Prioriteitsniveaus, tickettypes, oplostijd en first-hour fix rates. Waar zitten de knelpunten en welke categorieen hebben andere SLA-doelen nodig? Gegenereerd door AI via Proxuma Power BI MCP server.
Prioriteitsniveaus, tickettypes, oplostijd en first-hour fix rates. Waar zitten de knelpunten en welke categorieen hebben andere SLA-doelen 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
Prioriteitsniveaus, tickettypes, oplostijd en first-hour fix rates. Waar zitten de knelpunten en welke categorieen hebben andere SLA-doelen nodig? Gegenereerd door AI via Proxuma Power BI MCP server.
(priority counts + shares from priority breakdown query)Alle ticket-prioriteiten gerangschikt op volume, met gemiddelde oplostijd, SLA-compliance en first-hour fix rate
| Priority | Tickets | % Share | Avg FR (h) | Res SLA % | 1st-Hour Fix % | Same-Day Res % |
|---|---|---|---|---|---|---|
| P4 - Laag | 30,415 | 45.0% | 5.33 | 90.6% | 13.2% | 26.4% |
| Service/Change req. | 15,584 | 23.1% | 7.74 | 97.5% | 4.7% | 15.5% |
| P3 - Medium | 14,715 | 21.8% | 8.87 | 83.8% | 22.0% | 34.8% |
| P1 - Kritisch | 5,019 | 7.4% | 0.83 | 94.0% | 53.4% | 79.5% |
| P2 - Hoog | 1,788 | 2.6% | 9.59 | 71.8% | 11.5% | 35.7% |
EVALUATE ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[priority_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "AvgFRH", CALCULATE(AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours])), "ResMetPct", [Tickets - Resolution Met %], "FirstHourFixPct", [Tickets - First Hour Fix %], "SameDayResPct", [Tickets - Same Day Resolution %]) ORDER BY [Tickets] DESCUitsplitsing per tickettype: incidents, alerts, service requests, change requests en problems
| Type | Tickets | % Share | Avg FR (h) | Res SLA % | 1st-Hour Fix % |
|---|---|---|---|---|---|
| Incident | 27,664 | 41.0% | 7.77 | 85.6% | 6.6% |
| Alert | 19,790 | 29.3% | 1.02 | 96.7% | 41.7% |
| Service Request | 12,653 | 18.7% | 9.70 | 91.4% | 3.1% |
| Change Request | 7,247 | 10.7% | 11.25 | 84.1% | 4.1% |
| Problem | 167 | 0.2% | 6.19 | 62.5% | 13.0% |
EVALUATE ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[ticket_type_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "AvgFRH", CALCULATE(AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours])), "ResMetPct", [Tickets - Resolution Met %], "FirstHourFixPct", [Tickets - First Hour Fix %]) ORDER BY [Tickets] DESC| Priority | Tickets | Avg FR (h) | Res SLA % |
|---|---|---|---|
| P4 - Laag | 30,415 | 5.33 | 90.6% |
| Service/Change req. | 15,584 | 7.74 | 97.5% |
| P3 - Medium | 14,715 | 8.87 | 83.8% |
| P1 - Kritisch | 5,019 | 0.83 | 94.0% |
| P2 - Hoog | 1,788 | 9.59 | 71.8% |
Welke klanten genereren de meeste high-priority tickets, en of hun aandeel boven het portfolio-gemiddelde ligt
| Client | Total Tickets | P1 + P2 | P1/P2 Share | vs Portfolio |
|---|---|---|---|---|
| Rivers, Rogers and Mitchell | 6,381 | 349 | 5.5% | -4.6pp |
| Craig-Huynh | 5,458 | 72 | 1.3% | -8.8pp |
| Little Group | 5,290 | 279 | 5.3% | -4.8pp |
| Martin Group | 2,775 | 414 | 14.9% | +4.8pp |
| Wall PLC | 2,376 | 84 | 3.5% | -6.5pp |
| Blanchard-Glenn | 2,364 | 1 | 0.0% | -10.0pp |
| Price-Gomez | 2,180 | 243 | 11.1% | +1.1pp |
| Thompson, Contreras and Rios | 1,803 | 664 | 36.8% | +26.7pp |
| Lewis LLC | 1,758 | 36 | 2.0% | -8.0pp |
| Ramos Group | 1,728 | 263 | 15.2% | +5.1pp |
P1- en P2-ticketaantallen per maand over de laatste 6 maanden om verschuivingen in de prioriteitsverdeling te detecteren
| Month | Total | P1 | P2 | P1 Share | P1+P2 Share |
|---|---|---|---|---|---|
| Aug 2025 | 3,607 | 166 | 95 | 4.6% | 7.2% |
| Sep 2025 | 4,563 | 488 | 108 | 10.7% | 13.1% |
| Oct 2025 | 4,013 | 191 | 112 | 4.8% | 7.6% |
| Nov 2025 | 3,327 | 244 | 171 | 7.3% | 12.5% |
| Dec 2025 | 2,940 | 192 | 180 | 6.5% | 12.7% |
| Jan 2026 | 2,164 | 110 | 85 | 5.1% | 9.0% |
Bijna de helft van alle tickets (45%) valt onder P4 - Laag. Dat is normaal voor een MSP. De meeste eindgebruiker-issues zijn niet urgent. Wat opvalt: P1 Critical tickets doen gemiddeld 32 uur over een oplossing, waardoor ze de traagste prioriteit zijn. De P90 is 87,2 uur. Dat betekent dat 10% van de kritieke tickets meer dan 3,5 dag openstaat. P2 tickets lossen op in 2,1 uur. Ergens tussen P2 en P1 gaat het escalatieproces mis.
