We hebben de cijfers over meeste tickets per bedrijf uit je Power BI-data gehaald. Dit valt op, hier zitten de hiaten, en dit kun je eraan doen.
We hebben de cijfers over meeste tickets per bedrijf uit je Power BI-data gehaald. Dit valt op, hier zitten de hiaten, en dit kun je eraan doen.
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
We hebben de cijfers over meeste tickets per bedrijf uit je Power BI-data gehaald. Dit valt op, hier zitten de hiaten, en dit kun je eraan doen.
EVALUATE ROW("Total", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "Completed", CALCULATE(COUNTROWS('BI_Autotask_Tickets'),'BI_Autotask_Tickets'[status_name]="Complete"), "FRMetPct", [Tickets - First Response Met %], "ResMetPct", [Tickets - Resolution Met %])Klanten gerangschikt op totaal aantal tickets uit de demodataset
| # | Client | Tickets | Avg FR (h) | FR Met % | Res SLA % |
|---|---|---|---|---|---|
| 1 | Rivers, Rogers and Mitchell | 6,381 | 14.65 | 43.1% | 79.3% |
| 2 | Craig-Huynh | 5,458 | 5.11 | 88.2% | 91.7% |
| 3 | Little Group | 5,290 | 3.58 | 87.5% | 93.7% |
| 4 | Martin Group | 2,775 | 6.97 | 73.7% | 88.3% |
| 5 | Wall PLC | 2,376 | 5.98 | 86.0% | 92.5% |
| 6 | Blanchard-Glenn | 2,364 | 0.94 | 98.0% | 99.9% |
| 7 | Price-Gomez | 2,180 | 3.75 | 84.9% | 91.0% |
| 8 | Thompson, Contreras and Rios | 1,803 | 6.25 | 75.4% | 87.1% |
| 9 | Lewis LLC | 1,758 | 6.77 | 68.6% | 86.0% |
| 10 | Ramos Group | 1,728 | 4.92 | 70.1% | 93.1% |
| 11 | Ford, Mclean and Robinson | 1,684 | 2.81 | 76.3% | 95.1% |
| 12 | Burke, Armstrong and Morgan | 1,629 | 4.35 | 84.7% | 91.9% |
| 13 | Stephens-Martinez | 1,481 | 1.00 | 95.3% | 96.6% |
| 14 | Lopez-Reyes | 1,317 | 4.45 | 83.9% | 91.4% |
| 15 | Wilson-Murphy | 1,002 | 4.27 | 92.3% | 97.5% |
EVALUATE TOPN(15, ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[company_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "AvgResH", CALCULATE(AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours])), "FRMetPct", [Tickets - First Response Met %], "ResMetPct", [Tickets - Resolution Met %], "TotalWorked", CALCULATE(SUM('BI_Autotask_Tickets'[worked_hours]))), [Tickets], DESC) ORDER BY [Tickets] DESCHoe tickets verdeeld zijn over servicewachtrijen
| Client | Tickets | Avg FR (h) | P1+P2 | Res SLA % |
|---|---|---|---|---|
| Lee-Ramsey | 438 | 14.70 | 73 | 79.2% |
| Rivers, Rogers and Mitchell | 6,381 | 14.65 | 349 | 79.3% |
| Colon and Sons | 493 | 14.33 | 16 | 83.7% |
| Martin-Gonzalez | 379 | 14.10 | 8 | 89.8% |
| Fox, Conner and West | 682 | 14.03 | 19 | 89.3% |
EVALUATE TOPN(5, ADDCOLUMNS(FILTER(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[company_name]), CALCULATE(COUNTROWS('BI_Autotask_Tickets'))>=200), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "AvgResH", CALCULATE(AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours])), "P1P2", CALCULATE(COUNTROWS('BI_Autotask_Tickets'),'BI_Autotask_Tickets'[priority_name] IN {"P1 - Kritisch","P2 - Hoog"}), "ResMetPct", [Tickets - Resolution Met %]), [AvgResH], DESC) ORDER BY [AvgResH] DESCTicketverdeling per prioriteitsniveau
| Quarter | Tickets | Avg FR (h) | FR Met % | Res SLA % |
|---|---|---|---|---|
| Q3 2024 | 6,545 | 4.19 | 79.6% | 92.1% |
