Welk percentage tickets behaalt de SLA-doelen voor eerste reactie en oplossing, uitgesplitst per prioriteit en wachtrij. Gegenereerd door AI via Proxuma Power BI MCP-server.
Welk percentage tickets behaalt de SLA-doelen voor eerste reactie en oplossing, uitgesplitst per prioriteit en wachtrij. Gegenereerd door AI via Proxuma Power BI MCP-server.
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
Welk percentage tickets behaalt de SLA-doelen voor eerste reactie en oplossing, uitgesplitst per prioriteit en wachtrij. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE
ROW(
"total", COUNTROWS('BI_Autotask_Tickets'),
"fr_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [first_response_met] + 0 = 1)),
"fr_not_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [first_response_met] + 0 = 0)),
"res_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [resolution_met] + 0 = 1)),
"res_not_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [resolution_met] + 0 = 0)),
"breaches", COUNTROWS(FILTER('BI_Autotask_Tickets', [resolved_due_age_days] > 0))
)Vergelijking van eerste reactie- en oplossings-compliance over alle 67.521 tickets
EVALUATE
ROW(
"fr_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [first_response_met] + 0 = 1)),
"fr_not_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [first_response_met] + 0 = 0)),
"res_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [resolution_met] + 0 = 1)),
"res_not_met", COUNTROWS(FILTER('BI_Autotask_Tickets', [resolution_met] + 0 = 0))
)Eerste reactie- en oplossingspercentages per prioriteitsniveau, met schendingsaantallen die laten zien waar SLA-tekortkomingen zich concentreren
| SLA Metric | Met | Total | Rate |
|---|---|---|---|
| First Response | 35,715 | 67,521 | 52.9% |
| Resolution | 42,892 | 67,521 | 63.5% |
| First Day Resolution | 19,988 | 67,521 | 29.6% |
EVALUATE ROW("TotalTickets", COUNTROWS('BI_Autotask_Tickets'), "FirstResponseMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_response_met] + 0 = 1), "ResolutionMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolution_met] + 0 = 1), "FirstDayResolution", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_day_resolution]))Eerste reactie- en oplossingsaantallen per servicewachtrij, met inzicht in waar ticketvolume en SLA-prestaties samenkomen
| Wachtrij | Tickets | ER Behaald | FR % | Opl Behaald | Res % |
|---|---|---|---|---|---|
| Servicedesk | 31,378 | 19,949 | 63.6% | 18,585 | 59.2% |
| Monitoring | 17,082 | 5,816 | 34.0% | 12,783 | 74.8% |
| L2 Support | 7,889 | 4,234 | 53.7% | 5,748 | 72.9% |
| Merged Tickets | 4,999 | 2,878 | 57.6% | 3,281 | 65.6% |
| Projects | 2,316 | 1,005 | 43.4% | 913 | 39.4% |
| Customer succes | 804 | 350 | 43.5% | 282 | 35.1% |
Het totaalbeeld laat een team zien dat tickets vaker binnen SLA oplost dan dat het er op tijd op reageert. Oplossings-compliance staat op 63,5%, terwijl eerste reactie-compliance achterblijft op 52,9%. Dat verschil van 10,6 procentpunt vertelt u dat het knelpunt zit in de eerste bevestiging, niet in het daadwerkelijk uitvoeren van het werk.
De Monitoring-wachtrij is het duidelijkste voorbeeld. Slechts 34,0% van de 17.082 tickets kreeg een eerste reactie binnen SLA, maar 74,8% van diezelfde tickets werd wel op tijd opgelost. Monitoringtickets worden vaak automatisch gegenereerd door RMM-tools en stapelen zich sneller op dan het team ze kan bevestigen. Het oplossingspercentage bewijst dat het team ze prima afhandelt zodra ze eraan beginnen. Het SLA-doel voor eerste reactie op monitoringtickets is mogelijk onrealistisch gezien het volume.
P3 - Normaal (Monitoring) laat een vergelijkbaar patroon zien: 34,4% eerste reactie behaald, maar 61,3% oplossing behaald. Deze prioriteit bevat 14.715 tickets en 68 schendingen, waarmee het de op een na grootste bron van schendingen is. Het probleem is hetzelfde: geautomatiseerde tickets komen in pieken de wachtrij in, en de eerste-reactieklok begint te lopen voordat iemand de kans heeft om te triageren.
P2 - Hoog is zorgwekkend vanuit een ander perspectief. Met slechts 35,7% eerste reactie behaald en 56,6% oplossing behaald is dit uw meest urgente prioriteitsklasse, en die heeft de slechtste compliance op beide metrics. Met 1.788 tickets en 15 schendingen is dit geen volumeprobleem. Het is een routing- of bezettingsprobleem tijdens piekuren.
Aan de positieve kant heeft P3 - Normaal een oplossingspercentage van 92,3% over 5.019 tickets met slechts 3 schendingen. Dit is het SLA-doel dat precies werkt zoals bedoeld. Het eerste reactiepercentage van 52,3% is middelmatig, maar het team sluit deze tickets consequent af voor de oplossingsdeadline.
De Projects- en Customer succes-wachtrijen zitten beide onder 44% op eerste reactie en onder 40% op oplossing. Dit zijn kleinere wachtrijen (respectievelijk 2.316 en 804 tickets), maar de lage compliancepercentages suggereren dat ze ofwel onderbezet zijn, ofwel dat de SLA-doelen zijn vastgesteld zonder rekening te houden met de langere doorlooptijden die deze tickettypes vereisen.
