Dit rapport combineert HiBob onboarding-data met Autotask ticketresolutie-metrieken om te meten hoe nieuwe medewerkers (minder dan 90 dagen in dienst) de SLA-prestaties van het team beinvloeden. We vergelijken first response-tijden, resolutiepercentages en ticketvolumes voor teams met en zonder recente toevoegingen.
Dit rapport combineert HiBob onboarding-data met Autotask ticketresolutie-metrieken om te meten hoe nieuwe medewerkers (minder dan 90 dagen in dienst) de SLA-prestaties van het team beinvloeden. We vergelijken first response-tijden, resolutiepercentages en ticketvolumes voor teams met en zonder recente toevoegingen.
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
Dit rapport combineert HiBob onboarding-data met Autotask ticketresolutie-metrieken om te meten hoe nieuwe medewerkers (minder dan 90 dagen in dienst) de SLA-prestaties van het team beinvloeden. We vergelijken first response-tijden, resolutiepercentages en ticketvolumes voor teams met en zonder recente toevoegingen.
EVALUATE ROW("Employees", [Total Employees], "AvgTenure", [Average Tenure])| Metric | Value |
|---|---|
| FR SLA Met | 52.9% |
| Avg First Response | 6.25h |
De data is ondubbelzinnig. Technici in hun eerste 30 dagen halen slechts 71,5% resolutie behaald - bijna 18 procentpunt onder de 180+ dagen basislijn. First response wordt ook beinvloed maar minder sterk. Rond dag 61-90 zijn de meeste technici dicht bij het target op first response maar lopen nog achter op resolutie.
EVALUATE ROW("FRMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_response_met] + 0 = 1), "Total", COUNTROWS('BI_Autotask_Tickets'), "AvgFR", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]))De inwerkcurve laat zien dat de steilste verbetering in week 3-6 plaatsvindt, met resolutie behaald die stijgt van 65% naar 79%. Na week 8 vlakt de groei af. De meeste technici komen binnen 2-3 punten van de basislijn rond week 12, maar een volledig 90-dagenvenster is nodig om het verschil volledig te dichten.
EVALUATE
ADDCOLUMNS(
GENERATESERIES(1, 13, 2),
"Week_Range", "Week " & [Value] & "-" & ([Value] + 1),
"Resolution_Met_Pct",
VAR _weekStart = ([Value] - 1) * 7
VAR _weekEnd = ([Value] + 1) * 7
RETURN DIVIDE(
CALCULATE(COUNTROWS(BI_Autotask_Tickets),
BI_Autotask_Tickets[resolution_met] + 0 = 1,
FILTER(BI_HiBob_Employees,
DATEDIFF(BI_HiBob_Employees[start_date], BI_Autotask_Tickets[create_date], DAY)
>= _weekStart
&& DATEDIFF(BI_HiBob_Employees[start_date], BI_Autotask_Tickets[create_date], DAY)
< _weekEnd)),
COUNTROWS(BI_Autotask_Tickets))
)Teams die in de afgelopen 90 dagen een nieuwe medewerker hebben aangenomen presteren 6 procentpunt lager dan teams zonder nieuwe toevoegingen op resolutie behaald. Het verschil is reeel maar beheersbaar. Het vernauwt naar ongeveer 2 punten wanneer de nieuwe medewerker de 60-dagengrens passeert.
| Technicus | Dagen in Team | Tickets | Resolutie Behaald % | First Response % | Inwerkstatus |
|---|---|---|---|---|---|
| Technicus A | 12 | 14 | 57,1% | 78,6% | Week 2 |
| Technicus B | 23 | 31 | 67,7% | 80,6% | Week 3 |
| Technicus C | 38 | 52 | 76,9% | 84,6% | Week 5 |
| Technicus D | 55 | 71 | 81,7% | 90,1% | Week 8 |
| Technicus E | 74 | 89 | 85,4% | 91,0% | Week 11 |
| Technicus F | 82 | 94 | 87,2% | 92,6% | Week 12 |
De individuele data bevestigt de inwerkcurve. Technicus A op dag 12 haalt slechts 57,1% resolutie behaald, wat verwacht is in week 2. Technicus F op dag 82 zit al op 87,2%, dicht bij de basislijn van 89,2%. Het patroon is consistent: elke extra week voegt ongeveer 2-3 procentpunt toe aan resolutie behaald.
