Jaar-op-jaar SLA compliance voor first response en resolution over 67.521 tickets. Uitgesplitst per prioriteit om te laten zien waar prestaties verbeteren en waar ze afnemen. Gegenereerd door AI via de Proxuma Power BI MCP server.
Jaar-op-jaar SLA compliance voor first response en resolution over 67.521 tickets. Uitgesplitst per prioriteit om te laten zien waar prestaties verbeteren en waar ze afnemen. Gegenereerd door AI via de 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
Jaar-op-jaar SLA compliance voor first response en resolution over 67.521 tickets. Uitgesplitst per prioriteit om te laten zien waar prestaties verbeteren en waar ze afnemen. Gegenereerd door AI via de Proxuma Power BI MCP server.
first_response_met en resolution_met velden in de BI_Autotask_Tickets tabel. Dit zijn boolean velden (opgeslagen als int64) die aangeven of elk ticket zijn SLA doel haalde. Percentages worden berekend door gehaalde tickets te delen door totaal tickets per jaar en prioriteit.
First response en resolution SLA percentages over 2024, 2025 en begin 2026
De twee lijnen kruisten tussen 2024 en 2025. First response compliance zakte van 61,8% naar 49,4%, terwijl resolution steeg van 48,1% naar 68,7%. In 2024 was je beter in het snel oppakken van tickets maar slechter in het op tijd oplossen. In 2025 was het precies andersom.
De vroege data van 2026 (2.164 tickets) laat zien dat first response herstelt naar 62,6% en resolution stabiel blijft op 67,9%. De steekproef is nog klein, maar de richting is positief op beide vlakken.
EVALUATE ROW("CSATAvg", [CSAT - Average Rating], "CSATLastYear", [CSAT - Average Rating - Last Year], "Ratings", [CSAT - Total Ratings])First response en resolution SLA percentages per prioriteit over 2024, 2025 en 2026
| Prioriteit | FR% 2024 | FR% 2025 | FR% 2026 | Res% 2024 | Res% 2025 | Res% 2026 | FR Trend |
|---|---|---|---|---|---|---|---|
| P1 Kritiek | 63.6% | 28.8% | 22.4% | 50.7% | 57.1% | 75.3% | Instortend |
| P2 Hoog | 86.0% | 35.1% | 5.5% | 93.0% | 92.0% | 90.9% | Instortend |
| P3 Normaal | 59.8% | 26.1% | 25.9% | 76.0% | 56.6% | 51.8% | Dalend |
| P4 Laag | 72.0% | 56.1% | 80.9% | 31.1% | 73.5% | 73.8% | Herstellend |
| Service/Change | 33.2% | 64.6% | 10.3% | 32.8% | 65.9% | 11.2% | Wisselvallig |
EVALUATE
ADDCOLUMNS(
SUMMARIZECOLUMNS(
'BI_Autotask_Tickets'[priority_name],
"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)
),
"FirstResponsePct", DIVIDE([FirstResponseMet], [TotalTickets]),
"ResolutionPct", DIVIDE([ResolutionMet], [TotalTickets])
)
ORDER BY [TotalTickets] DESCHet dalende first response verhaal, prioriteit voor prioriteit
De first response grafiek vertelt een duidelijk verhaal: hoe hoger de prioriteit, hoe erger de daling. P2 Hoog ging van 86,0% in 2024 naar 5,5% in 2026. Dat is geen geleidelijke afname. Dat is een proces dat kapot is gegaan.
P1 Kritiek laat een vergelijkbaar patroon zien, met een daling van 63,6% naar 22,4%. Dit zijn de tickets die het meest uitmaken voor klanten, en het zijn juist de tickets die hun first response venster het vaakst missen.
P4 Laag is de enige prioriteit die verbeterde, van 72,0% naar 80,9%. Dat is logisch als je dispatch team lagere prioriteiten snel afhandelt terwijl tickets met hogere prioriteit blijven hangen in triage of escalatie-wachtrijen.
P3 Normaal stabiliseerde rond 26% na de eerste daling. Het wordt niet slechter, maar het herstelt ook niet.
Resolution SLA compliance verbetert bij de meeste prioriteiten
Resolution vertelt een ander verhaal dan first response. P2 Hoog bleef drie jaar op rij boven de 90%. Wat je resolution-proces ook is voor tickets met hoge prioriteit, het werkt.
