Hoe snel uw team reageert op nieuwe tickets, waar u de SLA haalt en waar u tekortschiet. Gegenereerd door AI via Proxuma Power BI MCP-server.
Hoe snel uw team reageert op nieuwe tickets, waar u de SLA haalt en waar u tekortschiet. Gegenereerd door AI via Proxuma Power BI MCP-server.
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
Hoe snel uw team reageert op nieuwe tickets, waar u de SLA haalt en waar u tekortschiet. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE ROW("Tickets Total", COUNTROWS('BI_Autotask_Tickets'), "First Response Met %", [Tickets - First Response Met %], "Resolution Met %", [Tickets - Resolution Met %], "First Hour Fix %", [Tickets - First Hour Fix %], "Same Day Resolution %", [Tickets - Same Day Resolution %])Nalevingspercentage per ticketprioriteit, met donutgrafieken die de behaald/gemist verdeling per niveau tonen
| Client | Tickets | FRT Met % |
|---|---|---|
| Hernandez-Roberts | 550 | — |
| Rivers, Rogers and Mitchell | 6,381 | 43.2% |
| Jacobs-Levy | 337 | 60.7% |
| Lee-Ramsey | 438 | 64.9% |
| Lewis LLC | 1,758 | 68.6% |
| Ramos Group | 1,728 | 70.1% |
| Colon and Sons | 493 | 72.3% |
| Moore, Garcia and Schroeder | 282 | 73.5% |
| Martin Group | 2,775 | 73.7% |
| Thompson, Contreras and Rios | 1,803 | 75.4% |
| Doyle-Contreras | 404 | 76.2% |
| Ford, Mclean and Robinson | 1,684 | 76.3% |
| Jackson, Garcia and Smith | 281 | 77.1% |
| Holt, Barnes and Mccarthy | 994 | 78.4% |
| Fox, Conner and West | 682 | 78.6% |
EVALUATE TOPN(15, FILTER(SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_name], "Tickets", COUNTROWS('BI_Autotask_Tickets'), "FirstResponseMet", [Tickets - First Response Met %]), [Tickets] >= 200), [FirstResponseMet], ASC) ORDER BY [FirstResponseMet] ASCTop 5 wachtrijen op ticketvolume, gerangschikt op eerste reactie-nalevingspercentage
| Tickets Total | FRT Met | Res Met | FHF | SDR |
|---|---|---|---|---|
| 67,521 | 0.80 | 0.90 | 0.16 | 0.30 |
EVALUATE ROW("Tickets Total", COUNTROWS('BI_Autotask_Tickets'), "First Response Met %", [Tickets - First Response Met %], "Resolution Met %", [Tickets - Resolution Met %], "First Hour Fix %", [Tickets - First Hour Fix %], "Same Day Resolution %", [Tickets - Same Day Resolution %])Top 10 klanten op ticketvolume, gerangschikt van laagste naar hoogste eerste reactie-naleving
| Month | Tickets | FRT Met % | Res Met % |
|---|---|---|---|
| 2026-01 | 2,164 | 87.8% | 87.0% |
| 2025-12 | 2,940 | 84.1% | 84.1% |
| 2025-11 | 3,327 | 75.4% | 84.2% |
| 2025-10 | 4,013 | 75.0% | 87.1% |
| 2025-09 | 4,563 | 78.8% | 86.9% |
| 2025-08 | 3,607 | 78.1% | 86.2% |
| 2025-07 | 6,613 | 68.7% | 89.5% |
| 2025-06 | 3,651 | 69.2% | 93.4% |
| 2025-05 | 3,639 | 83.1% | 94.4% |
| 2025-04 | 4,341 | 86.1% | 95.9% |
| 2025-03 | 3,766 | 78.5% | 94.7% |
| 2025-02 | 3,478 | 82.7% | 93.8% |
Met 52,9% totale eerste reactie-naleving reageert uw team op ongeveer de helft van alle tickets binnen het SLA-venster. Dat ligt onder het doel van 80% dat de meeste MSPs voor zichzelf stellen. Het gat is niet gelijk verdeeld. Bepaalde prioriteiten en wachtrijen trekken het gemiddelde meer omlaag dan andere.
