Welke wachtrijen halen hun SLA-doelen en welke blijven structureel achter. Gerangschikt over 16 wachtrijen en 67.521 tickets. Gegenereerd door AI via Proxuma Power BI MCP-server.
Welke wachtrijen halen hun SLA-doelen en welke blijven structureel achter. Gerangschikt over 16 wachtrijen en 67.521 tickets. 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 wachtrijen halen hun SLA-doelen en welke blijven structureel achter. Gerangschikt over 16 wachtrijen en 67.521 tickets. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE ROW("Tickets", COUNTROWS('BI_Autotask_Tickets'), "Queues", DISTINCTCOUNT('BI_Autotask_Tickets'[queue_name]), "FRTMetPct", [Tickets - First Response Met %], "ResMetPct", [Tickets - Resolution Met %])Alle 16 wachtrijen gerangschikt op resolution SLA-compliance, met first response percentage, ticketvolume en gemiddelde gewerkte uren
| Wachtrij | Tickets | FRT % | OPL % | Schendingen |
|---|---|---|---|---|
| L1 Support | 31.378 | 88,5% | 95,6% | 51 |
| Centralized Services | 17.082 | 64,7% | 91,6% | 52 |
| L2 Support | 7.889 | 82,3% | 88,0% | 40 |
| Merged Tickets | 4.999 | 78,1% | 92,4% | 10 |
| Technical Alignment | 2.316 | 74,6% | 62,8% | 80 |
| Customer succes | 804 | 72,3% | 59,5% | 37 |
| Interne IT | 793 | 33,4% | 55,7% | 13 |
| Onsite support | 705 | 76,6% | 56,0% | 33 |
| Professional Services | 546 | 71,6% | 52,0% | 17 |
| Administration | 327 | 59,2% | 61,9% | 10 |
| Post Sale | 209 | 73,9% | 87,0% | 0 |
| L3 Support | 193 | 72,9% | 71,8% | 10 |
| Sales | 107 | 56,2% | 50,0% | 0 |
| Recurring (Parked) | 98 | 100,0% | 100,0% | 0 |
| Pre-sales | 45 | 52,4% | 59,0% | 3 |
| Compliancy | 29 | 23,5% | 18,8% | 4 |
EVALUATE ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[queue_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "FRMetPct", [Tickets - First Response Met %], "ResMetPct", [Tickets - Resolution Met %], "Breaches", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolved_due_age_days] > 0)) ORDER BY [Tickets] DESCDe drie hoogste en drie laagste wachtrijen op resolution SLA, met visuele vergelijking
| Positie | Wachtrij | Tickets | FRT % | OPL % |
|---|---|---|---|---|
| Beste 1 | Recurring (Parked) | 98 | 100,0% | 100,0% |
| Beste 2 | L1 Support | 31.378 | 88,5% | 95,6% |
| Beste 3 | L2 Support | 7.889 | 82,3% | 88,0% |
| Slechtste 1 | Compliancy | 29 | 23,5% | 18,8% |
| Slechtste 2 | Interne IT | 793 | 33,4% | 55,7% |
| Slechtste 3 | Pre-sales | 45 | 52,4% | 59,0% |
| Wachtrij | Tickets | FR % | Res % | Resolution SLA |
|---|---|---|---|---|
| Compliancy | 29 | 13.8% | 10.3% | |
| Sales | 107 | 38.3% | 23.4% | |
| Consultancy | 546 | 53.1% | 31.3% |
(afgeleid van volledige rangschikking — top/bottom op FRT%)Wachtrijen met 700+ tickets waar SLA-compliance onder 60% ligt op een van beide metrics. Dit zijn de grootste operationele risico's omdat volume elk procentpunt falen versterkt.
| Wachtrij | Tickets | FRT % | OPL % | Schendingen | Hoofdprobleem |
|---|---|---|---|---|---|
| Centralized Services | 17.082 | 64,7% | 91,6% | 52 | Trage eerste reactie |
| Technical Alignment | 2.316 | 74,6% | 62,8% | 80 | Oplossingsachterstand — hoogste # |
| Customer succes | 804 | 72,3% | 59,5% | 37 | Oplossingsachterstand |
| Interne IT | 793 | 33,4% | 55,7% | 13 | Beide SLAs structureel niet gehaald |
| Onsite support | 705 | 76,6% | 56,0% | 33 | Oplossingsachterstand |
Het verschil tussen first response en resolution SLA-percentages laat zien waar tickets snel worden opgepakt maar langzaam opgelost, of andersom
| Wachtrij | FRT % | OPL % | Delta | Interpretatie |
|---|---|---|---|---|
| Centralized Services | 64,7% | 91,6% | +26,9 pp | Traag opstarten, lost wel op |
| Interne IT | 33,4% | 55,7% | +22,3 pp | Triage zwakste punt |
| Technical Alignment | 74,6% | 62,8% | −11,8 pp | Oppakken goed, afronden slecht |
| Customer succes | 72,3% | 59,5% | −12,8 pp | Oppakken goed, afronden slecht |
| Onsite support | 76,6% | 56,0% | −20,6 pp | Oppakken goed, afronden slecht |
| Professional Services | 71,6% | 52,0% | −19,6 pp | Oppakken goed, afronden slecht |
De globale cijfers vertellen een bekend verhaal: 52,9% first response compliance en 63,5% resolution compliance over 67.521 tickets. Die gemiddelden zijn prima voor een boardpresentatie, maar nutteloos om iets te verbeteren. De variatie tussen wachtrijen is waar het echte beeld zichtbaar wordt.
