This report provides a detailed breakdown of ticketverdeling per prioriteit for managed service providers.
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
Met 67.521 tickets en slechts 844 momenteel open, heeft deze omgeving een sterke afsluitingsgraad. Het openstaand percentage van 1,25% is een redelijk signaal voor een goed functionerende servicedesk. Het P1-aandeel van 7,4% is ook gezond, ruim onder de 15%-grens waar prioriteitsinflatie een echt probleem wordt.
EVALUATE SUMMARIZECOLUMNS('BI_Autotask_Tickets'[priority_name], "TicketCount", COUNTROWS('BI_Autotask_Tickets'))De P4 Laag-groep op 45% is de grootste afzonderlijke groep. Dit is gebruikelijk in MSP-omgevingen, waar veel tickets routineonderhoud, kleine gebruikersverzoeken of geplande taken betreffen die geen urgente aandacht vereisen. De centrale vervolgvraag is of die 556 open P4-tickets bewust zijn geparkeerd of stilletjes vergeten.
P2 Hoog is opvallend dun met slechts 2,6% van alle tickets. Dit gebeurt vaak wanneer teams bij escalaties rechtstreeks van P3 naar P1 gaan en de P2-groep volledig omzeilen. Als dat het geval is, verdienen je P2 SLA-doelen herziening, want ze zijn van toepassing op een segment dat zelden wordt gebruikt.
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
'BI_Autotask_Tickets',
'BI_Autotask_Tickets'[priority_name]
),
"ticket_count", CALCULATE(COUNTROWS('BI_Autotask_Tickets')),
"open_count", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[status_name] <> "Complete"
),
"closed_count", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[status_name] = "Complete"
)
)
ORDER BY [ticket_count] DESC| Prioriteit | Open tickets | Totaal (altijd) | Openstaand % | Risiconiveau |
|---|---|---|---|---|
| P1 Kritisch | 5 | 5.019 | 0,10% | Laag |
| P2 Hoog | 19 | 1.788 | 1,06% | Laag |
| P3 Gemiddeld | 90 | 14.715 | 0,61% | Laag |
| P4 Laag | 556 | 30.415 | 1,83% | Monitor |
| Service/Wijziging | 174 | 15.584 | 1,12% | Laag |
Slechts 5 P1 Kritisch-tickets staan momenteel open. Dat is een uiterst laag openstaand percentage van 0,10%, wat suggereert dat je team kritieke problemen snel oplost. De 556 open P4 Laag-tickets verdienen nader onderzoek. Met 1,83% is dit het hoogste openstaand percentage over alle prioriteitsbanden. Sommige zijn misschien bewust uitgesteld, maar controleer of er SLA-verplichtingen aan zijn gekoppeld.
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
'BI_Autotask_Tickets',
'BI_Autotask_Tickets'[priority_name]
),
"open_tickets", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[status_name] <> "Complete"
),
"total_tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')),
"open_rate", DIVIDE(
CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name] <> "Complete"),
CALCULATE(COUNTROWS('BI_Autotask_Tickets'))
)
)
ORDER BY [open_tickets] DESC| Klant | Dominante prioriteit | Tickets | Profiel |
|---|---|---|---|
| Rivers, Rogers and Mitchell | P3 Gemiddeld | 4.087 | Hoog volume, gemiddelde belasting |
| Craig-Huynh | P4 Laag | 3.208 | Grotendeels routineonderhoud |
| Little Group | P4 Laag | 3.161 | Grotendeels routineonderhoud |
| Blanchard-Glenn | Service/Wijziging | 2.131 | Wijzigingsverzoek-gedreven |
| Martin Group | P4 Laag | 1.507 | Grotendeels routineonderhoud |
| Wall PLC | P4 Laag | 1.451 | Grotendeels routineonderhoud |
Rivers, Rogers and Mitchell springt eruit als een P3-dominante klant, wat doorgaans een reactievere omgeving aangeeft met een hogere dichtheid aan gebruikersbeïnvloedende problemen. Craig-Huynh en Little Group zijn P4-zwaar, wat gebruikelijk is voor grote klanten met veel routinetaken en onderhoudswerkzaamheden. Het Service/Wijziging-profiel van Blanchard-Glenn duidt op sterke projectactiviteit of frequente wijzigingsverzoeken.
