Gegenereerd door AI via Proxuma Power BI MCP-server. Analyse van eerste-respons SLA-naleving per technician. 80,1% totale SLA-graad over 84 actieve technici.
Gegenereerd door AI via Proxuma Power BI MCP-server. Analyse van eerste-respons SLA-naleving per technician. 80,1% totale SLA-graad over 84 actieve technici.
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 Proxuma Power BI MCP-server. Analyse van eerste-respons SLA-naleving per technician. 80,1% totale SLA-graad over 84 actieve technici.
EVALUATE
ROW(
"First_Response_Met_Pct", [Tickets - First Response Met %],
"Resources_Total", [Resources - Total Count],
"Resources_Active", [Resources - Active Count]
)Technici met de laagste eerste-respons nalevingsgraad, gesorteerd op ernst
| Technician | Tickets | SLA Gehaald | SLA Gemist | Nalevingsgraad | Status |
|---|---|---|---|---|---|
| Michael Ayers | 6 | 1 | 5 | 16.7% | Critical |
| Donna Jordan | 53 | 13 | 40 | 24.5% | Critical |
| Jane Stewart | 1,327 | 334 | 993 | 25.2% | Critical — High volume |
| Mary Bishop | 64 | 19 | 45 | 29.7% | Critical |
| David Collins | 985 | 352 | 633 | 35.7% | Critical — High volume |
| Rose Rose | 447 | 163 | 284 | 36.5% | Critical |
| Michael Ruiz | 449 | 184 | 265 | 41.0% | Warning |
| Ross Stephens | 442 | 205 | 237 | 46.4% | Warning |
EVALUATE
TOPN(10,
FILTER(
SUMMARIZECOLUMNS(
'BI_Autotask_Tickets'[primary_resource_name],
"First_Response_Met_Pct", [Tickets - First Response Met %],
"Total_Tickets",
COUNTROWS(
FILTER('BI_Autotask_Tickets',
NOT(ISBLANK('BI_Autotask_Tickets'[first_response_met])))
)
),
[Total_Tickets] >= 5
),
[First_Response_Met_Pct], ASC
)Technici met de hoogste SLA-nalevingsgraad onder degenen met betekenisvol ticketvolume
| Technician | Tickets | SLA Gehaald | Nalevingsgraad | Visual |
|---|---|---|---|---|
| Nathan Curtis | 497 | 489 | 98.4% | |
| Sean White | 501 | 485 | 96.8% | |
| Kelly Cooper | 212 | 203 | 95.8% | |
| Megan Mclaughlin | 456 | 432 | 94.7% | |
| Brittany Chapman | 124 | 117 | 94.4% | |
| Sheila Morales | 221 | 207 | 93.7% | |
| Jennifer Liu | 413 | 384 | 93.0% | |
| Jonathon Burton | 1,000 | 921 | 92.1% |
EVALUATE
TOPN(10,
FILTER(
SUMMARIZECOLUMNS(
'BI_Autotask_Tickets'[primary_resource_name],
"First_Response_Met_Pct", [Tickets - First Response Met %],
"Total_Tickets",
COUNTROWS(
FILTER('BI_Autotask_Tickets',
NOT(ISBLANK('BI_Autotask_Tickets'[first_response_met])))
)
),
[Total_Tickets] >= 50
),
[First_Response_Met_Pct], DESC
)Technici die de meeste tickets verwerken. Hun SLA-graad heeft een onevenredige invloed op het totaalscore.
EVALUATE
TOPN(10,
SUMMARIZECOLUMNS(
'BI_Autotask_Tickets'[primary_resource_name],
"First_Response_Met_Pct", [Tickets - First Response Met %],
"Total_Tickets",
COUNTROWS(
FILTER('BI_Autotask_Tickets',
NOT(ISBLANK('BI_Autotask_Tickets'[first_response_met])))
)
),
[Total_Tickets], DESC
)
ORDER BY [Total_Tickets] DESCHet hoofdcijfer is 80,1% eerste-respons naleving. Dat betekent dat ongeveer één op de vijf tickets het eerste-responsvenster mist. Voor een MSP die maandelijks duizenden tickets verwerkt, is dat een aanzienlijk risico: klanten horen niet binnen het afgesproken tijdkader terug op regelmatige basis.
Het probleem is geconcentreerd. Jane Stewart alleen is verantwoordelijk voor 993 gemiste eerste reacties over 1.327 tickets (25,2% SLA-graad). David Collins voegt nog eens 633 gemiste reacties toe van 985 tickets. Deze twee technici zijn waarschijnlijk verantwoordelijk voor een onevenredig groot deel van het totale overschrijdingsaantal. Het verbeteren van hun workflows of routing zou het hoofdcijfer aanzienlijk verbeteren.
Aan de andere kant verwerkt Nathan Curtis 497 tickets met 98,4% naleving. Sean White: 501 tickets met 96,8%. Deze technici hebben iets ontdekt dat het documenteren waard is. Of het nu gaat om hoe ze triageren, hoe snel ze wachtrij-items oppakken, of hoe ze hun werkdag structureren: hun aanpak verdient nadere studie voordat je bredere coachingplannen schrijft.
Vier prioriteiten op basis van bovenstaande bevindingen
Samen zijn deze twee technici verantwoordelijk voor meer dan 1.600 gemiste eerste reacties. Hun SLA-graden (25,2% en 35,7%) wijzen op een systemisch probleem: of ticketroutering stuurt hen de verkeerde wachtrijen, hun werklast is te hoog, of hun proces voor het oppakken van nieuwe tickets moet opnieuw worden ontworpen. Plan deze week individuele gesprekken in.
Twee technici die elk 500+ tickets verwerken met 97-98% naleving is uitzonderlijk. Ga bij ze zitten. Begrijp hoe ze hun wachtrij verwerken, hoe ze gelijktijdige hoogprioriteitstickets afhandelen en wat ze anders doen aan het begin van hun dienst. Die kennis is overdraagbaar.
De technician met het hoogste volume presteert onder het teamgemiddelde. Bij dit ticketaantal zou zelfs een verbetering van 5 procentpunten honderden jaarlijkse overschrijdingen oplossen. Controleer of dit account werk bevat dat buiten de normale SLA-scope valt, of dat herverdeling van de werklast kan helpen.
Stijgen van 80,1% naar 85% is haalbaar door gerichte coaching van de onderste 5-8 technici. Die verbetering vertaalt zich direct in minder escalaties, betere QBR-gesprekken en minder risico op klantverloop bij SLA-gevoelige contracten.
Eerste-respons SLA meet hoe snel een technician een ticket erkent nadat het aangemaakt is. De vereiste reactietijd varieert per prioriteit en contract. Een SLA is “gehaald” wanneer de eerste reactie plaatsvindt binnen het afgesproken venster.
Proxuma leest het first_response_met-veld rechtstreeks uit Autotask. Een waarde van 1 betekent dat de SLA gehaald is, 0 dat die gemist is. Het percentage wordt berekend over alle tickets waar dit veld ingevuld is.
Ja. In de Power BI-dashboardversie van dit rapport kun je filteren op datumbereik, klant, wachtrij of prioriteit. De DAX-queries hier gebruiken alltime-data voor demonstratiedoeleinden.
De meeste MSP's streven naar 90-95% eerste-respons naleving. Een graad onder 85% vereist directe managementaandacht. Boven 95% wijst op een goed functionerende servicedesk. De sleutel is niet alleen het getal maar de trend: verbetert of verslechtert het over tijd?
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