. Dagen Achterstallig laat zien hoe lang tickets gemiddeld over hun deadline heen zijn.
| Status | Count |
|---|---|
| Complete | 66,677 |
| Planned | 213 |
| In progress | 205 |
| New | 169 |
| Waiting | 256 |
EVALUATE SUMMARIZECOLUMNS('BI_Autotask_Tickets'[status_name], "TicketCount", COUNTROWS('BI_Autotask_Tickets'))Hoe lang achterstallige tickets al over hun deadline heen zijn. Gegroepeerd op leeftijdscategorie uit het due_date_age_category veld. Langere balken en rodere kleuren wijzen op diepere verouderingsproblemen.
EVALUATE
SUMMARIZECOLUMNS(
'BI_Autotask_Tickets'[due_date_age_category],
FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[due_datetime] < NOW() &&
ISBLANK('BI_Autotask_Tickets'[complete_datetime])
),
"Count", DISTINCTCOUNT('BI_Autotask_Tickets'[ticket_id])
)Met 113 achterstallige tickets en een gemiddelde van 110 dagen over de deadline is Client A de grootste concentratie van risico in het portfolio. Dit zijn geen recent gemiste deadlines. Deze tickets staan al bijna vier maanden open. Elke SLA-review of klantrapportage zal dit direct aan het licht brengen. Alleen al het aanpakken van Client A zou het totale achterstallige aantal met meer dan een tiende verlagen.
De leeftijdsverdeling laat zien dat ongeveer 75% van de achterstallige tickets langer dan 60 dagen over de deadline is. Dit is een structureel probleem, geen tijdelijke piek. Nieuwe tickets worden op tijd afgehandeld (nul vandaag vervallend, nul deze week), maar de oude achterstand groeit omdat niets deze tickets terug in actieve workflows dwingt. Zonder een gerichte opschoonactie wordt de 90+ dagen categorie alleen maar groter.
Het feit dat er geen tickets vandaag of deze week vervallen betekent dat het team niet achterloopt op nieuw werk. De SLA-naleving voor de huidige periode lijkt gezond. Het achterstandsprobleem is volledig historisch. Dit is goed nieuws, want het betekent dat een gerichte cleanup-sprint de achterstand kan verminderen zonder te concurreren met de inkomende ticketstroom.
De 844 achterstallige tickets vormen een achterstand die al maanden opbouwt. De data laat zien dat dit geconcentreerd is bij een klein aantal klanten (de top 5 is goed voor 287 tickets, oftewel 34% van het totaal) en sterk scheef verdeeld is richting oudere leeftijdscategorieen.
Stap 1: Triage de top 5 klanten. Begin met Client A (113 tickets, 110 dagen gem.). Trek die tickets naar een apart board of queue. Classificeer elk ticket als "nog actief," "wachtend op klant" of "kan gesloten worden." Veel tickets die 90+ dagen oud zijn, zijn mogelijk al informeel opgelost maar nooit gesloten in Autotask. Een enkele doorloop kan 20-30% van de achterstand wegwerken.
Stap 2: Stel een wekelijkse achterstandsreview in. Voeg een wekelijks checkpoint van 15 minuten toe waarbij de servicemanager de [Tickets - Overdue] measure bekijkt, gefilterd op due_date_age_category. Focus op alles dat die week de 30+ dagen grens is gepasseerd. Het doel is om te voorkomen dat tickets in de 90+ dagen categorie belanden.
Stap 3: Bouw een auto-escalation rule. Elk ticket waarbij due_date_age_days meer dan 14 is, moet een automatische notificatie triggeren naar de toegewezen resource en hun teamlead. Autotask workflow rules kunnen dit standaard afhandelen. De huidige data laat zien dat zodra een ticket 14 dagen achterstallig is, het de neiging heeft om dat onbeperkt te blijven.
Stap 4: Track voortgang maandelijks. Gebruik dezelfde rapportstructuur als maandelijks checkpoint. Het doel: de 90+ dagen categorie met 50% verminderen binnen 60 dagen, en het totaal achterstallig onder de 400 brengen binnen 90 dagen.
Een ticket is achterstallig wanneer de due_datetime in het verleden ligt en er geen complete_datetime is. Het veld due_date_age_days houdt bij hoeveel dagen er verstreken zijn sinds de deadline. Dit rapport gebruikt niet is_sla_overdue (dat bestaat niet in het datamodel). In plaats daarvan filtert het direct op due_datetime < NOW() gecombineerd met ISBLANK(complete_datetime).
De [Tickets - Due Today] measure telt tickets waarvan de due_datetime op de huidige kalenderdatum valt en die nog open zijn. Nul betekent dat er vandaag geen tickets hun deadline bereiken. De 844 achterstallige tickets hebben allemaal deadlines die al gepasseerd zijn, sommige meer dan 100 dagen geleden. Dit is een achterstandsprobleem, geen drukprobleem van vandaag.
Ja. Kopieer een query uit de toggles hierboven en plak deze in DAX Studio of de Power BI Desktop performance analyzer. De queries verwijzen naar standaard Proxuma-datamodeltabellen en measures die in elke Proxuma Power BI deployment aanwezig zijn. Vervang company_name waarden met je eigen klantnamen om te filteren op specifieke accounts.
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