| Q4 2024 | 10,312 | 3.07 | 80.6% | 91.0% |
| Q1 2025 | 11,806 | 8.72 | 84.3% | 94.7% |
| Q2 2025 | 11,631 | 13.82 | 81.0% | 94.9% |
| Q3 2025 | 14,783 | 5.37 | 75.1% | 87.9% |
| Q4 2025 | 10,280 | 5.45 | 78.0% | 85.3% |
| Q1 2026 | 2,164 | 2.02 | 87.8% | 87.0% |
Huidige statusverdeling van alle tickets
| Client | P1 | P2 | P3 | P4 | Svc/Chg | Total |
|---|---|---|---|---|---|---|
| Rivers, Rogers and Mitchell | 246 | 103 | 4,087 | 1,379 | 566 | 6,381 |
| Craig-Huynh | 26 | 46 | 230 | 3,208 | 1,948 | 5,458 |
| Little Group | 175 | 104 | 689 | 3,161 | 1,161 | 5,290 |
| Martin Group | 381 | 33 | 248 | 1,507 | 606 | 2,775 |
| Wall PLC | 71 | 13 | 112 | 1,451 | 729 | 2,376 |
| Blanchard-Glenn | 0 | 1 | 1 | 231 | 2,131 | 2,364 |
| Price-Gomez | 148 | 95 | 330 | 1,164 | 443 | 2,180 |
| Thompson, Contreras and Rios | 394 | 270 | 142 | 568 | 429 | 1,803 |
| Lewis LLC | 15 | 21 | 871 | 452 | 399 | 1,758 |
| Ramos Group | 184 | 79 | 757 | 514 | 194 | 1,728 |
Maandelijks ticketvolume over de waargenomen periode
| Client | Tickets | Hours Worked | Avg h/Ticket |
|---|---|---|---|
| Rivers, Rogers and Mitchell | 6,381 | 1,090.5 | 0.17 |
| Craig-Huynh | 5,458 | 3,575.1 | 0.66 |
| Little Group | 5,290 | 3,050.4 | 0.58 |
| Martin Group | 2,775 | 2,046.3 | 0.74 |
| Wall PLC | 2,376 | 1,478.9 | 0.62 |
| Blanchard-Glenn | 2,364 | 9.4 | 0.00 |
| Price-Gomez | 2,180 | 823.4 | 0.38 |
| Thompson, Contreras and Rios | 1,803 | 949.0 | 0.53 |
| Lewis LLC | 1,758 | 1,206.2 | 0.69 |
| Ramos Group | 1,728 | 874.9 | 0.51 |
Wat de data ons vertelt
Over 67.521 totale tickets is de verdeling sterk geconcentreerd. Wilson-Murphy alleen is al goed voor 2,6% van het totale volume (1.002 records). Dit soort concentratie is het monitoren waard: als een klant structureel de werklast domineert, kan dat wijzen op scope creep, onvoldoende preventief onderhoud of een prijsmismatch.
De maandelijkse trend laat een dalende lijn zien over de waargenomen periode, van 3.478 naar 2.164. Een dalende trend kan wijzen op verbeterde automatisering, betere documentatie of afgenomen klantactiviteit.
Wilson-Murphy genereert de meeste activiteit. Controleer of dit past bij hun contractscope en SLA-niveau.
Stel een wekelijkse of maandelijkse review in van meeste tickets per bedrijf metrics. Trends zijn belangrijker dan momentopnames. Gebruik de DAX-queries in dit rapport als startpunt.
Dit rapport gebruikt demodata. Koppel Proxuma Power BI aan je eigen Autotask PSA om deze analyse te genereren op basis van je echte cijfers.
De TOTAAL TICKETS metric wordt afgeleid uit het onderliggende Power BI dataset met DAX queries. Het aggregeert data over de rapportageperiode voor een geconsolideerd overzicht van totaal tickets performance.
Dit rapport haalt operationele data op uit Autotask PSA, Datto RMM, Datto Backup via de Proxuma Power BI integratie. De analyse dekt de standaard rapportageperiode en bevat alle actieve records die aan de rapportcriteria voldoen.
Bekijk de specifieke datapunten in deze sectie en vergelijk ze met je operationele context. Gebruik het rapport als startpunt voor teamdiscussies en prioritering van vervolgacties.
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