Hoe uw SLA-cijfers over 12 maanden zijn verschoven, waar de achterstand groeide, en wat de Q4 2025 trend betekent voor capaciteitsplanning. Gegenereerd door AI via Proxuma Power BI MCP-server.
Hoe uw SLA-cijfers over 12 maanden zijn verschoven, waar de achterstand groeide, en wat de Q4 2025 trend betekent voor capaciteitsplanning. 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
Hoe uw SLA-cijfers over 12 maanden zijn verschoven, waar de achterstand groeide, en wat de Q4 2025 trend betekent voor capaciteitsplanning. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE ROW("Tickets", COUNTROWS('BI_Autotask_Tickets'), "FRTMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_response_met] + 0 = 1), "FRTMetPct", [Tickets - First Response Met %], "ResMetPct", [Tickets - Resolution Met %], "Open", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name] <> "Complete"), "Closed", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name] = "Complete"), "Overdue", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolved_due_age_days] > 0))Aangemaakte vs afgesloten tickets per maand en de netto achterstandwijziging. Positief netto betekent dat de wachtrij groeide; negatief betekent dat deze kromp.
| Maand | Aangemaakt | Afgesloten | Netto | Achterstand |
|---|---|---|---|---|
| Jan 2026 | 2.164 | 1.671 | +493 | 235 |
| Dec 2025 | 2.940 | 2.771 | +169 | 60 |
| Nov 2025 | 3.327 | 3.262 | +65 | 35 |
| Okt 2025 | 4.013 | 3.966 | +47 | 17 |
| Sep 2025 | 4.563 | 4.530 | +33 | 5 |
| Aug 2025 | 3.607 | 3.599 | +8 | 2 |
| Jul 2025 | 6.613 | 6.606 | +7 | 1 |
| Jun 2025 | 3.651 | 3.642 | +9 | 2 |
| Mei 2025 | 3.639 | 3.634 | +5 | 1 |
| Apr 2025 | 4.341 | 4.339 | +2 | 1 |
| Mrt 2025 | 3.766 | 3.766 | 0 | 0 |
| Feb 2025 | 3.478 | 3.476 | +2 | 0 |
EVALUATE FILTER(ADDCOLUMNS(VALUES('BI_Common_Dim_Date'[year_month]), "Created", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "Closed", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name] = "Complete"), "Overdue", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolved_due_age_days] > 0)), [Created] > 0) ORDER BY 'BI_Common_Dim_Date'[year_month] DESCHuidige achterstallige tickets gegroepeerd per prioriteit. P4 is verantwoordelijk voor 74% van alle SLA-schendingen.
| Prioriteit | Achterstallig | Aandeel | Ernst |
|---|---|---|---|
| P4 - Laag | 265 | 73,6% | Hoog volume, lage urgentie |
| P3 - Medium | 68 | 18,9% | Triage-risico |
| P2 - Hoog | 15 | 4,2% | Direct eskaleren |
| Service/Change req. | 9 | 2,5% | Change-backlog |
| P1 - Kritisch | 3 | 0,8% | Onder controle |
EVALUATE ADDCOLUMNS(SUMMARIZE(FILTER('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[resolved_due_age_days] > 0), 'BI_Autotask_Tickets'[priority_name]), "Overdue", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolved_due_age_days] > 0)) ORDER BY [Overdue] DESCOplossings-SLA wordt 10,6 procentpunten vaker behaald dan eerste reactie-SLA. Dit suggereert dat het knelpunt bij de eerste oppakking zit, niet bij het oplossen van het probleem.
EVALUATE ROW("FRTMetCount", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_response_met] + 0 = 1), "FRTMetPct", [Tickets - First Response Met %], "ResMetCount", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolution_met] + 0 = 1), "ResMetPct", [Tickets - Resolution Met %])Het totale afsluitingspercentage van 98,8% toont dat het team uiteindelijk bijna alles oplost. Het probleem is snelheid, niet voltooiing. Eerste reactie SLA-naleving van 52,9% betekent dat bijna de helft van alle tickets hun eerste oppakdoel mist. Oplossingsnaleving van 63,5% is beter, maar laat nog steeds meer dan een derde van de tickets in schending.
Juli 2025 was de volumepiek. Het team ontving 6.613 tickets (62% boven het maandgemiddelde van 4.042) en sloot er 6.606. Netto +7. Dat is een sterke operationele respons. Wat de juli-piek ook veroorzaakte, het team ving het op zonder de achterstand te laten groeien.
