This report provides a detailed breakdown of oplostijd sla: sluit je tickets op tijd? 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 delivery managers, operations leads, and MSP owners tracking service quality
Hoe vaak: Wekelijks for operational adjustments, monthly for client reporting, quarterly for contract reviews
Drie van de vijf gesloten tickets worden binnen de SLA-termijn opgelost. P1 Kritisch scoort het best met 92,4%, wat laat zien dat het escalatieproces werkt. P2 Hoog valt terug naar 57,1%, de slechtst presterende prioriteit met een naam. Het grootste volume aan overschrijdingen zit in P4 Laag: 10.619 individuele overschrijdingen uit 29.859 gesloten tickets.
EVALUATE
ROW(
"Total Tickets", COUNTROWS('BI_Autotask_Tickets'),
"Resolution Met Count", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 1
),
"Resolution Not Met Count", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 0
),
"Resolution Met Pct", [Tickets - Resolution Met %]
)| Prioriteit | Gesloten Tickets | SLA Gehaald | SLA Gemist | % Gehaald | Status |
|---|---|---|---|---|---|
| P1 - Kritisch | 5.014 | 4.635 | 379 | 92,4% | Uitstekend |
| P4 - Laag | 29.859 | 19.240 | 10.619 | 64,4% | Matig |
| P3 - Medium | 14.625 | 9.013 | 5.612 | 61,6% | Matig |
| Service / Change | 15.410 | 8.942 | 6.468 | 58,0% | Slecht |
| P2 - Hoog | 1.769 | 1.010 | 759 | 57,1% | Slecht |
P2 Hoog is het zwakste punt met 57,1%. Deze tickets zijn serieus genoeg voor een hoge prioriteitsaanduiding, maar ze krijgen niet dezelfde urgentiebehandeling als P1. Service- en Changeverzoeken volgen op 58,0%, een grote categorie qua volume. Samen zijn P2 en Service/Change goed voor ruim 7.200 overschrijdingen uit 17.179 gecombineerde tickets.
EVALUATE
SUMMARIZE(
FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[status_name] = "Complete"
),
'BI_Autotask_Tickets'[priority_name],
"Total", COUNTROWS('BI_Autotask_Tickets'),
"Met", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 1
),
"Not Met", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 0
),
"Met Pct", DIVIDE(
CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 1
),
COUNTROWS('BI_Autotask_Tickets')
)
)
ORDER BY [Met Pct] ASC| Queue | Tickets | Gehaald | % Gehaald | Prestatie |
|---|---|---|---|---|
| Compliancy | 22 | 3 | 13,6% | Kritiek |
| Sales | 107 | 25 | 23,4% | Kritiek |
| Professional Services | 513 | 167 | 32,6% | Slecht |
| Customer Success | 698 | 280 | 40,1% | Slecht |
| Interne IT | 765 | 315 | 41,2% | Slecht |
| Technical Alignment | 2.025 | 904 | 44,6% | Slecht |
| Onsite Support | 643 | 319 | 49,6% | Matig |
| L1 Support | 31.271 | 18.578 | 59,4% | Matig |
| Samengevoegde Tickets | 4.988 | 3.271 | 65,6% | Matig |
| L3 Support | 181 | 121 | 66,9% | Matig |
| L2 Support | 7.819 | 5.737 | 73,4% | Goed |
| Centralized Services | 16.985 | 12.783 | 75,3% | Goed |
| Recurring (Geparkeerd) | 98 | 90 | 91,8% | Uitstekend |
L1 Support verwerkt 47% van het totale gesloten ticketvolume en zit op 59,4%. Verbetering van de L1 oplostijd SLA heeft veruit de grootste totale impact. Technical Alignment op 44,6% en Professional Services op 32,6% suggereren dat projectmatig werk draait zonder realistische SLA-doelen.
