First-response percentages, resolution compliance en first-hour fix cijfers over alle prioriteiten en queues. Gegenereerd door AI via Proxuma Power BI MCP server.
First-response percentages, resolution compliance en first-hour fix cijfers over alle prioriteiten en queues. 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
First-response percentages, resolution compliance en first-hour fix cijfers over alle prioriteiten en queues. 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]))First-response en resolution compliance uitgesplitst per ticket-prioriteit
| Resource | Tickets | Avg FR (h) | FR Met % | Res Met % |
|---|---|---|---|---|
| Mr. David Cooper DDS | 21,438 | 2.67 | 42.9% | 78.4% |
| Tracy Fitzpatrick | 3,600 | 4.02 | 48.4% | 52.9% |
| Gregory Horn | 3,240 | 3.25 | 68.5% | 65.6% |
| Brandon Bishop | 2,641 | 5.04 | 57.5% | 62.9% |
| Daniel Daniels | 2,444 | 3.50 | 79.7% | 73.1% |
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Autotask_Tickets'[primary_resource_name], "TicketCount", COUNTROWS('BI_Autotask_Tickets'), "AvgFirstResponseHrs", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]), "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)), [TicketCount], DESC)Welke queues hun SLA-targets halen en welke structureel missen
| Queue | Tickets | Gem. Opl. (u) | First Response | Resolution SLA |
|---|---|---|---|---|
| L1 Support | 31.378 | 8,3 | 48,7% | 59,2% |
| Service Desk | 17.082 | 13,7 | 68,4% | 74,8% |
| L2 Support | 7.889 | 16,7 | 61,2% | 72,9% |
| Merged Tickets | 4.999 | 7,6 | 44,3% | 65,6% |
| Projects | 2.316 | 83,9 | 32,1% | 39,4% |
| Customer Success | 804 | 106,8 | 28,7% | 35,1% |
| Internal IT | 793 | 79,2 | 34,2% | 39,8% |
| Onsite Support | 705 | 45,6 | 41,8% | 45,7% |
| Consulting | 546 | 130,0 | 22,4% | 31,3% |
| Administration | 327 | 106,6 | 36,1% | 42,2% |
EVALUATE
TOPN(10,
ADDCOLUMNS(
SUMMARIZE(BI_Autotask_Tickets,
BI_Autotask_Tickets[queue_name]),
"TicketCount", CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id])),
"AvgResHours", CALCULATE(
AVERAGE(BI_Autotask_Tickets[resolution_duration_hours])),
"FirstResponsePct", DIVIDE(
CALCULATE(SUM(BI_Autotask_Tickets[first_response_met])),
CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id]))),
"ResolutionMetPct", DIVIDE(
CALCULATE(SUM(BI_Autotask_Tickets[resolution_met])),
CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id])))
),
[TicketCount], DESC
)| Klant | Tickets | First Response | Resolution SLA | Gem. Opl. (u) | Status |
|---|---|---|---|---|---|
| Klant A | 6.381 | 28,8% | 50,4% | 32,4 | |
| Klant B | 5.458 | 70,3% | 66,7% | 18,1 | |
| Klant C | 5.290 | 63,5% | 64,7% | 9,9 | |
| Klant D | 2.775 | 39,6% | 69,2% | 19,8 | |
| Klant E | 2.376 | 73,6% | 72,5% | 14,3 | |
| Klant F | 2.364 | 90,2% | 92,0% | 1,0 | |
| Klant G | 2.180 | 31,7% | 52,1% | 11,6 | |
| Klant H | 1.803 | 30,7% | 47,3% | 16,3 | |
| Klant I | 1.758 | 48,9% | 67,5% | 24,3 | |
| Klant K | 1.684 | 22,3% | 27,9% | 2,9 |
Maand-op-maand first-response en resolution SLA-compliance om de richting te zien
| Maand | Tickets | First Response | Resolution SLA | Gem. Opl. (u) | Richting |
|---|---|---|---|---|---|
| Sep 2025 | 11.284 | 50,1% | 61,8% | 18,9 | |
| Okt 2025 | 11.742 | 51,3% | 62,4% | 18,4 | |
| Nov 2025 | 12.108 | 49,7% | 60,2% | 19,7 | |
| Dec 2025 | 10.487 | 53,8% | 65,1% | 17,1 | |
| Jan 2026 | 11.203 | 55,2% | 66,8% | 16,8 | |
| Feb 2026 | 10.697 | 57,4% | 68,2% | 16,2 |
Tickets die hun resolution SLA hebben gemist, gegroepeerd op hoe ver voorbij de deadline ze zijn opgelost
| Overdue Categorie | Tickets | % van Breaches | Gem. Dagen Over | Ernst |
|---|---|---|---|---|
| 0–1 dag overdue | 8.742 | 35,4% | 0,4 | |
| 1–3 dagen overdue | 7.218 | 29,2% | 1,8 | |
| 3–7 dagen overdue | 4.891 | 19,8% | 4,7 | |
| 7–14 dagen overdue | 2.347 | 9,5% | 9,8 | |
| 14+ dagen overdue | 1.502 | 6,1% | 23,4 |
De hoofdcijfers liegen er niet om: 52,9% first-response SLA en 63,5% resolution SLA. Beide zitten ver onder de gangbare MSP-targets van 80% en 85%. Bijna de helft van alle tickets mist het first-response venster.
De prioriteitsverdeling laat een belangrijk patroon zien. P2 (High) tickets halen 78,3% resolution compliance met een gemiddelde van 2,1 uur. Die krijgen direct aandacht en dat is zichtbaar. Maar P1 (Critical) tickets zitten op slechts 41,2% resolution SLA met gemiddelden van 32 uur. Kritieke tickets worden verkeerd gecategoriseerd of lopen vast in escalation-ketens.
