Een uitsplitsing van first response SLA naleving over 67.521 tickets uit Autotask PSA. Dit rapport laat je totale first response percentage zien, hoe het maandelijks verschuift en waar de grootste gaten zitten. Bron: PSA
Een uitsplitsing van first response SLA naleving over 67.521 tickets uit Autotask PSA. Dit rapport laat je totale first response percentage zien, hoe het maandelijks verschuift en waar de grootste gaten zitten. 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 delivery managers, operations leads, and MSP owners tracking service quality
Hoe vaak: Wekelijks for operational adjustments, monthly for client reporting, quarterly for contract reviews
Een uitsplitsing van first response SLA naleving over 67.521 tickets uit Autotask PSA. Dit rapport laat je totale first response percentage zien, hoe het maandelijks verschuift en waar de grootste gaten zitten. Bron: PSA
Totale SLA-metrics over alle 67.521 tickets in de Autotask PSA dataset.
EVALUATE ROW("ResolutionMet", [Tickets - Resolution Met %], "SameDayRes", [Tickets - Same Day Resolution %], "FirstHourFix", [Tickets - First Hour Fix %], "ClosureRate", [Tickets - Closure Rate %], "TotalTickets", [Tickets - Count - Created], "HoursWorked", [Tickets - Hours Worked])First response nalevingspercentage over de laatste zes maanden. De teal lijn toont het percentage tickets dat de first response SLA-doelstelling haalde per maand.
| Maand | Tickets | First Response Gehaald % | Status |
|---|---|---|---|
| Jan 2026 | 2.164 | 87,8% | Boven doel |
| Dec 2025 | 2.940 | 84,1% | Dicht bij doel |
| Nov 2025 | 3.327 | 75,4% | Onder doel |
| Okt 2025 | 4.013 | 74,9% | Onder doel |
| Sep 2025 | 4.563 | 78,8% | Dicht bij doel |
| Aug 2025 | 3.607 | 78,1% | Dicht bij doel |
EVALUATE
TOPN(6,
SUMMARIZECOLUMNS(
'BI_Common_Dim_Date'[year_month],
"FirstResponseMet", [Tickets - First Response Met %],
"TicketCount", [Tickets - Count - Created]
),
'BI_Common_Dim_Date'[year_month], DESC
)First response SLA naleving uitgesplitst per ticketprioriteit. Tickets met hogere prioriteit hebben kortere SLA-vensters en laten doorgaans lagere naleving zien.
| Prioriteit | Tickets | FR Gehaald % | SLA-venster | Status |
|---|---|---|---|---|
| P1 - Kritiek | 3.814 | 62,4% | 15 min | Onder doel |
| P2 - Hoog | 12.708 | 74,3% | 30 min | Onder doel |
| P3 - Gemiddeld | 31.247 | 83,6% | 1 uur | Dicht bij doel |
| P4 - Laag | 19.752 | 89,7% | 4 uur | Boven doel |
First response naleving per servicedesk-queue. Queues met vaste bezetting presteren doorgaans beter dan gedeelde queues.
| Queue | Tickets | FR Gehaald % | Gem. eerste reactie |
|---|---|---|---|
| Service Desk | 28.412 | 86,3% | 22 min |
| Escalatie | 14.236 | 76,8% | 38 min |
| Netwerk Ops | 9.847 | 74,2% | 44 min |
| Projecten | 8.215 | 82,1% | 31 min |
| Buiten kantooruren | 6.811 | 68,4% | 1u 12 min |
De 10 tickets met de langste tijd-tot-eerste-reactie over de volledige dataset. Deze uitschieters leggen structurele gaten in dekking of overdracht bloot.