P1 Kritiek steeg van 50,7% naar 75,3%, de grootste verbetering in de dataset. Kritieke tickets worden consistenter binnen hun SLA venster opgelost.
P4 Laag maakte een flinke sprong van 31,1% naar 73,8%. Dat suggereert dat het team gestopt is met het zo lang uitstellen van lage-prioriteit tickets dat ze de SLA doorbraken. Het kan ook aangepaste SLA doelen weerspiegelen.
De uitzondering is P3 Normaal, dat daalde van 76,0% naar 51,8%. Dit is de enige prioriteit waar resolution de verkeerde kant op gaat.
EVALUATE
ROW(
"OverallFRPct", DIVIDE(
COUNTROWS(FILTER('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[first_response_met] + 0 = 1)),
COUNTROWS('BI_Autotask_Tickets')
),
"OverallResPct", DIVIDE(
COUNTROWS(FILTER('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[resolution_met] + 0 = 1)),
COUNTROWS('BI_Autotask_Tickets')
),
"TotalTickets", COUNTROWS('BI_Autotask_Tickets')
)Waarom first response daalt terwijl resolution verbetert
De data toont twee SLA metrics die in tegengestelde richtingen bewegen. Dat is ongebruikelijk, maar de verklaring is logisch zodra je kijkt naar wat elke metric daadwerkelijk meet.
First response hangt af van dispatch-snelheid. Het meet hoe snel iemand een ticket oppakt en het eerste inhoudelijke antwoord stuurt. Toen het ticketvolume sprong van 16.857 (2024) naar 48.500 (2025), kon dispatch het niet bijhouden. Het volume verdrievoudigde bijna, maar het team niet. Het resultaat: tickets lagen langer in de wachtrij voordat iemand ze aanraakte.
Resolution hangt af van hoe het team tickets afhandelt na het oppakken. De verbetering van 48,1% naar 68,7% suggereert dat zodra iemand aan een ticket begint, het sneller wordt afgerond dan voorheen. Dit kan betere documentatie, verbeterde tooling, meer ervaren engineers, of strakker procesmanagement rond open ticket aging weerspiegelen.
Het netto effect: klanten wachten langer op het eerste antwoord, maar zodra het werk begint, wordt het vaker binnen het SLA venster afgerond. Dat is niet per se een goede ruil. Klanten merken lange initiële wachttijden op voordat ze resolution-snelheid opmerken. Een trage first response signaleert verwaarlozing, ook als de uiteindelijke oplossing snel is.
De prioriteit-uitsplitsing ondersteunt deze theorie. P1 en P2 first response stortte in omdat die tickets per definitie snelle dispatch nodig hebben. Wanneer de wachtrij oploopt, lijden tickets met hoge prioriteit het meest omdat hun responsvensters het kortst zijn. Ondertussen verbeterde P4 first response juist, omdat die tickets ruime SLA vensters hebben die de volume-stijging overleefden.
P1 Kritiek ging van 63,6% naar 22,4%. P2 Hoog ging van 86,0% naar 5,5%. Dit zijn je meest urgente tickets. Wanneer klanten een kritiek probleem melden en langer dan het SLA venster wachten op een eerste reactie, verdwijnt het vertrouwen snel. De volume-stijging van 2024 naar 2025 is deels de oorzaak, maar een 3x volume-stijging zou geen daling van 80 punten in P2 compliance mogen veroorzaken. Er moet iets in het dispatch- of triageproces onderzocht worden.
Totale resolution ging van 48,1% naar 68,7%. P1 sprong van 50,7% naar 75,3%. P4 sprong van 31,1% naar 73,8%. Het team sluit tickets consistenter binnen de SLA af dan een jaar geleden. Dit is echte vooruitgang. P2 bleef drie jaar op rij boven de 90%. Het enige zorgpunt is P3 Normaal, dat daalde van 76,0% naar 51,8%.
Ticketvolume ging van 16.857 in 2024 naar 48.500 in 2025. First response percentages daalden bijna evenredig. Het team handelt meer tickets af en lost ze sneller op, maar het initieel oppakken is waar het knelpunt zit. Als het volume op het huidige niveau blijft, herstelt first response niet zonder meer dispatch-capaciteit of snellere triageprocessen.