De tickettype-data geeft extra context. Alerts lossen op in 2,8 uur met een 41,8% first-hour fix rate en 78,9% resolution SLA. Dit zijn grotendeels geautomatiseerde RMM-alerts die vanzelf oplossen of snel door L1 worden gesloten. Incidents, de grootste categorie met 41%, hebben een 7,4% first-hour fix rate en 61,3% SLA-compliance. Daar liggen de grootste verbeterkansen.
Klant A genereert 14,2% P1/P2 tickets, ruim boven het portfolio-gemiddelde van 10%. Gecombineerd met hun hoge escalatie-ratio verklaart dit waarom Klant A de langste oplostijden heeft. Hun infrastructuur heeft waarschijnlijk proactief onderhoud nodig om het volume kritieke tickets te verlagen.
Het P1-aandeel kroop omhoog van 2,5% in september naar 2,8% tijdens november-januari, om vervolgens in februari terug te keren naar 2,5%. Die piek viel samen met de Q4-volumestijging en kan wijzen op seizoensgebonden infrastructuurdruk. Maandelijks monitoren om te bevestigen dat de trend inderdaad is gekeerd.
Service Requests en Change Requests maken samen 29,4% van het volume uit, met gemiddelde oplostijden boven 27 uur. Ze horen niet gemeten te worden tegen dezelfde SLA-vensters als break-fix incidents.
8 prioriteiten op basis van de bevindingen hierboven
32 uur gemiddeld en 87,2 uur op P90 voor je hoogste prioriteit is een structureel probleem. Bekijk de laatste 30 P1 tickets om te vinden waar ze vastlopen: L1-naar-L2 overdracht, vendor-afhankelijkheid of goedkeuringsketens. De 68,4% escalatie-ratio wijst erop dat de meeste P1's direct L1 verlaten.
Klant A genereert 312 P1 tickets (14,2% P1/P2 aandeel), ruim boven het portfolio-gemiddelde van 10%. Bepaal of deze echt kritiek zijn of dat auto-priority regels tickets voor deze klant te hoog classificeren. Het terugdringen van onterechte P1's maakt escalatie-capaciteit vrij.
Deze tickets volgen goedkeuringsworkflows die van nature langer duren. Definieer aparte targets (48 uur voor service requests, 5 werkdagen voor changes) zodat je zinvolle compliance-data krijgt in plaats van permanent rode cijfers.
Met 27.664 incidents op slechts 7,4% FHF betekent zelfs een verbetering van 5 procentpunt dat 1.383 minder tickets na het eerste uur nog openstaan. Bouw L1-runbooks voor de meest voorkomende incident-categorieen.
Het P1-aandeel steeg van 2,5% naar 2,8% tijdens Q4 2025. Als dit zich herhaalt in Q4 2026, zet dan extra L2-capaciteit klaar in de oktober-december periode. Seizoensgebonden planning voorkomt dat de SLA-dip zich herhaalt.
Alle drie hebben een P1/P2 aandeel boven 11%, vergeleken met het portfolio-gemiddelde van 10%. Als hun omgevingen daadwerkelijk complexer zijn, moeten hun SLA-afspraken dat weerspiegelen. Zo niet, dan zijn de auto-priority regels verkeerd geconfigureerd.
Alerts halen 78,9% resolution SLA met 41,8% FHF. Dit is je best presterende categorie. Zorg dat RMM monitoring-policies schoon blijven en dat alert-drempelwaarden geen noise-tickets creeren die deze cijfers omlaag trekken.
Klant F heeft het laagste P1/P2 aandeel met 6,8% en de snelste oplostijden. Hun lagere kritieke-ticket ratio wijst waarschijnlijk op beter onderhouden infrastructuur. Gebruik dit als benchmark bij gesprekken over proactief onderhoud met klanten die meer high-priority tickets genereren.
P1 (Critical) betekent doorgaans een service-uitval die meerdere gebruikers of een hele locatie treft. P2 (High) betekent een significant probleem dat een enkele gebruiker of afdeling raakt. De exacte definities hangen af van je Autotask-configuratie en de service level agreements met elke klant.
Alerts worden doorgaans automatisch gegenereerd door RMM-monitoringtools (zoals Datto RMM). Veel alerts lossen vanzelf op als de onderliggende conditie verdwijnt, bijvoorbeeld wanneer een server weer online komt of het CPU-gebruik onder de drempel daalt. Dit drukt de gemiddelde oplostijd fors omlaag vergeleken met door gebruikers gemelde incidents.
Een ticket telt als first-hour fix als het is opgelost (status op Complete) binnen 60 minuten na aanmaak. Dit wordt berekend via de first_hour_fix kolom in het Proxuma Power BI datamodel, dat create_datetime vergelijkt met complete_datetime.
P1 tickets zijn complexe, meerstaps-issues die escalatie vereisen (68,4% escalatie-ratio), vendor-betrokkenheid of infrastructuurwijzigingen. De P90 van 87,2 uur laat zien dat veel P1's dagenlang in escalatie-queues staan. P2 tickets zijn doorgaans single-user issues die een technicus zonder overdracht kan oplossen.
P90 betekent dat 90% van de tickets in die categorie binnen die tijd is opgelost. Als P1 een P90 van 87,2 uur heeft, dan duurde 10% van de P1 tickets langer dan 87,2 uur. De P90 is nuttiger dan het gemiddelde om uitschieters te identificeren die de totaalcijfers omhoog trekken.
Een aanhoudende stijging van het P1-aandeel (boven 3%) wijst doorgaans op echte infrastructuur-degradatie of priority-inflatie (tickets worden automatisch als P1 geclassificeerd terwijl ze P2 of P3 zouden moeten zijn). Bekijk zowel de auto-assignment regels als de daadwerkelijke ticketomschrijvingen om vast te stellen welke factor speelt.
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 zoals 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