Welke klanten SLA-doelen halen, welke achterblijven, en waar het knelpunt zit. Gegenereerd door AI via Proxuma Power BI MCP server.
Welke klanten SLA-doelen halen, welke achterblijven, en waar het knelpunt zit. 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
Welke klanten SLA-doelen halen, welke achterblijven, en waar het knelpunt zit. Gegenereerd door AI via Proxuma Power BI MCP server.
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), "AvgFirstResponseHours", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]), "AvgResolutionHours", AVERAGE('BI_Autotask_Tickets'[resolution_duration_hours]))Eerste reactie- en oplossingsnaleving voor de 15 klanten met de meeste tickets. Kleurcodering: onder 50% = rood, 50-70% = oranje, boven 70% = groen.
| # | Klant | Tickets | Eerste Reactie | Oplossing | Status |
|---|---|---|---|---|---|
| 1 | Klant A | 6,381 | 28.8% | 50.4% | |
| 2 | Klant B | 5,458 | 70.3% | 66.7% | |
| 3 | Klant C | 5,290 | 63.5% | 64.7% | |
| 4 | Client D | 2,775 | 39.6% | 69.2% | |
| 5 | Client E | 2,376 | 73.6% | 72.5% | |
| 6 | Client F | 2,364 | 90.2% | 92.0% | |
| 7 | Client G | 2,180 | 31.7% | 52.1% | |
| 8 | Client H | 1,803 | 30.7% | 47.3% | |
| 9 | Client I | 1,758 | 48.9% | 67.5% | |
| 10 | Client J | 1,728 | 37.8% | 71.2% | |
| 11 | Client K | 1,684 | 22.3% | 27.8% | |
| 12 | Client L | 1,629 | 63.7% | 70.8% | |
| 13 | Client M | 1,481 | 76.4% | 85.6% | |
| 14 | Client N | 1,317 | 31.3% | 47.4% | |
| 15 | Client O | 1,002 | 61.0% | 92.3% |
EVALUATE
VAR _Top15 =
TOPN(15,
SUMMARIZE(BI_Autotask_Tickets,
BI_Autotask_Companies[company_name]),
CALCULATE(COUNTROWS(BI_Autotask_Tickets)), DESC)
RETURN
ADDCOLUMNS(_Top15,
"Tickets", CALCULATE(COUNTROWS(BI_Autotask_Tickets)),
"FR_Met_Pct", DIVIDE(
CALCULATE(COUNTROWS(BI_Autotask_Tickets),
BI_Autotask_Tickets[first_response_met] + 0 = 1),
CALCULATE(COUNTROWS(BI_Autotask_Tickets))),
"Res_Met_Pct", DIVIDE(
CALCULATE(COUNTROWS(BI_Autotask_Tickets),
BI_Autotask_Tickets[resolution_met] + 0 = 1),
CALCULATE(COUNTROWS(BI_Autotask_Tickets)))
)
ORDER BY [Tickets] DESCEerste reactie- en oplossingspercentages per wachtrij, met weergave van operationele knelpunten
| Wachtrij | Tickets | Eerste Reactie | Oplossing | Verschil |
|---|---|---|---|---|
| Servicedesk | 31,378 | 63.6% | 59.2% | +4.4pp |
| Monitoring | 17,082 | 34.0% | 74.8% | -40.8pp |
| L2 Support | 7,889 | 53.7% | 72.9% | -19.2pp |
| Projects | 2,316 | 43.4% | 39.4% | +4.0pp |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(BI_Autotask_Tickets,
BI_Autotask_Tickets[queue_name]),
"Tickets", CALCULATE(COUNTROWS(BI_Autotask_Tickets)),
"FR_Met_Pct", DIVIDE(
CALCULATE(COUNTROWS(BI_Autotask_Tickets),
BI_Autotask_Tickets[first_response_met] + 0 = 1),
CALCULATE(COUNTROWS(BI_Autotask_Tickets))),
"Res_Met_Pct", DIVIDE(
CALCULATE(COUNTROWS(BI_Autotask_Tickets),
BI_Autotask_Tickets[resolution_met] + 0 = 1),
CALCULATE(COUNTROWS(BI_Autotask_Tickets)))
)
ORDER BY [Tickets] DESCHoe goed elk prioriteitsniveau de SLA-doelen haalt, gerangschikt op ticketvolume
| Prioriteit | Tickets | Eerste Reactie | Oplossing | Risico |
|---|---|---|---|---|
| P4 Low | 30,415 | 61.1% | 63.4% | |
| Service/Change | 15,584 | 56.5% | 57.4% | |
| P3 Normal (Mon.) | 14,715 | 34.4% | 61.3% | |
| P3 Normal | 5,019 | 52.3% | 92.3% | |
| P2 High | 1,788 | 35.7% | 56.6% |
Klanten waar zowel eerste reactie- als oplossingsnaleving onder de 50%-drempel vallen en directe aandacht nodig hebben
| Klant | Tickets | Eerste Reactie | Oplossing | Gecombineerde Score | Actie |
|---|---|---|---|---|---|
| Client K | 1,684 | 22.3% | 27.8% | 25.1% | |
| Klant A | 6,381 | 28.8% | 50.4% | 39.6% | |
| Client H | 1,803 | 30.7% | 47.3% | 39.0% | |
| Client N | 1,317 | 31.3% | 47.4% | 39.4% | |
| Client G | 2,180 | 31.7% | 52.1% | 41.9% |
De hoofdcijfers vertellen een helder verhaal: eerste reactie-naleving van 52,9% is het belangrijkste faalpunt. Oplossingsnaleving staat op 63,5%, wat beter is maar nog steeds onder het niveau waar de meeste MSP's op mikken. Het verschil van 10,6 procentpunt tussen de twee metrics betekent dat zodra uw team bij een ticket komt, ze het doorgaans oplossen. Het probleem zit in het op tijd oppakken.