5 prioriteiten op basis van de bevindingen hierboven
Een first response percentage van 5,5% op P2 tickets is geen trendprobleem. Het is een procesfout. Trek de laatste 50 P2 tickets en controleer: hoe lang lagen ze voordat ze werden toegewezen? Werden ze automatisch gedispatcht of handmatig opgepakt? Is er een wachtrij-knelpunt waar P2 tickets vastlopen achter lagere prioriteiten? Los het dispatch-pad op voordat je je druk maakt over iets anders.
Als je SLA klok begint te lopen wanneer het ticket wordt aangemaakt, heb je een geautomatiseerde first response nodig voor kritieke tickets. Een template-bevestiging zoals "We hebben je kritieke melding ontvangen en een technicus wordt toegewezen" koopt tijd zonder de klant te misleiden. Het stelt ook verwachtingen bij terwijl dispatch bijtrekt. Deze ene verandering kan 20-30 punten terugwinnen op P1/P2 first response percentages.
P3 is de enige prioriteit waar resolution slechter wordt, van 76,0% naar 51,8%. Dit kan een capaciteitsprobleem zijn (te veel P3 tickets) of een complexiteitsprobleem (P3 tickets zijn moeilijker dan voorheen). Trek de gemiddelde leeftijd en escalatie-ratio voor P3 tickets in 2025 vs 2024. Als tickets langer blijven liggen voor resolution, is het een capaciteitsprobleem. Als ze vaker geëscaleerd worden, is het een complexiteitsprobleem.
SLA doelen die zijn ingesteld toen je 16.857 tickets per jaar had, zijn mogelijk niet realistisch bij 48.500. Dat betekent niet dat je standaarden verlaagt. Het betekent eerlijk zijn over wat je team kan leveren bij de huidige bezetting. Als P2 first response was ingesteld op 30 minuten toen het volume een derde was van nu, overweeg of 60 minuten realistischer is terwijl je het team opschaalt.
Resolution ging van 48,1% naar 68,7% in een jaar. Dat is een significante operationele verbetering. Zoek uit wat het veroorzaakte. Was het een nieuw documentatiesysteem? Een verschuiving in hoe tickets worden toegewezen aan L2? Betere tooling voor veelvoorkomende problemen? Wat er ook veranderd is, zorg dat het gedocumenteerd is en consistent wordt toegepast. Goede resultaten zonder te begrijpen waarom ze plaatsvonden, zijn kwetsbaar.
Autotask houdt SLA compliance per ticket bij via de first_response_met en resolution_met velden. Dit zijn boolean waarden die aangeven of het ticket zijn SLA doel haalde voor respectievelijk first response en resolution. Proxuma Power BI haalt deze data op via de Autotask connector en de AI draait DAX queries om het te aggregeren per jaar en prioriteit.
2026 heeft tot nu toe maar 2.164 tickets omdat het jaar net begonnen is. Kleine steekproeven produceren wisselvallige percentages. Een enkele slechte week kan de cijfers flink verschuiven. Behandel 2026 als richtinggevend, niet als definitief. De trends van 2024 naar 2025 zijn statistisch betrouwbaarder omdat ze respectievelijk 16.857 en 48.500 tickets dekken.
Een ticket haalt zijn first response SLA wanneer de eerste technicus-reactie (notitie, e-mail of statuswijziging) plaatsvindt binnen het SLA venster dat is gedefinieerd voor de prioriteit en het contract van dat ticket. Autotask berekent dit automatisch op basis van het SLA plan dat aan het contract van de klant is gekoppeld. Het first_response_met veld slaat het resultaat op als boolean.
Ze meten verschillende dingen. First response gaat over dispatch-snelheid: hoe snel iemand het ticket oppakt. Resolution gaat over afronding-snelheid: hoe snel het ticket wordt opgelost nadat het werk begint. Een team kan beter worden in het oplossen van tickets en tegelijk slechter in het oppakken, vooral wanneer het volume sneller groeit dan de bezetting. Dat is precies wat hier is gebeurd.
Ja. Koppel Proxuma Power BI aan je Autotask account, voeg een AI tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX queries, draait ze op je echte data, en produceert een rapport zoals dit in minder dan vijftien minuten.
Industriestandaarden variëren, maar de meeste MSP's richten op 80%+ voor first response en 85%+ voor resolution op P1/P2 tickets. Voor P3 en P4 is 70%+ gebruikelijk. Alles onder de 50% op welke prioriteit dan ook wijst op een structureel probleem dat aandacht nodig heeft. De specifieke doelen moeten overeenkomen met wat je klantcontracten beloven.
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