Een uitsplitsing per klant van first response en resolution SLA-compliance over 67.521 tickets uit Autotask PSA. Dit rapport laat zien welke klanten consequent hun SLA-targets halen en waar het misgaat. Bron: PSA
Een uitsplitsing per klant van first response en resolution SLA-compliance over 67.521 tickets uit Autotask PSA. Dit rapport laat zien welke klanten consequent hun SLA-targets halen en waar het misgaat. Bron: PSA
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
Een uitsplitsing per klant van first response en resolution SLA-compliance over 67.521 tickets uit Autotask PSA. Dit rapport laat zien welke klanten consequent hun SLA-targets halen en waar het misgaat. Bron: PSA
Totale SLA-metrics over alle 67.521 tickets in de Autotask PSA-dataset.
EVALUATE ROW("ResolutionMet", [Tickets - Resolution Met %], "FirstHourFix", [Tickets - First Hour Fix %], "SameDayRes", [Tickets - Same Day Resolution %], "ClosureRate", [Tickets - Closure Rate %], "TotalTickets", [Tickets - Count - Created])Top 12 klanten gerangschikt op ticketvolume. Kleurcodering: groen = 85%+, oranje = 70-85%, rood = onder 70%.
| Metric | Value |
|---|---|
| Resolution Met | 90.2% |
| First Hour Fix | 16.1% |
| Same-Day | 30.0% |
| Closure | 98.8% |
EVALUATE ROW("ResolutionMet", [Tickets - Resolution Met %], "FirstHourFix", [Tickets - First Hour Fix %], "SameDayRes", [Tickets - Same Day Resolution %], "ClosureRate", [Tickets - Closure Rate %], "TotalTickets", [Tickets - Count - Created])Naast-elkaar weergave van first response en resolution SLA per klant. De gap-kolom toont het verschil tussen first response en resolution - grotere gaps wijzen op een triage-bottleneck in plaats van een capaciteitsprobleem.
| Klant | FR gehaald % | Res gehaald % | Gap (pp) | Risiconiveau |
|---|---|---|---|---|
| Klant C | 43,2% | 79,3% | 36,1 | Kritiek |
| Klant J | 68,6% | 86,0% | 17,4 | Kritiek |
| Klant L | 70,1% | 93,1% | 23,0 | Risico |
| Klant H | 76,3% | 95,1% | 18,8 | Risico |
| Klant D | 73,7% | 88,3% | 14,6 | Risico |
| Klant I | 75,4% | 87,1% | 11,7 | Risico |
| Klant E | 98,0% | 99,9% | 1,9 | Op target |
pp = procentpunt. Alleen klanten met opvallende gaps of risiconiveaus worden getoond.
Leidt een hoger ticketvolume tot slechtere SLA-naleving? Deze tabel toont volumecategorieen naast gemiddelde first response percentages.
| Volumecategorie | Klanten | Gem. tickets | Gem. FR gehaald % | Gem. Res gehaald % |
|---|---|---|---|---|
| Hoog (5.000+) | Klant A, B, C | 5.710 | 73,0% | 88,2% |
| Midden (2.000-4.999) | Klant D, E, F, G | 2.424 | 85,7% | 92,9% |
| Laag (onder 2.000) | Klant H, I, J, K, L | 1.720 | 75,0% | 90,6% |
Het gemiddelde van de hoog-volume categorie wordt omlaag getrokken door Klant C (43,2%). Zonder Klant C springt het hoog-volume gemiddelde naar 87,9%.
First response naleving per maand voor de drie meest kritische klanten. Laat zien of de prestaties verbeteren of verslechteren.
| Klant | Aug | Sep | Okt | Nov | Dec | Jan | Trend |
|---|---|---|---|---|---|---|---|
| Klant C | 41,8% | 39,7% | 38,1% | 42,6% | 48,3% | 52,1% | Verbeterend |
| Klant J | 65,2% | 62,8% | 64,1% | 70,3% | 74,6% | 78,2% | Verbeterend |
| Klant E | 97,4% | 98,1% | 97,8% | 98,3% | 98,6% | 99,1% | Stabiel |
Dit rapport is gegenereerd door een AI-agent verbonden met Proxuma Power BI via de MCP (Model Context Protocol) server. De AI schreef DAX-queries tegen de BI_Autotask_Tickets tabel, voerde ze uit en formateerde de resultaten tot dit document.
Databron: Autotask PSA, gesynchroniseerd naar Power BI via de Proxuma connector. De dataset bevat 67.521 tickets over 12 klanten (geselecteerd op ticketvolume met TOPN). First response naleving gebruikt het first_response_met veld (int64, gefilterd met + 0 = 1). Resolution naleving gebruikt het resolution_met veld met dezelfde filterlogica.
Klantselectie: De 12 getoonde klanten zijn de top 12 op ticketvolume. Kleinere klanten zijn uitgesloten omdat hun steekproefgrootte mogelijk geen stabiele percentages oplevert.
Beperkingen: Geanonimiseerde klantnamen (Klant A-L) vervangen de echte bedrijfsnamen. Maandelijkse trenddata per klant kan variatie tonen door seizoenspatronen. Ticketvolume per klant per maand varieert van circa 50 tot 1.100, dus percentages per maand voor klanten met laag volume zijn eerder richtinggevend dan exact.
Klant C is een uitschieter die de hele portfolio naar beneden trekt. Op 43,2% first response naleving over 6.381 tickets is Klant C de klant met het hoogste volume en veruit het slechtste first response percentage. Het resolution-percentage (79,3%) zit ook onder target. Met meer dan 6.000 tickets is dit geen steekproefprobleem. Het verschil van 36,1 procentpunt tussen first response en resolution wijst op een ernstige triage-bottleneck, mogelijk veroorzaakt door verkeerd afgestemde SLA-targets, een tijdzone-mismatch, of onvoldoende resource-allocatie voor dit account.