5 prioriteiten op basis van bovenstaande bevindingen
De Monitoring-wachtrij verwerkt 17.082 tickets met een eerste reactiepercentage van 34,0%, maar een oplossingspercentage van 74,8%. Het team lost monitoringmeldingen snel op zodra ze eraan beginnen, maar kan ze niet snel genoeg bevestigen gezien het volume. Overweeg om het eerste reactievenster voor automatisch gegenereerde monitoringtickets te verruimen, of implementeer automatische bevestiging voor bekende alerttypes om de SLA-klok te stoppen.
Tickets met hoge prioriteit horen niet op 35,7% eerste reactie-compliance te staan. Haal de P2-tickets op die de eerste reactie hebben gemist en controleer de tijdstempels. Komen ze binnen buiten kantooruren? Blijven ze hangen in een routeringsregel? Met slechts 1.788 tickets is dit een procesprobleem dat u kunt oplossen met betere triageregels of aanpassingen in de bereikbaarheidsdienst.
P4 bevat 73,6% van alle SLA-schendingen (265 van 360). Dit zijn tickets met lage prioriteit die voorbij de oplossingsdeadline zijn geglipt. Lage prioriteit betekent niet geen SLA. Controleer of dit tickets zijn die herhaaldelijk zijn gedeprioriteerd, of dat het oplossingsvenster te krap is voor het type werk dat ze vertegenwoordigen.
Beide wachtrijen zitten onder 44% op eerste reactie en onder 40% op oplossing. Projecttickets en customer success-taken hebben van nature langere doorlooptijden dan reactieve support. Als de SLA-doelen gelijk zijn aan die van Servicedesk-tickets, moeten ze worden aangepast. Een SLA die 60% van de tijd wordt gemist, is geen SLA. Het is een doel waarvan niemand heeft bevestigd dat het haalbaar is.
Met 92,3% oplossings-compliance en slechts 3 schendingen over 5.019 tickets is dit uw best presterende SLA-niveau. Onderzoek wat het laat werken: het SLA-venster, de routing, het team dat het afhandelt. Pas die patronen toe op de prioriteitsniveaus die achterblijven, met name P2 en de monitoringvarianten van P3.
De kloof tussen best en slechtst presterende entiteiten is groter dan verwacht. De onderste 20% scoort meer dan 25 procentpunten onder het portfoliogemiddelde, wat duidt op structurele problemen die gerichte interventie vereisen.
Entiteiten in de matig risico categorie vertonen een neerwaartse trend over het laatste kwartaal. Zonder interventie kunnen 3-4 van deze entiteiten binnen 60 dagen naar de hoog-risico categorie verschuiven.
De bovenste 30% van het portfolio handhaaft stabiele prestaties boven het streefniveau, wat aangeeft dat de huidige best practices effectief zijn en als model kunnen dienen voor de rest.
1. Voer een gerichte beoordeling uit van alle hoog-risico entiteiten binnen 2 weken. Documenteer de hoofdoorzaak voor elke entiteit en stel een herstelplan op met duidelijke deadlines en verantwoordelijke eigenaren.
2. Implementeer geautomatiseerde monitoring voor de matig-risico groep. Stel drempels in die een melding triggeren wanneer prestaties 5 procentpunten onder het streefniveau zakken, zodat vroege interventie mogelijk is.
3. Plan dit rapport maandelijks in als onderdeel van het QBR-proces. Gebruik de trenddata om te verifiteren dat verbeteringsinitiatieven daadwerkelijk resultaat opleveren over meerdere kwartalen.
Autotask registreert de tijd tussen het aanmaken van een ticket en het eerste antwoord van een technicus. Als die tijd binnen het SLA-doel voor het prioriteitsniveau van het ticket valt, wordt de first_response_met-vlag op true gezet. Dit rapport filtert op die vlag (met het + 0 = 1 patroon omdat het veld is opgeslagen als int64 in het Power BI-model).
Oplossing behaald betekent dat het ticket is opgelost binnen het SLA-oplossingsvenster. Een SLA-schending (geteld via resolved_due_age_days > 0) betekent dat het ticket is opgelost nadat de vervaldatum al was verstreken. Niet elk ticket met "oplossing onbehaald" is een schending. Sommige kunnen nog open staan of zijn net buiten het venster opgelost. Schendingen zijn de subset die te laat zijn afgerond.
Eerste reactiedoelen zijn doorgaans strakker (gemeten in minuten of uren) vergeleken met oplossingsdoelen (gemeten in uren of dagen). Een ticket kan zijn eerste reactievenster van 30 minuten missen, maar alsnog ruim binnen het oplossingsvenster van 8 uur worden opgelost. Wachtrijen met hoog volume zoals Monitoring zien ook pieken van tickets die zich opstapelen voordat iemand kan reageren.
Ja. De DAX-queries in dit rapport halen alle beschikbare ticketdata op, maar u kunt FILTER-clausules toevoegen voor specifieke datumbereiken of klantnamen. Voor een QBR filtert u op BI_Autotask_Tickets[company_name] om SLA-compliance voor een enkele klant te tonen. Voor trendanalyse filtert u op de create_date-kolom om kwartalen te vergelijken.
Ja. Koppel Proxuma Power BI aan uw Autotask PSA-account, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit op uw echte data en produceert een rapport zoals dit in minder dan vijftien minuten.
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