EVALUATE
TOPN(
10,
ADDCOLUMNS(
SUMMARIZE(
'BI_Autotask_Tickets',
'BI_Autotask_Companies'[company_name],
'BI_Autotask_Tickets'[priority_name]
),
"ticket_count", CALCULATE(COUNTROWS('BI_Autotask_Tickets'))
),
[ticket_count], DESC
)
ORDER BY [ticket_count] DESCEen kritisch ticketpercentage onder 10% geeft doorgaans aan dat je team het hoogste prioriteitslabel niet te veel gebruikt. Het erg lage P1-openstaand percentage (slechts 5 tickets) bevestigt dat kritieke problemen snel worden opgelost. Dit patroon ondersteunt sterk klantvertrouwen en goede SLA-prestaties aan de bovenkant.
Lage-prioriteitstickers zijn makkelijk uit te stellen en makkelijk te vergeten. Met 556 open P4-tickets is er een reëel risico dat sommige verouderen voorbij acceptabele drempelwaarden zonder dat het opvalt. Stel een maandelijkse reviewcyclus in speciaal voor tickets ouder dan 30 dagen, ongeacht prioriteit.
Het verschil tussen P2 (1.788 tickets) en P3 (14.715 tickets) is ongebruikelijk groot. Dit signaleert vaak dat het team P2 bij escalaties omzeilt en rechtstreeks van P3 naar P1 gaat. Als dat zo is, heeft je P2 SLA-configuratie mogelijk doelen die ofwel te makkelijk zijn of volledig ongetest in de praktijk.
Service- en wijzigingsverzoeken vertegenwoordigen gepland werk in tegenstelling tot reactieve ondersteuning. Met 23% is dit een goed signaal dat een betekenisvolle portie van de tijd van je team naar proactief werk gaat. In een goed beheerde MSP ligt deze verhouding idealiter tussen 20% en 35%.
De meeste MSP's streven ernaar P1 onder de 10-12% van het totale ticketaantal te houden. Boven 15% wijst dit doorgaans op prioriteitsinflatie, waarbij het label te breed wordt gebruikt. Onder 5% kan betekenen dat teams oprecht urgente tickets te laag classificeren om druk op de SLA-klok te vermijden. De ideale zone is 5-10%, gecombineerd met strikte definities van wat als kritisch kwalificeert.
Dit is normaal voor MSP's die grote, stabiele omgevingen beheren. Veel P4-tickets zijn terugkerende taken, gepland onderhoud, kleine gebruikersverzoeken of proactief werk. Als het volume te hoog aanvoelt, overweeg dan of al die tickets echt door je ticketsysteem moeten lopen, of dat sommige omgezet kunnen worden naar procedures of automatisering.
Begin met controleren of je SLA-doelen voor elk prioriteitsniveau zijn ingesteld en of ze de werkelijke serviceverwachtingen van je klanten weerspiegelen. Filter dit rapport vervolgens op SLA-schendingsstatus om te zien of een specifieke prioriteitsband structureel onderpresteert. Vaak is P2 Hoog het meest over het hoofd gezien, omdat het tussen de extremen in zit.
Ja. Proxuma Power BI laat je een datumfilter toevoegen aan deze query en verdelingen maand-over-maand vergelijken. Een verschuiving van P4-zwaar naar P3-zwaar in de tijd kan aanduiden dat een omgeving minder stabiel wordt. Door deze trend bij te houden kun je proactieve gesprekken voeren voordat klanten zelf zorgen uiten.
Kijk naar de verhouding P1 tot P2 in de tijd. Als P1 blijft groeien maar P2 stabiel blijft, escaleren technici waarschijnlijk rechtstreeks in plaats van de tussenliggende laag te gebruiken. Controleer ook of bepaalde technici of wachtrijen systematisch hogere P1-percentages hebben. Dat kan individuele gewoontes onthullen in plaats van echte urgentiepatronen.
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