De queue-data vertelt een vergelijkbaar verhaal. L1 Support verwerkt 46,5% van alle tickets maar scoort slechts 48,7% first-response. De Service Desk, met strakkere dispatch-regels, haalt 68,4%. Daaronder hebben Consulting (130 uur), Customer Success (107 uur) en Administration (107 uur) oplostijden die in dagen worden gemeten.
De maandtrend is positief. SLA-compliance is verbeterd van 61,8% in september naar 68,2% in februari, een winst van 6,4 procentpunt in zes maanden. De vraag is of deze trend doorzet wanneer het ticketvolume fluctueert.
De breach-analyse toont dat 35,4% van de SLA-missers bijna-missers zijn (minder dan 1 dag overdue). Dit zijn de makkelijkste verbeteringen. Snellere dispatch-regels of auto-acknowledgment zou veel van deze bijna-missers kunnen omzetten in SLA-hits.
8 prioriteiten op basis van bovenstaande bevindingen
Een gemiddelde oplostijd van 32 uur voor kritieke tickets met slechts 41,2% SLA-compliance is een structureel probleem. Pak de laatste 50 P1-tickets erbij en traceer hun levenscyclus: wie pakte ze op, wanneer werd er geescaleerd, waar bleven ze liggen.
L1 verwerkt 31.378 tickets met 48,7% first-response SLA. De Service Desk haalt 68,4% met betere dispatch. Stel auto-acknowledgment in bij ticket-aanmaak of configureer round-robin toewijzing zodat tickets niet onaangeraakt blijven liggen.
35,4% van alle SLA-breaches mist met minder dan een dag. Dit zijn tickets die het bijna haalden. Snellere first-response, snellere L1-naar-L2 overdracht, of iets ruimere SLA-vensters voor specifieke ticket-typen zou duizenden hiervan kunnen redden.
Consulting, Customer Success, Administration en Projects hebben allemaal gemiddelden van 80+ uur. Dit zijn geen break-fix tickets. Dezelfde SLA-targets toepassen genereert ruis. Definieer realistische vensters (dagen of weken) zodat compliance-data betekenisvol is.
Klant K lost tickets op in 2,9 uur maar haalt de SLA slechts 27,9% van de tijd. Het SLA-venster is vrijwel zeker verkeerd geconfigureerd voor hun ticket-typen. Dit is een snelle fix in Autotask die een permanente rode vlag uit je rapportage haalt.
Met 28,8% first-response SLA over 6.381 tickets is Klant A de grootste rem op je portfolio-SLA. Een dedicated dispatcher of auto-assignment regel voor deze klant zou een onevenredig groot effect hebben op de totaalcijfers.
SLA-compliance is verbeterd van 61,8% naar 68,2% in zes maanden. Als dit traject doorzet, passeer je 70% in Q2 2026. Traceer welke procesveranderingen de verbetering hebben gedreven en zet daar extra op in.
Het huidige 17,2% first-hour fix percentage betekent dat ongeveer 1 op de 6 tickets binnen een uur wordt opgelost. Runbooks maken voor de top 20 ticket-categorieen zou dat naar 25% kunnen duwen. Dat scheelt duizenden uren aan open ticket-tijd per jaar.
First Response Met trackt of een medewerker het ticket heeft bevestigd of beantwoord binnen het SLA-venster dat voor dat prioriteitsniveau is gedefinieerd. Een waarde van 1 betekent dat de SLA is gehaald; 0 betekent gemist. Dit wordt automatisch bijgehouden door Autotask op basis van de eerste time entry of notitie op het ticket.
Resolution Met trackt of het ticket is afgerond binnen het SLA-venster voor resolution. Dit wordt gemeten van ticket-aanmaak tot ticket-afronding. Als het ticket voor de SLA-deadline is gesloten, is de waarde 1. Als het na de deadline is gesloten of nog open staat, is de waarde 0.
P1-tickets zijn doorgaans complexe, meerstaps-issues die escalation, vendor-betrokkenheid of infrastructuurwijzigingen vereisen. Ze krijgen wel direct aandacht, maar de daadwerkelijke oplossing duurt langer omdat de problemen zelf lastiger zijn. Als P1 resolution-tijden onredelijk hoog zijn, ligt de oorzaak meestal bij escalation-knelpunten, niet bij gebrek aan urgentie.
Een bijna-misser is een ticket dat de SLA-deadline met minder dan een dag heeft gemist. Deze tickets waren bijna compliant. Ze vertegenwoordigen de makkelijkste SLA-verbeteringen, omdat een kleine proceswijziging (snellere dispatch, auto-acknowledgment, iets ruimere SLA-vensters) ze zou omzetten van missers naar hits.
De Service Desk heeft doorgaans strakkere dispatch-regels, auto-assignment en gestructureerde triage-processen. L1 Support ontvangt tickets vaak in een gedeelde queue waar ze wachten tot een medewerker ze oppakt. Die wachttijd in de queue is de hoofdoorzaak van de meeste first-response SLA-missers.
Ja. Voeg een datumfilter toe op BI_Autotask_Tickets[create_date] of een klantfilter op BI_Autotask_Tickets[company_name] in elke DAX-query. Zo kun je SLA-prestaties maand-op-maand vergelijken of zien welke klanten de cijfers omlaag trekken.
Ja. Verbind Proxuma Power BI met je Autotask PSA, voeg een AI-tool toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, draait ze op 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