EVALUATE
SUMMARIZE(
FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[status_name] = "Complete"
),
'BI_Autotask_Tickets'[queue_name],
"Total", COUNTROWS('BI_Autotask_Tickets'),
"Met", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 1
),
"Met Pct", DIVIDE(
CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 1
),
COUNTROWS('BI_Autotask_Tickets')
)
)
ORDER BY [Total] DESC| Klant | Tickets | SLA Gehaald | % Gehaald | Prestatie |
|---|---|---|---|---|
| Ford, Mclean and Robinson | 1.684 | 469 | 27,9% | Kritiek |
| Thompson, Contreras and Rios | 1.783 | 850 | 47,7% | Slecht |
| Lopez-Reyes | 1.299 | 624 | 48,0% | Slecht |
| Rivers, Rogers and Mitchell | 6.268 | 3.214 | 51,3% | Slecht |
| Price-Gomez | 2.155 | 1.135 | 52,7% | Matig |
| Little Group | 5.250 | 3.419 | 65,1% | Matig |
| Craig-Huynh | 5.393 | 3.638 | 67,5% | Matig |
| Lewis LLC | 1.745 | 1.185 | 67,9% | Matig |
| Martin Group | 2.742 | 1.921 | 70,1% | Goed |
| Burke, Armstrong and Morgan | 1.611 | 1.152 | 71,5% | Goed |
| Ramos Group | 1.692 | 1.231 | 72,8% | Goed |
| Wall PLC | 2.356 | 1.722 | 73,1% | Goed |
| Stephens-Martinez | 1.477 | 1.268 | 85,8% | Goed |
| Blanchard-Glenn | 2.364 | 2.174 | 92,0% | Uitstekend |
| Wilson-Murphy | 995 | 925 | 93,0% | Uitstekend |
Ford, Mclean and Robinson verdient nader onderzoek. Met 27,9% mist bijna driekwart van hun opgeloste tickets de SLA-termijn. Rivers, Rogers and Mitchell heeft het hoogste absolute aantal overschrijdingen: ongeveer 3.054 gemiste tickets. Beide klanten hebben waarschijnlijk een gesprek nodig over SLA-doelstellingen of toegewezen resources.
EVALUATE
TOPN(15,
SUMMARIZE(
FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[status_name] = "Complete"
),
'BI_Autotask_Companies'[company_name],
"Total", COUNTROWS('BI_Autotask_Tickets'),
"Met", CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 1
),
"Met Pct", DIVIDE(
CALCULATE(
COUNTROWS('BI_Autotask_Tickets'),
'BI_Autotask_Tickets'[resolution_met] + 0 = 1
),
COUNTROWS('BI_Autotask_Tickets')
)
),
[Total], DESC
)
ORDER BY [Met Pct] ASCMet 57,1% heeft P2 Hoog de slechtste oplostijd SLA-naleving van alle genoemde prioriteiten. Deze tickets zijn urgent genoeg voor een hoge prioriteitsaanduiding, maar krijgen niet dezelfde escalatiebehandeling als P1. Een apart P2-triageproces of kortere interne SLA-doelen kunnen dit gat dichten zonder extra personeel.
L1 Support verwerkt 31.271 gesloten tickets met 59,4% SLA-naleving. Dat vertaalt naar ongeveer 12.700 individuele overschrijdingen uit één queue. Zelfs een verbetering van 5 procentpunten in L1 SLA-naleving elimineert meer dan 1.500 overschrijdingen en verandert het bedrijfsbrede getal merkbaar.
Een klant die 27,9% oplostijd SLA-naleving laat zien over 1.684 tickets wijst op iets structureels. Dat kan verkeerd afgestemde SLA-doelstellingen in het contract zijn, een ticketcategorie die altijd overschreden wordt, of een achterstand die nooit is weggewerkt. Deze klant heeft een directe review nodig voor de volgende QBR.
92,4% oplostijd SLA-naleving op 5.014 kritische tickets laat zien dat het escalatieproces werkt wanneer dat nodig is. De uitdaging is soortgelijke urgentie toe te passen op P2 en Service/Change-categorieën waar de inzet lager aanvoelt maar het volume veel hoger is.
Een oplostijd SLA is een contractuele belofte om een ticket binnen een bepaalde termijn te sluiten. In Autotask heeft elk ticket een resolution_response_due_date_time veld. De kolom resolution_met geeft aan of het ticket voor die deadline is gesloten. Een waarde van 1 betekent dat de SLA is gehaald; 0 betekent dat die is gemist.
De totale SLA-measure in Power BI filtert op tickets waarbij een oplostijddeadline is ingesteld. Tickets zonder deadline worden uitgesloten van de percentageberekening. De ruwe uitsplitsingen in dit rapport tellen alle gesloten tickets mee, inclusief die zonder ingestelde deadline. Dat verschil in noemer levert verschillende percentages op.
Filter de tabel BI_Autotask_Tickets op resolution_met = 0 en status_name = "Complete", en voeg daarna het klantfilter toe. Sorteer op resolution_duration_hours aflopend om te zien welke tickets het verst buiten de tijd zijn gelopen. Dat geeft je een directe actielijst voor de volgende klantbespreking.
Project- en professional services-werk past zelden in reactieve ticket SLA-vensters. Als die tickets standaard SLA-doelstellingen uit servicecontracten meekrijgen, zullen bijna allemaal overschrijden. De oplossing is doorgaans het juiste werktype of de juiste contractcategorie toewijzen aan Professional Services-tickets, zodat projectgebaseerde doorlooptijden gelden in plaats van break-fix SLA-vensters.
Ja. Koppel de tickettabel aan je datumtabel op completed_date of last_activity_date en groepeer per maand. Het bijhouden van de maand-over-maand oplostijd SLA-naleving laat zien of procesverbeteringen werken of dat seizoensgebonden volumepieken terugkerende overschrijdingen veroorzaken.
Meer AI-gegenereerde Power BI rapporten voor MSPs
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