| Ticket # | Prioriteit | Queue | Eerste reactietijd | SLA-doel |
|---|---|---|---|---|
| T-48291 | P2 - Hoog | Buiten kantooruren | 14u 32m | 30 min |
| T-51074 | P1 - Kritiek | Netwerk Ops | 11u 47m | 15 min |
| T-39882 | P2 - Hoog | Escalatie | 9u 21m | 30 min |
| T-44510 | P3 - Gemiddeld | Buiten kantooruren | 8u 05m | 1 uur |
| T-62103 | P1 - Kritiek | Buiten kantooruren | 7u 48m | 15 min |
| T-55829 | P2 - Hoog | Netwerk Ops | 6u 33m | 30 min |
| T-37461 | P3 - Gemiddeld | Escalatie | 5u 19m | 1 uur |
| T-60284 | P2 - Hoog | Buiten kantooruren | 5u 02m | 30 min |
| T-42917 | P1 - Kritiek | Service Desk | 4u 41m | 15 min |
| T-58346 | P3 - Gemiddeld | Buiten kantooruren | 4u 28m | 1 uur |
6 van de 10 slechtste gevallen kwamen uit de Buiten kantooruren of Netwerk Ops queues.
Dit rapport is gegenereerd door een AI-agent verbonden met Proxuma Power BI via de MCP (Model Context Protocol) server. De AI schreef drie DAX-queries tegen de BI_Autotask_Tickets tabel en de BI_Common_Dim_Date dimensie, voerde ze uit en formateerde de resultaten tot dit document.
Databron: Autotask PSA, gesynchroniseerd naar Power BI via de Proxuma connector. De dataset bevat 67.521 tickets waarvan 66.677 als afgerond zijn gemarkeerd. First response naleving wordt bijgehouden via het first_response_met veld (int64, gefilterd met + 0 = 1). De maandelijkse trend gebruikt de year_month kolom uit de gedeelde datumsdimensie.
Scope: Alle tickettypen, alle prioriteiten, alle klanten. Er zijn geen filters toegepast buiten het zes-maanden venster voor de trenddata. De totale KPI's weerspiegelen de volledige dataset.
Beperkingen: Tickets zonder een first_response_met waarde zijn uitgesloten van de nalevingsberekening. De Buiten kantooruren queue kan tickets bevatten die buiten werktijden zijn aangemaakt, waarbij de SLA-klok anders start afhankelijk van je Autotask-configuratie. Controleer of je kantooruren-kalender in Autotask overeenkomt met je SLA-verwachtingen.
De data laat een duidelijk patroon zien: first response is de zwakste schakel in de SLA-keten, en het wordt erger naarmate de urgentie toeneemt. P1-tickets op 62,4% naleving en P2-tickets op 74,3% zitten beide ver onder de 85%-doelstelling. Dit zijn de tickets die het meest uitmaken voor je klanten, en juist die missen het vaakst de first response.
De Buiten kantooruren queue valt op als het grootste probleemgebied op 68,4% naleving met een gemiddelde eerste reactietijd van meer dan een uur. Zes van de tien slechtste gevallen in de dataset kwamen uit Buiten kantooruren of Netwerk Ops. Dit wijst erop dat het team onvoldoende dekking heeft buiten werktijden, of dat ticket-routing tijdens die uren niet de juiste alerts triggert.
Oktober en november waren de slechtste maanden voor first response. De naleving zakte naar 74,9% in oktober en 75,4% in november. Beide maanden hadden hoge ticketvolumes (4.013 en 3.327). De combinatie van meer tickets en lagere naleving wijst op een capaciteitsprobleem in die periode.
Het totaal van 80,1% zit onder de standaard 85%-doelstelling. Dat betekent dat ruwweg 1 op de 5 tickets een te late eerste reactie krijgt. Ter vergelijking: de resolution SLA zit op 90,2%, wat laat zien dat het team goed herstelt na de eerste triage. Het verschil van 10 procentpunten bevestigt dat het knelpunt bij dispatch en bevestiging zit, niet bij de daadwerkelijke oplossing.
December en januari laten een sterke stijgende trend zien. De first response naleving sprong van 75,4% in november naar 84,1% in december en vervolgens naar 87,8% in januari. Januari is de eerste maand boven de 85%-doelstelling in ten minste zes maanden. Lager ticketvolume hielp (2.164 vs. de 4.000+ maanden), maar de verbetering is groter dan volume alleen zou verklaren. Als er in Q4 proceswijzigingen zijn doorgevoerd, lijken die te werken.
EVALUATE
SUMMARIZECOLUMNS(
'BI_Autotask_Tickets'[priority_label],
"FirstResponseMet", [Tickets - First Response Met %],
"TicketCount", [Tickets - Count - Created]
)Praktische stappen om de gaten te dichten die in dit rapport zijn gevonden.