De zorg is Q4 2025. Het verschil tussen aangemaakt en afgesloten werd gestaag groter: Sep +33, Okt +47, Nov +65, Dec +169. Het cumulatieve netto over 12 maanden steeg naar +349. Het merendeel van die groei vond plaats in de laatste vier maanden. Of dit seizoenspatronen, personeelswijzigingen of toenemende ticketcomplexiteit weerspiegelt, moet onderzocht worden.
De eerste acht maanden van 2025 waren vrijwel perfect in balans, met maandelijkse nettoverschillen van enkele cijfers. Die basislijn toont dat het team de huidige volumes aankan. De Q4-verslechtering is de anomalie die een oorzaakanalyse nodig heeft.
De schendingsverdeling vertelt een duidelijk verhaal: P4-tickets zijn verantwoordelijk voor 265 van 360 achterstallige items (73,6%). Dit zijn tickets met lage prioriteit die in de wachtrij verouderen terwijl werk met hogere prioriteit aandacht krijgt. De 15 achterstallige P2-tickets zijn zorgwekkender vanuit klantimpactperspectief, ook al vertegenwoordigen ze een klein deel van het totaal.
4 prioriteiten op basis van bovenstaande bevindingen
Bij 52,9% mist bijna de helft van alle tickets hun eerste reactiedoel. Aangezien oplossing behaald 10,6 punten hoger is, zit het probleem bij het oppakken, niet bij de uitvoering. Beoordeel uw dispatcherworkflow, automatische toewijzingsregels en wachtrijprioritering. Een ticket dat snel een eerste reactie krijgt, eindigt bijna altijd ook binnen SLA. Doel: 70% eerste reactie behaald binnen 90 dagen.
Het nettoverschil groeide van +33 in september naar +169 in december 2025. Dat is een 5x toename in vier maanden. Controleer of dit een personeelsprobleem is (vakantieafwezigheid, verloop), een complexiteitsprobleem (moeilijkere tickets die langer duren), of een volumepatroon. De eerste acht maanden van 2025 waren in balans, dus de Q4-verslechtering heeft een specifieke oorzaak.
P2-tickets hebben klantimpact SLA-doelen met een reden. Vijftien achterstallige P2-tickets vertegenwoordigen echte servicevermindering voor de getroffen klanten. Haal de lijst op, wijs deze week een eigenaar toe aan elk ticket, en sluit ze. Onderzoek daarna waarom ze erdoorheen vielen: ontbrekende escalatieregels, hertoewijzingsgaten, of simpelweg te veel open tickets die om aandacht concurreren.
Twee opeenvolgende maanden met netto negatieve achterstand (-86 en -69) is de eerste aanhoudende verbetering in de dataset. Wat er in mei ook veranderde, documenteer het. Als het een proceswijziging was, maak het permanent. Als het lager volume was, controleer of dat doorzet in Q3. Het doel is om vier opeenvolgende maanden netto-negatieve achterstand te behouden om te bevestigen dat de trend structureel is, niet seizoensgebonden.
Eerste reactie behaald volgt of een technicus binnen de SLA-doeltijd in Autotask op een ticket heeft gereageerd. Het doel varieert per prioriteitsniveau. Een ticket wordt als "behaald" gemarkeerd als het eerste reactietijdstempel binnen het toegestane venster valt. In deze dataset behaalde slechts 52,9% van 67.521 tickets dat doel.
Oplossings-SLA-doelen zijn doorgaans ruimer dan eerste reactiedoelen. Een P4-ticket kan een eerste reactie-SLA van 1 uur hebben maar een oplossings-SLA van 3 dagen. Wanneer het team te lang doet om een ticket op te pakken maar het snel oplost zodra ze beginnen, faalt de eerste reactie terwijl de oplossing slaagt. Het verschil van 10,6 punten hier wijst specifiek op een triage- en oppakknelpunt.
Een achterstallig ticket is een ticket waarbij de resolved_due_age_days-waarde groter is dan nul. Dit betekent dat het ticket de oplossings-SLA-deadline heeft overschreden en nog open staat. De 360 achterstallige tickets in dit rapport staan nog in de wachtrij op het moment van data-extractie.
Drie opties: (1) Auto-triageregels die tickets direct aan de juiste wachtrij toewijzen op basis van categorie, waardoor handmatige dispatcherstappen verminderen. (2) Standaard eerste reacties voor veelvoorkomende tickettypes die ontvangst bevestigen en verwachtingen scheppen. (3) Gespreide dienstaanvang zodat er altijd iemand beschikbaar is om tickets op te pakken tijdens wisselingen. De meeste MSPs zien 5-10 procentpunten verbetering alleen al door auto-triage.
Ja. Verbind Proxuma Power BI met uw Autotask-account, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit tegen 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