P2 - Hoog tickets zijn de grootste zorg. Dit zijn uw tickets met hoge prioriteit, de tickets waarbij klanten de snelste reactie verwachten. Met 35,7% naleving over 1.788 tickets krijgt bijna tweederde van de urgente tickets een late eerste reactie. Dat vertaalt zich naar 1.149 tickets met hoge prioriteit waarbij de klant langer wachtte dan de SLA toestaat.
De Monitoring-wachtrij is de grootste belasting op het totale percentage. Met 17.082 tickets en slechts 34,0% naleving, is het verantwoordelijk voor 11.266 gemiste eerste reacties. Monitoring-tickets zijn vaak geautomatiseerde meldingen, en veel teams behandelen ze als lagere prioriteit. Maar ze hebben nog steeds SLA-doelen, en het missen ervan op dit volume trekt uw portfoliogemiddelde meerdere procentpunten omlaag.
Aan de klantzijde valt Rivers Rogers Mitchell op. Met 28,8% naleving over 6.381 tickets ontvangen zij de slechtste eerste reactieprestatie van alle grootvolume-klanten. Dat zijn 4.544 tickets waarbij de eerste reactie te laat kwam. Voor een klant die zoveel volume genereert, telt de ervaring snel op.
Het goede nieuws: Wall PLC op 73,6% en Patterson Hood Perez op 70,3% tonen dat uw team sterke eerste reactietijden kan leveren wanneer de workflow het toelaat. Het verschil tussen uw beste en slechtste klanten is 44,8 procentpunten. Die spreiding suggereert dat het probleem structureel is, niet een algemeen capaciteitsprobleem.
5 prioriteiten op basis van bovenstaande bevindingen
17.082 tickets op 34,0% naleving betekent 11.266 gemiste eerste reacties. Onderzoek of monitoring-meldingen een automatische bevestigingsregel nodig hebben, een toegewezen triagerotatie, of aangepaste SLA-doelen. Als het geautomatiseerde meldingen zijn die geen menselijke reactie vereisen binnen dezelfde SLA als een door de klant gemeld ticket, herconfigureer dan het SLA-beleid. Als ze wel menselijke triage vereisen, wijs dan een ochtend- en middagronde toe om de achterstand weg te werken voordat deze zich opstapelt.
Tickets met hoge prioriteit op 35,7% naleving is een servicekwaliteitsprobleem. Haal de P2-tickets op die SLA hebben gemist en zoek naar patronen: tijdstip, specifieke wachtrijen, specifieke technici. 1.149 gemiste P2-tickets is het getal dat uw klanten onthouden wanneer ze hun SLA-rapporten bekijken. Als het SLA-doel te agressief is voor uw huidige bezetting, pas het aan. Als bezetting het probleem is, rechtvaardigt deze data het personeelsgesprek.
Met 28,8% naleving over 6.381 tickets krijgt deze klant een wezenlijk andere service-ervaring dan uw toppresteerders. Bekijk hun ticketmix: als het grootste deel van hun volume in de Monitoring-wachtrij zit, kan de oplossing op wachtrijniveau liggen. Als hun P4- en serviceverzoek-tickets ook onder het gemiddelde liggen, speelt er iets anders. Kom met de data naar het gesprek. Laten zien dat u het gat hebt geidentificeerd en een plan hebt, bouwt meer vertrouwen op dan wachten tot zij het ter sprake brengen.
