Gegenereerd door AI via de Proxuma Power BI MCP-server. Eerste reactietijd en SLA-naleving per ticketprioriteit, van P1 Kritisch tot Serviceaanvragen.
Gegenereerd door AI via de Proxuma Power BI MCP-server. Eerste reactietijd en SLA-naleving per ticketprioriteit, van P1 Kritisch tot Serviceaanvragen.
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 delivery managers, operations leads, and MSP owners tracking service quality
Hoe vaak: Wekelijks for operational adjustments, monthly for client reporting, quarterly for contract reviews
Gegenereerd door AI via de Proxuma Power BI MCP-server. Eerste reactietijd en SLA-naleving per ticketprioriteit, van P1 Kritisch tot Serviceaanvragen.
EVALUATE ROW("TotalTickets", COUNTROWS('BI_Autotask_Tickets'), "AvgFirstRespHrs", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]), "FRMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_response_met] + 0 = 1), "AvgResolutionHrs", AVERAGE('BI_Autotask_Tickets'[resolution_duration_hours]))Alle prioriteiten met eerste reactiedata. Gesorteerd op ticketvolume aflopend.
| Metric | Value |
|---|---|
| Avg First Response | 6.25h |
| FR SLA Met | 52.9% |
| Avg Resolution | 18.04h |
| Total Tickets | 67,521 |
EVALUATE ROW("TotalTickets", COUNTROWS('BI_Autotask_Tickets'), "AvgFirstRespHrs", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]), "FRMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_response_met] + 0 = 1), "AvgResolutionHrs", AVERAGE('BI_Autotask_Tickets'[resolution_duration_hours]))De data toont een patroon dat veel voorkomt bij MSP’s met een goed P1-escalatieproces maar zwakkere algemene wachtrijbeheer. P1-kritische tickets hebben gemiddeld 0,83 uur tot de eerste reactie, wat snel is. Het team mobiliseert duidelijk wanneer iets als een systeemstoringen wordt aangemerkt. Maar P2-hoge tickets gemiddeld 9,59 uur, elf keer langer. Dat verschil is het probleem. Klanten die een hoge-prioriteitsprobleem indienen en bijna een werkdag wachten op een reactie merken dat discrepantie, ook als ze het niet in SLA-termen kunnen verwoorden.
P3-medium tickets met gemiddeld 8,87 uur en slechts 34,4% SLA-naleving vormen het grootste volumeprobleem. Met 14.715 tickets in deze band missen meer dan 9.600 tickets de eerste reactie-SLA. Dat volume maakt dit tot de grootste bron van klantrisico in de portefeuille. P4-lage tickets halen de beste SLA-score van 61,1%, wat nog steeds onder de meeste contractuele targets valt maar een beter beheersbare wachtrij weerspiegelt met minder prioriteitsdruk.
Service- en wijzigingsverzoeken gemiddeld 7,74 uur met 56,5% naleving. Deze zijn van nature doorgaans niet-urgent, maar het nalevingspercentage telt nog steeds voor beheercontractklanten die binnen een vastgesteld tijdvenster een bevestiging verwachten.
4 actiepunten op basis van bovenstaande data
P2-tickets gemiddeld 9,59 uur tot de eerste reactie en slechts 639 van de 1.788 halen SLA. Dit is de prioriteitsband waar klanten de grootste kloof voelen tussen verwachting en realiteit. Hoge-prioriteitswerk zou binnen 1 tot 2 uur een reactie moeten krijgen in de meeste beheercontracten. Een gemiddelde van 9,59 uur suggereert dat P2-tickets in de algemene wachtrij zitten zonder triageonderscheid ten opzichte van P3-werk.
Met 14.715 P3-tickets bij 34,4% naleving faalden meer dan 9.600 tickets bij eerste reactie-SLA. Bij dit volume zijn dit geen incidentele missers. Het is een structureel patroon. Beoordeel of P3 SLA-targets haalbaar zijn met de huidige bezetting, of dat de wachtrij-routing moet veranderen om te voorkomen dat P3-tickets structureel worden vertraagd door hoger prioriteitswerk.
P1-kritische tickets krijgen gemiddeld binnen een uur een reactie. Dit toont dat het escalatieproces functioneert. De uitdaging is die urgentiediscipline door te trekken naar de P2-band, waar dezelfde klanten een bijna-kritische reactie verwachten maar de wachtrij dit niet zo behandelt.
Zelfs met een gemiddelde van 0,83 uur haalt slechts de helft van de P1-tickets de SLA-verplichting. Dit betekent waarschijnlijk dat SLA-targets voor P1 strak zijn (15 tot 30 minuten in veel contracten) en dat sommige kritische tickets, met name buiten kantooruren of tijdens piekbelasting, toch de SLA schenden. Analyseer de verdeling van P1-reactietijden en controleer of dekking buiten kantooruren de voornaamste oorzaak is.
Autotask registreert het tijdstempel waarop de eerste interne notitie of tijdregistratie op een ticket wordt gezet. De eerste reactietijd is het verschil tussen het aanmaakvenstertijdstempel van het ticket en dat eerste activiteitstijdstempel. Geautomatiseerde reacties en systeemgegenereerde notities kunnen al dan niet meetellen afhankelijk van uw Autotask-configuratie. Controleer uw SLA-definitie-instellingen om te bevestigen wat Autotask als een geldige eerste reactie beschouwt.
P2-tickets hebben in de meeste contracten strakkere SLA-targets dan P3. Als P2-SLA reactie binnen 1 uur vereist en P3 binnen 4 uur, kunnen beide prioriteiten vergelijkbare werkelijke reactietijden vertonen terwijl P2 een lagere naleving laat zien. Controleer uw SLA-configuratie in Autotask om de targetvensters per prioriteitsband te bevestigen.
Ja. Vraag de AI om een filter toe te voegen aan de DAX-query voor een specifieke klant, contracttype of periode. Bijvoorbeeld: “Toon de eerste reactietijd per prioriteit voor beheerserviceklanten, afgelopen 90 dagen.” De querystructuur blijft gelijk; de filterconditie verandert.
Ja. Verbind Proxuma Power BI met uw Autotask PSA-account, koppel een AI-tool via MCP en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit op uw echte data en genereert een rapport als 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