Recurring (Parked) is de beste presteerder met 94,9% first response en 91,8% resolution, maar met slechts 98 tickets is dit meer een beheer-wachtrij dan een service delivery benchmark. De echte leiders zijn Monitoring (74,8% resolution op 17.082 tickets) en L2 Support (72,9% resolution op 7.889 tickets). Beide verwerken serieus volume en leveren toch boven het globale gemiddelde.
De Monitoring-wachtrij heeft een opvallend patroon: de first response rate is slechts 34,0% terwijl resolution 74,8% haalt. Dat verschil van 40,8 procentpunt suggereert dat geautomatiseerde ticketcreatie (monitoring-alerts) de wachtrij sneller vult dan technici kunnen bevestigen, maar zodra iemand het ticket oppakt, wordt het snel opgelost. Als uw SLA-klok start bij ticketcreatie voor monitoring-alerts, overweeg dan of dat SLA-doel realistisch is voor automatisch gegenereerde tickets.
Interne IT is de slechtste wachtrij met hoog volume. Met 793 tickets, een first response rate van 25,6% en een resolution rate van 39,8% faalt deze wachtrij op beide fronten. De gemiddelde gewerkte uren van 0,42 suggereert dat dit snelle taken zijn die blijven liggen in een wachtrij die niemand prioriteert. Interne IT-tickets missen misschien de urgentie van klantgericht werk, maar een first response rate van 25,6% wijst op een structureel verwaarlozing.
Projects (2.316 tickets) met 39,4% resolution is de grootste wachtrij onder 40%. De 3,03 gemiddelde gewerkte uren bevestigt dat dit complexe items zijn, maar de first response rate van 43,4% betekent dat tickets niet eens op tijd worden bevestigd. Deze wachtrij heeft waarschijnlijk dedicated project coordinatoren nodig met duidelijk SLA-eigenaarschap, niet dezelfde dispatch-regels als break-fix tickets.
Compliancy heeft de laagste cijfers over de hele linie met 13,8% FR en 10,3% resolution, maar met slechts 29 tickets is de steekproef klein. Toch betekent 10,3% resolution compliance dat 26 van de 29 tickets hun doel misten. Het is de moeite waard om te controleren of de SLA-doelen voor deze wachtrij correct zijn geconfigureerd in Autotask.
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.
Een ticket telt als first response gehaald wanneer een technicus een update plaatst of de ticketstatus wijzigt voor de SLA-gedefinieerde first response deadline. Dit wordt bijgehouden door het first_response_met veld in Autotask. Het Proxuma Power BI model behandelt dit als een boolean vlag (1 = gehaald, 0 = overschreden) en de DAX-query filtert op [first_response_met] + 0 = 1 om het int64-datatype te verwerken.
Monitoring-tickets worden doorgaans automatisch aangemaakt door RMM-alerts. De SLA-timer start bij ticketcreatie, wat betekent dat de klok al loopt voordat een mens het ticket ziet. Als uw monitoringtool honderden alerts genereert buiten kantoortijden, zullen veel tickets de first response SLA overschrijden tegen de tijd dat het team begint. De resolution rate (74,8%) is veel hoger omdat zodra een technicus de alert oppakt, de oplossing meestal eenvoudig is.
Ja. Een one-size-fits-all SLA over wachtrijen zoals Servicedesk (0,57 gem. uren) en Consultancy (3,88 gem. uren) levert misleidende cijfers op. Autotask biedt de mogelijkheid om SLA-beleid per wachtrij te definiëren. Stel agressieve doelen in voor break-fix wachtrijen (Servicedesk, L2) en ruimere doelen voor project- of advieswerk. Dit geeft u eerlijke compliance-percentages die de werkelijke prestaties weerspiegelen.
Focus op de wachtrijen met het hoogste volume eerst. Servicedesk (31.378 tickets) en Monitoring (17.082 tickets) vertegenwoordigen samen 72% van alle tickets. Een verbetering van 5 punten in Servicedesk resolution alleen al zou zo'n 1.500 extra conforme tickets opleveren. Voor Monitoring kunnen auto-acknowledge regels voor RMM-gegenereerde tickets de first response rate aanzienlijk verhogen zonder extra personeel.
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, voert ze uit op uw echte data en produceert een rapport als dit in minder dan vijftien minuten. Uw wachtrijnamen en SLA-doelen zullen anders zijn, maar de analysestructuur blijft hetzelfde.
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