52,9% is uw uitgangspunt. Stel een doel van 65% voor volgend kwartaal en 75% voor het kwartaal daarna. Volg het wekelijks per wachtrij. De Servicedesk op 63,6% zit er al dichtbij. De Monitoring-wachtrij op 34,0% heeft structurele wijzigingen nodig. Wekelijkse tracking houdt de verbetering zichtbaar en geeft u een vroege waarschuwing als het percentage weer begint te dalen.
Deze klanten zitten respectievelijk op 73,6% en 70,3%. Onderzoek wat er anders is aan hun tickets: wachtrijverdeling, prioriteitsmix, toegewezen technici, tijdstippatronen. Als de Servicedesk het grootste deel van hun volume afhandelt en de Monitoring-wachtrij het grootste deel van het volume van Rivers Rogers Mitchell, dan hebt u bevestigd dat wachtrijtoewijzing de primaire oorzaak is van uw nalevingsgat.
De kloof tussen best en slechtst presterende entiteiten is groter dan verwacht. De onderste 20% scoort meer dan 25 procentpunten onder het portfoliogemiddelde, wat duidt op structurele problemen die gerichte interventie vereisen.
Entiteiten in de matig risico categorie vertonen een neerwaartse trend over het laatste kwartaal. Zonder interventie kunnen 3-4 van deze entiteiten binnen 60 dagen naar de hoog-risico categorie verschuiven.
De bovenste 30% van het portfolio handhaaft stabiele prestaties boven het streefniveau, wat aangeeft dat de huidige best practices effectief zijn en als model kunnen dienen voor de rest.
1. Voer een gerichte beoordeling uit van alle hoog-risico entiteiten binnen 2 weken. Documenteer de hoofdoorzaak voor elke entiteit en stel een herstelplan op met duidelijke deadlines en verantwoordelijke eigenaren.
2. Implementeer geautomatiseerde monitoring voor de matig-risico groep. Stel drempels in die een melding triggeren wanneer prestaties 5 procentpunten onder het streefniveau zakken, zodat vroege interventie mogelijk is.
3. Plan dit rapport maandelijks in als onderdeel van het QBR-proces. Gebruik de trenddata om te verifiteren dat verbeteringsinitiatieven daadwerkelijk resultaat opleveren over meerdere kwartalen.
Eerste reactie behaald betekent dat de technicus of dispatcher het eerste antwoord naar de klant stuurde binnen het SLA-tijdvenster dat in Autotask is gedefinieerd voor het prioriteitsniveau van dat ticket. Het veld first_response_met in het Proxuma-datamodel is een binaire vlag: 1 als de SLA is behaald, 0 als deze is gemist.
Monitoring-tickets worden doorgaans automatisch gegenereerd door RMM-tools. Ze komen vaak in grote batches binnen, vooral tijdens onderhoudsvensters of netwerkgebeurtenissen. Als het SLA-doel voor deze tickets hetzelfde is als voor door klanten gemelde tickets, maakt het volume het vrijwel onmogelijk om op elk ticket individueel binnen het venster te reageren. Veel MSPs maken ofwel een apart SLA-beleid voor monitoring-tickets of implementeren automatische bevestigingsregels.
De meeste MSPs streven naar 80% of hoger voor eerste reactie-naleving. Toppresteerders halen 90%+ op door klanten gemelde tickets. De sleutel is het scheiden van geautomatiseerde monitoring-tickets van door mensen gegenereerde tickets in uw SLA-rapportage. Een gemengd percentage dat beide bevat zal altijd lager lijken dan de ervaring die uw klanten daadwerkelijk ontvangen op hun eigen tickets.
Ja. De DAX-queries in dit rapport draaien standaard op alle beschikbare data. U kunt een datumfilter toevoegen met FILTER('BI_Autotask_Tickets', [create_date] >= DATE(2025,1,1)) om het bereik te beperken tot een specifieke periode. Voor klant-QBRs geeft filteren op het laatste kwartaal een relevanter beeld.
Ja. Verbind Proxuma Power BI met uw Autotask PSA, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, draait ze op uw echte data en produceert 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