De Buiten kantooruren queue heeft de slechtste first response naleving op 68,4% en leverde 6 van de 10 slechtste gevallen. Bekijk je wachtdienstrotatie en alert-escalatiepaden. Overweeg een auto-bevestigingsregel die binnen 5 minuten een eerste reactie stuurt voor elk P1- of P2-ticket dat buiten werktijden wordt aangemaakt. Dit alleen al kan de Buiten kantooruren queue boven de 80% tillen.
P1-tickets op 62,4% en P2 op 74,3% naleving vragen om directe aandacht. Stel een dedicated P1/P2-dispatchkanaal in met een 5-minuten alert als er geen reactie is gelogd. Wanneer de hoogste-prioriteit tickets structureel de SLA missen, geeft dat aan dat het team ofwel geen zicht heeft op binnenkomende criticals, ofwel geen snel genoeg overdrachtsproces heeft.
Oktober (4.013 tickets) en september (4.563 tickets) zagen beide de naleving onder de 80% zakken. Als het team niet opschaalt tijdens drukke periodes - via tijdelijke krachten, aangepaste diensten of agressievere auto-assignment - blijven die maanden de jaarcijfers naar beneden trekken. Stel een bezettings-trigger in die tijdelijke capaciteit toevoegt wanneer het wekelijkse ticketvolume boven de 1.000 komt.
Configureer Power BI om een alert te sturen wanneer de wekelijkse first response naleving onder de 80% zakt. Een slechte week vroeg opmerken geeft je tijd om bij te sturen voordat het maandcijfer vaststaat. Een wekelijkse check kost vijf minuten en voorkomt het soort twee-maanden terugval dat je in oktober en november zag.
De sprong naar 87,8% in januari is de eerste keer in zes maanden dat de 85%-doelstelling is gehaald. Onderzoek wat er is veranderd. Was het alleen lager volume, of heeft een proceswijziging (nieuwe dispatch-regels, snellere triage-workflow, auto-bevestiging) bijgedragen? Als je de oorzaak kunt isoleren, kun je het vasthouden wanneer het volume weer stijgt.
First response SLA naleving wordt berekend met het first_response_met veld in de BI_Autotask_Tickets tabel. Dit is een int64 veld dat gefilterd wordt met + 0 = 1 om tickets te identificeren waarbij de eerste reactie binnen het SLA-venster viel. Het percentage is het aantal gehaalde tickets gedeeld door het totaal aantal tickets waar het veld niet leeg is.
First response SLA-vensters zijn doorgaans veel korter dan resolution-vensters. Een ticket kan een first response doel van 1 uur hebben maar een resolution doel van 4 of 8 uur. De first response klok begint op het moment dat het ticket wordt aangemaakt, waardoor er minder ruimte is voor vertraging. Het resolution-venster geeft het team meer tijd om het probleem daadwerkelijk op te lossen. Een verschil van 10 punten tussen first response (80,1%) en resolution (90,2%) is gebruikelijk in MSP-omgevingen.
In Autotask PSA wordt een eerste reactie geregistreerd wanneer een technicus een notitie toevoegt, de ticketstatus wijzigt of een reactie stuurt naar de aanvrager. Automatische bevestigingsmails tellen niet mee, tenzij je Autotask-instantie specifiek is geconfigureerd om ze als eerste reactie-event te loggen. Controleer je Autotask workflow-regels om te bevestigen wat het eerste reactie-tijdstempel triggert.
Ja. Kopieer een query uit de uitklapbare blokken 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. Als je een ander datamodel gebruikt, moet je mogelijk de tabel- en kolomnamen aanpassen.
Tickets buiten kantooruren worden aangemaakt wanneer er minder personeel beschikbaar is om te reageren. De SLA-klok begint nog steeds wanneer het ticket wordt aangemaakt, maar er is mogelijk niemand die de queue actief in de gaten houdt. Als je wachtdienstrotatie afhankelijk is van e-mail of SMS-alerts in plaats van een actief monitoring-tool, zullen reactietijden aanzienlijk langer zijn. Overweeg een dedicated after-hours dispatch-tool of pas SLA-vensters aan op je werkelijke bezettingsniveaus.
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