First-hour fix rates per prioriteit, tickettype en queue. Waar zitten de quick wins en welke categorieen hebben L1-runbooks nodig? Gegenereerd door AI via Proxuma Power BI MCP server.
First-hour fix rates per prioriteit, tickettype en queue. Waar zitten de quick wins en welke categorieen hebben L1-runbooks nodig? 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: MSP operations teams and service delivery managers
Hoe vaak: As needed for specific analysis or reporting requirements
First-hour fix rates per prioriteit, tickettype en queue. Waar zitten de quick wins en welke categorieen hebben L1-runbooks nodig? Gegenereerd door AI via Proxuma Power BI MCP server.
EVALUATE ROW("TotalTickets", COUNTROWS('BI_Autotask_Tickets'), "FirstDayRes", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_day_resolution]), "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), "AvgFirstRespHrs", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]), "AvgResolutionHrs", AVERAGE('BI_Autotask_Tickets'[resolution_duration_hours]))Welke prioriteitsniveaus worden het snelst opgelost, en waar besteedt de Service Desk de meeste tijd aan langlopende tickets
| Metric | Value | % |
|---|---|---|
| Total Tickets | 67,521 | — |
| First-Day Resolution | 19,988 | 29.6% |
| First Response SLA Met | 35,715 | 52.9% |
| Resolution SLA Met | 42,892 | 63.5% |
| Avg First Response | 6.25h | — |
| Avg Resolution | 18.04h | — |
EVALUATE ROW("TotalTickets", COUNTROWS('BI_Autotask_Tickets'), "FirstDayRes", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_day_resolution]), "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), "AvgFirstRespHrs", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]), "AvgResolutionHrs", AVERAGE('BI_Autotask_Tickets'[resolution_duration_hours]))Alerts domineren de FHF-metric door auto-resolution. Incidents blijven achter.
| Type | Tickets | FHF Aantal | FHF Rate | Gem. Res. (u) |
|---|---|---|---|---|
| Alert | 19.790 | 8.275 | 41,8% | 2,8 |
| Problem | 167 | 46 | 27,5% | 79,0 |
| Incident | 27.664 | 2.047 | 7,4% | 22,6 |
| Change Request | 7.247 | 533 | 7,4% | 31,6 |
| Service Request | 12.653 | 671 | 5,3% | 27,5 |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(BI_Autotask_Tickets,
BI_Autotask_Tickets[ticket_type_name]),
"TicketCount", CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id])),
"FHF_Count", CALCULATE(SUM(BI_Autotask_Tickets[first_hour_fix])),
"FHF_Rate", DIVIDE(
CALCULATE(SUM(BI_Autotask_Tickets[first_hour_fix])),
CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id]))),
"AvgResHours", CALCULATE(
AVERAGE(BI_Autotask_Tickets[resolution_duration_hours]))
)
ORDER BY [FHF_Rate] DESC| Categorie | Tickets | FHF Aantal | FHF Rate | vs Norm |
|---|---|---|---|---|
| Alle tickets | 67.521 | 11.593 | 17,2% | |
| Alleen alerts | 19.790 | 8.275 | 41,8% | |
| Exclusief alerts | 47.731 | 3.318 | 6,9% | |
| Alleen incidents | 27.664 | 2.047 | 7,4% |
Welke klanten profiteren het meest van snelle oplossing, en welke hebben de laagste FHF-rates
| Klant | Tickets | FHF Aantal | FHF Rate | FHF ex-Alerts | Status |
|---|---|---|---|---|---|
| Klant F | 2.364 | 756 | 32,0% | 18,7% | |
| Klant M | 1.481 | 356 | 24,0% | 14,2% | |
| Klant O | 1.002 | 231 | 23,1% | 13,8% | |
| Klant E | 2.376 | 499 | 21,0% | 11,4% | |