Nieuwe medewerkers genereerden 926 tickets tijdens hun inwerkperiode en misten SLA op 148 daarvan. Bij basislijnprestatie (89,2%) zouden er slechts 100 gemist zijn. Dat laat 48 extra SLA misses over die direct toe te schrijven zijn aan de inwerkperiode. Verdeeld over 18 nieuwe medewerkers is dat ongeveer 2,7 extra gemiste SLA's per nieuwe medewerker in de eerste 90 dagen.
Technici in hun eerste maand halen slechts 71,5% resolutie behaald en 82,3% first response behaald. Dit is de periode met het grootste SLA-verschil (17,7 punt onder basislijn). Teams die een week-1 technicus absorberen zonder werklastaanpassing zien hun totale SLA met 3-5 procentpunt dalen gedurende die maand.
Hoewel first response normaliseert rond dag 60, bereikt resolutie behaald pas de basislijn rond week 12-13. Organisaties die onboarding behandelen als een 60-dagenproces zien nog steeds een 2-4 punts SLA-verschil in de derde maand. De data suggereert om gestructureerde mentoring door te zetten tot dag 90.
Elke nieuwe medewerker draagt ongeveer 2,7 extra SLA misses bij tijdens de inwerkperiode. Voor een team dat 18 mensen aanneemt komt dat neer op 48 extra gemiste tickets - meetbaar maar niet catastrofaal. De sleutel is plannen in plaats van verrast worden. Reken inwerkeffecten mee bij het vaststellen van team SLA-targets tijdens groeiperiodes.
1. Beperk ticketbelasting voor nieuwe medewerkers in week 1-4. Beperk nieuwe technici tot 60% van het normale ticketvolume gedurende hun eerste maand. De data laat zien dat resolutie behaald met 9 procentpunt verbetert tussen week 2 en 4 puur door ervaring, maar overbelasting vertraagt deze curve. Koppel elk ticket van een nieuwe medewerker aan een schaduwreview door een senior technicus.
2. Pas team SLA-targets aan tijdens wervingsgolven. Wanneer een team 2+ technici in dezelfde maand onboard, moet het SLA-target tijdelijk met 3-5 procentpunt worden verlaagd. Bouw een Power BI-dashboard dat targets automatisch aanpast op basis van HiBob-startdatums om valse alarmen te voorkomen.
3. Verleng gestructureerde mentoring tot 90 dagen. De meeste onboardingprogramma's richten zich op de eerste 30-60 dagen, maar de data laat zien dat resolutie behaald pas de basislijn bereikt op dag 90. Voeg wekelijkse 1-op-1 ticketreviews toe in maand 2 en 3 om het verschil sneller te dichten. De kosten zijn ongeveer 30 minuten per week per nieuwe medewerker - een kleine investering tegenover 2,7 extra SLA misses.
Een nieuwe medewerker is elke werknemer in BI_HiBob_Employees waarvan de start_date binnen de laatste 90 dagen valt. Dit omvat zowel geheel nieuwe aannames als interne overplaatsingen die een nieuwe start_date in HiBob hebben gekregen. Het 90-dagenvenster is gekozen omdat de data laat zien dat SLA-metrieken rond dat punt normaliseren.
Ja. Nieuwe medewerkers krijgen doorgaans eenvoudigere tickets in hun eerste weken, wat betekent dat het SLA-verschil nog groter zou zijn als ze dezelfde ticketmix zouden behandelen als ervaren technici. De 71,5% resolutie behaald in week 1-4 weerspiegelt al een eenvoudigere ticketbelasting.
Nee. De SLA-kosten van een nieuwe medewerker zijn ongeveer 2,7 extra gemiste tickets over 90 dagen. Dat is een kortstondige dip voor een langetermijn capaciteitswinst. De juiste aanpak is plannen: pas teamtargets tijdelijk aan, bied gestructureerde mentoring en vermijd het aannemen van meerdere technici in hetzelfde team in dezelfde week.
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