Client K is het meest ernstige geval. Met 1.684 tickets en een gecombineerde SLA-naleving van slechts 25,1% ontvangt dit account een fundamenteel ander serviceniveau dan de rest van uw portfolio. Slechts 22,3% van de tickets krijgt een eerste reactie op tijd, en slechts 27,8% wordt binnen het SLA-venster opgelost. Op dit niveau is de SLA in feite betekenisloos voor deze klant.
Klant A is uw grootste account op ticketvolume met 6.381 tickets, en hun eerste reactiepercentage is slechts 28,8%. Dit is uw risicovolste combinatie: groot contract, slechte levering. Het oplossingspercentage van 50,4% is marginaal beter, maar de helft van de tickets mist nog steeds het doel. Als deze klant zelf nalevingscijfers bijhoudt, weten ze al dat de cijfers slecht zijn.
De Monitoring-wachtrij laat een verschil van 40,8 procentpunt zien tussen eerste reactie (34,0%) en oplossing (74,8%). Dit patroon is typisch voor automatisch aangemaakte monitoring-alerts waarbij het ticket al bestaat voordat iemand ernaar kijkt. De SLA-klok start bij het aanmaken van het ticket, maar het kan uren duren voordat iemand het oppakt. De oplossing is doorgaans operationeel: pas het SLA-beleid aan voor monitoring-tickets of stel automatische bevestiging in voor bekende alerttypen.
P2 High priority tickets staan op 35,7% eerste reactie-naleving. Dit zijn uw meest urgente tickets, en bijna twee derde mist het eerste reactievenster. Bij P2-tickets telt elke minuut. Een nalevingspercentage van 35,7% op werk met hoge prioriteit is een bezettings- of routeringsprobleem, geen eenmalig incident.
Aan de positieve kant laten Client F met 90,2% / 92,0% en Client M met 76,4% / 85,6% zien dat sterke SLA-prestaties haalbaar zijn met uw huidige processen en team. Het verschil tussen deze klanten en de slechtste presteerders wijst erop dat het probleem inconsistente uitvoering is, niet een kapot systeem.
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 of de eerste reactie op een ticket plaatsvond voor de SLA-deadline. Het veld first_response_met is een binaire vlag (1 = behaald, 0 = gemist). Dit rapport berekent het percentage tickets waarbij die vlag gelijk is aan 1. De SLA-deadline zelf wordt per klantcontract en prioriteitsniveau ingesteld in Autotask.
Dit patroon is gangbaar bij MSP's. Eerste reactie heeft een korter SLA-venster (vaak 1-4 uur) en hangt ervan af of iemand het ticket direct oppakt. Oplossingsvensters zijn langer (vaak 8-24 uur) en starten vanaf hetzelfde moment. Zodra een ticket is bevestigd en toegewezen, lost het team het doorgaans op binnen de resterende tijd. Het knelpunt zit vrijwel altijd bij het eerste oppakken.
Monitoring-tickets worden automatisch aangemaakt door uw RMM-tool wanneer een alert afgaat. De SLA-klok start op het moment dat het ticket wordt aangemaakt, niet wanneer een technicus het ziet. Dit creert een inherent nadeel voor eerste reactie-naleving, omdat het ticket uren in een wachtrij kan staan voordat iemand het triageert. Oplossingsnaleving is hoger omdat het onderliggende probleem na bevestiging vaak snel wordt opgelost of vanzelf verdwijnt.
De meeste MSP-contracten definiëren SLA-doelen tussen 80% en 95% naleving. Branchebenchmarks suggereren dat toppresterende MSP's boven 85% zitten voor eerste reactie en boven 90% voor oplossing. Met 52,9% eerste reactie en 63,5% oplossing is er aanzienlijke ruimte voor verbetering. Een realistisch kortetermijndoel is 70% eerste reactie en 80% oplossing binnen een kwartaal.
Ja. Koppel Proxuma Power BI aan uw Autotask PSA, 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. Uw SLA-veldnamen en -configuraties moeten overeenkomen met het Proxuma semantisch model.
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