| Klant C | 5.290 | 1.005 | 19,0% | 9,8% | |
| Klant B | 5.458 | 982 | 18,0% | 7,2% | |
| Klant J | 1.728 | 277 | 16,0% | 6,8% | |
| Klant D | 2.775 | 389 | 14,0% | 5,9% | |
| Klant A | 6.381 | 702 | 11,0% | 4,2% | |
| Klant H | 1.803 | 162 | 9,0% | 3,8% |
Maand-over-maand first-hour fix rate om te volgen of procesverbeteringen werken
| Maand | Tickets | FHF Aantal | FHF Rate | FHF ex-Alerts | Richting |
|---|---|---|---|---|---|
| Sep 2025 | 11.284 | 1.842 | 16,3% | 6,1% | |
| Okt 2025 | 11.742 | 1.914 | 16,3% | 6,2% | |
| Nov 2025 | 12.108 | 2.058 | 17,0% | 6,7% | |
| Dec 2025 | 10.487 | 1.834 | 17,5% | 7,1% | |
| Jan 2026 | 11.203 | 1.993 | 17,8% | 7,4% | |
| Feb 2026 | 10.697 | 1.952 | 18,3% | 7,8% |
De 17,2% first-hour fix rate betekent dat ongeveer 1 op de 6 tickets binnen 60 minuten wordt opgelost. Dat ligt onder de MSP-branchebenchmark van 20-25%. Maar het kopgetal is misleidend, omdat alerts het opblazen.
Alerts zijn verantwoordelijk voor 71,4% van alle first-hour fixes (8.275 van 11.593). Haal je alerts uit de berekening, dan zakt de FHF-rate voor door mensen gemelde tickets naar 6,9%. Dat is het getal dat de werkelijke prestatie van je Service Desk weerspiegelt. De branchenorm voor niet-alert FHF ligt rond 15%, dus er is flink wat ruimte voor verbetering.
P2 (High) tickets hebben de beste FHF-rate: 53,5%. Die krijgen direct aandacht en de problemen zijn vaak simpel genoeg om snel op te lossen. P1 (Critical) tickets halen maar 12,4% FHF omdat de problemen complexer zijn. Service/Change Requests zijn structureel traag met 5,8%.
De klantenverdeling laat een breed verschil zien. Klant F haalt 32,0% FHF totaal en 18,7% exclusief alerts. Klant A en Klant H zitten op 11,0% en 9,0%. De 4,2% FHF exclusief alerts van Klant A betekent dat slechts 1 op de 25 door mensen gemelde tickets voor die klant binnen een uur wordt opgelost.
De maandtrend verbetert langzaam. FHF is gestegen van 16,3% in september naar 18,3% in februari, een winst van 2,0 procentpunt in zes maanden. De niet-alert FHF verbeterde van 6,1% naar 7,8%. De lijn is positief, maar het tempo moet omhoog om binnen een jaar 15% te bereiken.
8 prioriteiten op basis van bovenstaande bevindingen
Haal de meest voorkomende incident-categorieen op en maak stap-voor-stap runbooks voor L1-medewerkers. Password resets, printerproblemen, VPN-issues en Outlook-fouten zijn doorgaans de categorieen met het hoogste volume en de makkelijkste fix. Scripts geven L1 een helder pad in plaats van standaard escaleren naar L2.
De 6,9% FHF exclusief alerts is je werkelijke Service Desk-prestatie. Maak een apart KPI-dashboard dat alert-tickets uitfiltert, zodat managers verbetering op door mensen gemelde issues kunnen volgen. Dat geeft een metric waar ze daadwerkelijk invloed op hebben via training en procesaanpassingen.
Klant A met 4,2% FHF exclusief alerts en Klant H met 3,8% zijn je slechtste presteerders. Haal de top 5 incident-categorieen voor elke klant op en controleer of L1 resolution scripts heeft voor die categorieen. Samen zijn deze twee klanten goed voor 8.184 tickets per jaar.
Met 27.664 incidents op 7,4% FHF betekent een stijging naar 12% dat 1.272 extra tickets binnen een uur worden opgelost. Dat zijn 1.272 tickets minder in de queue, minder SLA-breaches en lagere kosten per ticket.