Klant J zit 16,4 punten onder de 85%-doelstelling voor first response, terwijl het resolution-percentage (86,0%) er net boven zit. Het verschil van 17,4pp tussen first response en resolution bevestigt dat het team uiteindelijk bijtrekt, maar de eerste reactie structureel te laat komt. Dit patroon wijst op een scheduling- of triage-bottleneck, niet op een vaardigheidsprobleem. Het goede nieuws: Klant J is verbeterd van 65,2% in augustus naar 78,2% in januari, een gestage stijging die suggereert dat recente wijzigingen effect hebben.
Klant E bewijst dat het systeem op het hoogste niveau kan presteren. Met 98,0% first response en 99,9% resolution compliance over 2.364 tickets is Klant E de benchmark. Dit is geen laagvolume-uitzondering. Welk proces, welke SLA-configuratie of welke resource-allocatie ook op Klant E van toepassing is, dat moet bestudeerd en gerepliceerd worden voor de achterblijvers.
Volume alleen verklaart het verschil niet. De middenvolume-categorie (2.000-5.000 tickets) scoort gemiddeld 85,7% first response, terwijl zowel de hoog- als laag-volume categorieen onderpresteren. Zonder Klant C springt de hoog-volume categorie naar 87,9%. Het probleem zit geconcentreerd in specifieke accounts, niet gelijkmatig verspreid over de portfolio.
EVALUATE
ADDCOLUMNS(
TOPN(5,
SUMMARIZECOLUMNS(
'BI_Autotask_Tickets'[company_name],
"FRGap", [Tickets - First Response Met %] - 0.85
),
[FRGap], ASC
),
"BelowTarget", IF([FRGap] < 0, "Yes", "No")
)Praktische stappen om de gaten te dichten die in dit rapport zijn gevonden.
Op 43,2% first response naleving over 6.381 tickets is dit de grootste rem op het totale gemiddelde van 80,1%. Begin met het controleren of hun SLA-targets overeenkomen met het daadwerkelijke servicecontract. Als de targets correct zijn, draai een tijdstip-analyse om te vinden wanneer de breaches clusteren. Een verkeerd ingestelde tijdzone of een patroon van tickets buiten kantooruren kan dit soort structurele misses veroorzaken.
Klanten C, J, L, D en I zitten allemaal onder het 85% first response target. Vier van hen halen nog wel de resolution targets, wat betekent dat het werk gedaan wordt. De bottleneck zit bij de intake: tickets liggen te lang in de queue voordat iemand ze oppakt. Overweeg auto-assignment regels of een dedicated first-response rotatie voor klanten met hoog volume.
Met 98,0% first response en 99,9% resolution laat Klant E zien dat het systeem op het hoogste niveau kan presteren. Haal hun SLA-configuratie, ticket routing rules en resource assignment patronen op. Vergelijk die met Klant C en Klant J om structurele verschillen te identificeren. Het verschil tussen 43,2% en 98,0% is te groot om alleen met volume te verklaren.
Klanten J (68,6%) en Klant C (43,2%) hadden eerder gesignaleerd moeten worden. Een wekelijks Power BI-alert op klanten onder de 70%-grens geeft de servicedesk de tijd om in te grijpen voordat een kwartaalreview het probleem boven water haalt.
Klant J is gestegen van 65,2% in augustus naar 78,2% in januari. Dat is een verbetering van 13 punten in zes maanden. Wat er ook is veranderd voor deze klant, het werkt. Documenteer de wijzigingen en houd het momentum vast. In het huidige tempo kan Klant J de 85%-doelstelling binnen twee tot drie maanden bereiken.
First response en resolution SLA-vensters zijn aparte timers. Een ticket kan zijn first response target van 1 uur missen, maar alsnog opgelost worden binnen het resolution-venster van 8 uur. Dit komt veel voor als de eerste pickup traag is (queue-backlog, tickets buiten kantooruren), maar de daadwerkelijke fix snel gaat zodra iemand eraan begint. Het verschil wijst op een triage- of planningsprobleem, niet op een vaardigheidsprobleem.
De DAX-query gebruikt TOPN(12, ..., [TicketCount], DESC) om de 12 klanten met het hoogste ticketvolume te selecteren. Dit zorgt ervoor dat de analyse de klanten dekt die het meeste werk genereren en de grootste impact hebben op de totale SLA-cijfers. Kleinere klanten zijn uitgesloten omdat hun steekproefgrootte mogelijk geen stabiele percentages oplevert.
De gap-kolom toont het verschil in procentpunten tussen resolution SLA gehaald en first response SLA gehaald. Een grote gap (zoals Klant C op 36,1pp) betekent dat tickets van de klant uiteindelijk op tijd worden opgelost, maar de eerste reactie structureel te laat is. Dit wijst op een triage- of dispatch-probleem, niet op een capaciteitsprobleem. Een kleine gap (zoals Klant E op 1,9pp) betekent dat beide metrics goed op elkaar aansluiten.
Ja. Kopieer een query uit de toggles hierboven en plak deze in DAX Studio of de Power BI Desktop performance analyzer. De queries verwijzen naar standaard Proxuma-datamodeltabellen en measures die in elke Proxuma Power BI-deployment aanwezig zijn.
Maandelijks is het minimum. Voor klanten in de kritieke risicocategorie (onder 70% first response) is een wekelijkse check aan te raden. Stel Power BI-alerts in om elke klant te signaleren die onder de 70% zakt, zodat je kunt ingrijpen voor de maandelijkse review. Kwartaalreviews moeten een trendweergave bevatten zoals sectie 5.0 om de voortgang te volgen.
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