Welke prioriteitsniveaus de SLA-doelen halen, welke ze structureel missen en waar overschrijdingen zich concentreren. Gegenereerd door AI via Proxuma Power BI MCP-server.
Welke prioriteitsniveaus de SLA-doelen halen, welke ze structureel missen en waar overschrijdingen zich concentreren. 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 prioriteitsniveaus de SLA-doelen halen, welke ze structureel missen en waar overschrijdingen zich concentreren. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE ROW("Tickets", COUNTROWS('BI_Autotask_Tickets'), "FRTMet", [Tickets - First Response Met %], "ResMet", [Tickets - Resolution Met %], "Breaches", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolved_due_age_days] > 0))Eerste reactie behaald %, oplossing behaald %, aantal schendingen en gemiddeld gewerkte uren per prioriteitsniveau, gesorteerd op ticketvolume
| Prioriteit | Tickets | ER Behaald % | Opl Behaald % | Schendingen | Gem. Uren |
|---|---|---|---|---|---|
| P4 - Laag | 30.415 | 83,5% | 90,6% | 265 | 0,90 |
| Service/Change req. | 15.584 | 97,3% | 97,5% | 9 | 0,92 |
| P3 - Medium | 14.715 | 55,2% | 83,8% | 68 | 0,82 |
| P1 - Kritisch | 5.019 | 82,4% | 94,0% | 3 | 1,04 |
| P2 - Hoog | 1.788 | 68,6% | 71,8% | 15 | 1,99 |
EVALUATE ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[priority_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "FRTMet", [Tickets - First Response Met %], "ResMet", [Tickets - Resolution Met %], "Breaches", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolved_due_age_days] > 0), "AvgHours", CALCULATE(AVERAGE('BI_Autotask_Tickets'[worked_hours]))) ORDER BY [Tickets] DESCVergelijking van eerste reactie behaald en oplossing behaald percentages per prioriteit. Het verschil tussen ER en Opl toont waar tickets laat worden opgepakt maar wel op tijd worden opgelost.
EVALUATE FILTER(ADDCOLUMNS(VALUES('BI_Common_Dim_Date'[year_month]), "NewTickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "FRTMet", [Tickets - First Response Met %], "ResMet", [Tickets - Resolution Met %]), [NewTickets] > 0) ORDER BY 'BI_Common_Dim_Date'[year_month] ASCWaar SLA-schendingen zich concentreren over prioriteitsniveaus. P4-tickets genereren de meeste schendingen door hun grote volume.
Hoe tickets verdeeld zijn over prioriteitsniveaus, met inzicht in waar het gros van het werk zit en welke niveaus de grootste impact hebben op de totale SLA
Tijdsinvestering per ticket over alle prioriteiten. Tickets met hogere urgentie kosten gemiddeld meer technicusuren.
| Prioriteit | Gem. Uren | Tickets | Observatie |
|---|---|---|---|
| P2 - Hoog | 1,99 | 1.788 | Hoogste inspanning per ticket |
| P1 - Kritisch | 1,04 | 5.019 | Verwachte inspanning voor critical |
| Service/Change req. | 0,92 | 15.584 | Change work vreet uren |
| P4 - Laag | 0,90 | 30.415 | Volumework — bulk van het totaal |
| P3 - Medium | 0,82 | 14.715 | Laagste, maar 55% ER-compliance is zorg |
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.
First response met betekent dat de technicus een eerste reactie op het ticket gaf binnen het SLA-doelvenster voor dat prioriteitsniveau. In Autotask wordt dit bijgehouden via het veld first_response_met. Een waarde van 1 betekent dat het doel is behaald; 0 betekent dat het is gemist. Het SLA-venster verschilt per prioriteit: P2-tickets hebben doorgaans een doel van 1 uur, terwijl P4-tickets 8 uur of meer mogen duren.
Een SLA-overschrijding in dit rapport is gedefinieerd als een ticket waarbij resolved_due_age_days > 0, wat betekent dat het ticket is opgelost na de oplossings-SLA-deadline. Dit staat los van gemiste eerste reactie-SLA. Een ticket kan het eerste reactiedoel missen maar toch het oplossingsdoel halen, of beide overschrijden.
Monitoring-tickets worden automatisch gegenereerd door RMM-tools wanneer een alert afgaat. Veel van deze tickets doorlopen auto-triage, auto-escalatie of worden zelfs automatisch opgelost zonder menselijke tussenkomst. De SLA-klok start wanneer het ticket wordt aangemaakt, maar een menselijke eerste reactie wordt mogelijk niet verwacht of is niet nodig. Dit creert een structurele mismatch tussen de SLA-definitie en de daadwerkelijke workflow, waardoor het eerste reactiepercentage kunstmatig wordt verlaagd.
Niet per se in absolute termen, omdat P2-tickets veel strakkere SLA-vensters hebben. Een P2-ticket heeft mogelijk een eerste reactie nodig binnen 1 uur terwijl P4 8 uur toestaat. Als uw gemiddelde reactietijd 2 uur is, slaagt P4 makkelijk maar faalt P2. Het nalevingspercentage geeft weer hoe goed uw team het doel per prioriteitsniveau haalt, niet de absolute snelheid. Dat gezegd hebbende, als P2-compliance ver onder P4 ligt, signaleert dat dat het team urgente tickets niet anders prioriteert.
Ja. De DAX-queries in dit rapport kunnen worden uitgebreid met extra filters. Voeg een FILTER-clausule toe op BI_Autotask_Tickets[company_name] voor klantspecifieke analyse, of gebruik de datumtabel om te filteren op een specifiek kwartaal. Voor QBR-voorbereiding geeft filteren op de laatste 90 dagen het meest relevante beeld van de huidige prestaties.
Ja. Verbind Proxuma Power BI met uw Autotask PSA, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, draait ze op uw echte data en produceert een rapport als 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