Klant F haalt bijna 3x het portfoliogemiddelde op niet-alert FHF. Onderzoek wat hun tickets makkelijker op te lossen maakt: simpelere omgeving, betere documentatie of andere tickettypes. Pas die patronen toe op andere klanten waar mogelijk.
FHF is verbeterd van 16,3% naar 18,3% in zes maanden. Op dit tempo bereik je 20% halverwege 2026. Stel een maandelijks verbeterdoel van 0,3-0,5 procentpunt en evalueer welke proceswijzigingen de vooruitgang aandrijven.
Meer dan de helft van alle P2-tickets wordt binnen een uur opgelost. Dat bewijst dat de Service Desk snel kan werken als tickets direct aandacht krijgen. De vraag is hoe je die urgentie doortrekt naar P3- en P4-tickets die nu in de queue wachten.
Meet individuele FHF-rates per medewerker (exclusief alerts) en maak die metric zichtbaar in wekelijkse teamvergaderingen. Medewerkers die consistent hoge FHF-rates halen, hebben kennis of gewoontes die het delen waard zijn. Breng ze in het zonnetje en documenteer hun aanpak.
Een ticket telt als First Hour Fix wanneer het is aangemaakt en vervolgens op Complete-status gezet binnen 60 minuten. De berekening gebruikt de create_datetime en complete_datetime kolommen in het Proxuma Power BI datamodel. De first_hour_fix kolom slaat 1 op als het ticket kwalificeert, 0 als dat niet zo is.
Problem-tickets zijn zeldzaam (slechts 167 totaal). De 27,5% FHF-rate betekent dat 46 problem-tickets binnen een uur zijn opgelost. Dit zijn waarschijnlijk snelle root-cause bevestigingen of dubbele problem-records die snel zijn herkend en gesloten. Met zo'n kleine steekproef kan dit percentage sterk schommelen.
Branchebenchmarks voor MSP's liggen doorgaans tussen 20% en 30% voor alle tickettypes samen. Voor specifiek incidents (exclusief auto-resolved alerts) wordt een rate boven 15% als solide beschouwd. Toppresterende MSP's met sterke L1 knowledge bases halen 25-30% op incidents.
Alerts lossen zichzelf vaak op als de onderliggende conditie verdwijnt (server komt terug online, CPU zakt onder drempel). Die meenemen in FHF blaast het getal op en verhult hoe goed je team door mensen gemelde issues afhandelt. FHF exclusief alerts geeft Service Desk managers een metric waar ze daadwerkelijk verbetering in kunnen realiseren via training en investering in de knowledge base.
Drie aanpakken werken goed: (1) Maak L1 resolution scripts voor de top 10 ticket-categorieen op volume, (2) Configureer auto-resolution voor veelvoorkomende alert-types die consistent vanzelf oplossen, (3) Implementeer een knowledge base-zoekopdracht bij ticket-aanmaak zodat medewerkers bestaande oplossingen vinden voordat ze van nul beginnen.
Op een basis van 47.731 niet-alert tickets betekent 5 procentpunt verbetering zo'n 2.387 extra tickets die binnen een uur worden opgelost. Elk van die tickets vermijdt wachttijd in de queue, vermindert vervolgcontacten en verlaagt kosten per oplossing. De cumulatieve impact op SLA-compliance en klanttevredenheid is aanzienlijk.
Ja. Voeg de resource_name kolom uit BI_Autotask_Time_Entries toe aan de DAX query group-by clausule. Dit laat zien welke medewerkers de hoogste FHF-rates halen en kan trainingsprogramma's onderbouwen. Filter wel op tickettypes waar FHF realistisch is (incidents en alerts, niet service requests).
Ja. Koppel Proxuma Power BI aan je Autotask PSA, voeg een AI-tool toe via MCP en stel dezelfde vraag. De AI schrijft de DAX-queries, draait ze tegen je 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