This report provides a detailed breakdown of ticket heropening percentage for managed service providers.
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 desk managers, dispatch leads, and operations teams
Hoe vaak: Dagelijks for queue management, weekly for trend analysis, monthly for capacity planning
EVALUATE
ROW(
"Totaal Tickets", CALCULATE(COUNTROWS(BI_Autotask_Tickets)),
"Gesloten Tickets", CALCULATE(
COUNTROWS(BI_Autotask_Tickets),
NOT(ISBLANK(BI_Autotask_Tickets[complete_date]))
),
"First Hour Fix", CALCULATE(SUM(BI_Autotask_Tickets[first_hour_fix])),
"Same Day Oplossing", CALCULATE(SUM(BI_Autotask_Tickets[first_day_resolution])),
"SLA Gehaald", CALCULATE(SUM(BI_Autotask_Tickets[resolution_met])),
"Open Tickets", CALCULATE(
COUNTROWS(BI_Autotask_Tickets),
ISBLANK(BI_Autotask_Tickets[complete_date])
),
"Gem Leeftijd Open Tickets", AVERAGEX(
FILTER(BI_Autotask_Tickets, ISBLANK(BI_Autotask_Tickets[complete_date])),
BI_Autotask_Tickets[ticket_age_days]
)
)Zonder native heropening-kolom is oploskwaliteit het beste beschikbare signaal. Drie metrics tonen hoe betrouwbaar tickets worden afgesloten. Tickets die snel en op eerste contact worden opgelost — binnen een uur of dezelfde dag — zijn veel minder geneigd terug te komen. Tickets die hun SLA missen, worden vaker "geforceerd gesloten" om targets te halen.
Hoe deze cijfers te lezen: Een first-hour fix rate van 17,4% betekent dat circa 1 op de 6 problemen wordt opgelost voordat de klant de kans heeft om op te volgen. Het SLA-mispercentage van 35,7% is het zorgwekkende getal: tickets die langer duren dan gepland om af te sluiten, zijn vaker oppervlakkig gesloten om de wachtrij leeg te maken.
EVALUATE
ROW(
"First Hour Fix Rate", DIVIDE(
CALCULATE(SUM(BI_Autotask_Tickets[first_hour_fix])),
CALCULATE(COUNTROWS(BI_Autotask_Tickets), NOT(ISBLANK(BI_Autotask_Tickets[complete_date])))
),
"Same Day Rate", DIVIDE(
CALCULATE(SUM(BI_Autotask_Tickets[first_day_resolution])),
CALCULATE(COUNTROWS(BI_Autotask_Tickets), NOT(ISBLANK(BI_Autotask_Tickets[complete_date])))
),
"SLA Naleving Rate", DIVIDE(
CALCULATE(SUM(BI_Autotask_Tickets[resolution_met])),
CALCULATE(COUNTROWS(BI_Autotask_Tickets), NOT(ISBLANK(BI_Autotask_Tickets[complete_date])))
)
)Analyse per prioriteit laat zien welke tickettypen echte kwaliteitsrisico's hebben. P1 Kritisch presteert goed: 53,5% first-hour fix en 92,4% SLA-naleving, omdat teams urgente problemen met volledige aandacht aanpakken. De zwakke punten zitten bij P2 Hoog en Service/Wijzigingsverzoeken, waar SLA-naleving onder de 60% zakt.
| Prioriteit | Totaal | First-Hour Fix | Same-Day | SLA Gehaald | Heropening risico |
|---|---|---|---|---|---|
| P1 — Kritisch | 5.019 | 53,5% | 79,4% | 92,4% | Laag |
| P3 — Medium | 14.715 | 22,6% | 34,8% | 61,6% | Gemiddeld |
| P4 — Laag | 30.415 | 15,0% | 26,4% | 64,6% | Gemiddeld |
| P2 — Hoog | 1.788 | 12,6% | 35,7% | 57,3% | Hoog |
| Service/Wijzigingsverz. | 15.584 | 5,9% | 15,5% | 58,0% | Hoog |
P2 Hoog is het blinde vlak: Slechts 57,3% haalt de SLA en maar 12,6% wordt binnen het eerste uur opgelost. Deze tickets worden niet behandeld met de urgentie van P1 Kritisch, maar klanten verwachten snellere oplossing dan de data laat zien. P2 is waar hereopening-patronen zich het meest waarschijnlijk concentreren.
EVALUATE
SUMMARIZECOLUMNS(
BI_Autotask_Tickets[priority_name],
"Totaal", COUNTROWS(BI_Autotask_Tickets),
"Gesloten", CALCULATE(
COUNTROWS(BI_Autotask_Tickets),
NOT(ISBLANK(BI_Autotask_Tickets[complete_date]))
),
"First Hour Fix", CALCULATE(SUM(BI_Autotask_Tickets[first_hour_fix])),
"Same Day", CALCULATE(SUM(BI_Autotask_Tickets[first_day_resolution])),
"SLA Gehaald", CALCULATE(SUM(BI_Autotask_Tickets[resolution_met]))
)
ORDER BY [Totaal] DESCAutotask registreert de huidige status van een ticket, niet de volledige statusgeschiedenis. Wanneer een ticket wordt heropend, verandert de status terug naar een open toestand — maar de vorige "Gesloten"-gebeurtenis wordt niet bewaard als aparte rij in de datamodelopstelling die Power BI gebruikt.
Voor een echt heropening-percentage heb je een van de volgende opties nodig:
Autotask bewaart een intern logboek van statuswijzigingen. Als je integratie dit doorstuurt naar Power BI, kun je statusovergangen van "Gesloten" naar een open status per ticket tellen. Dit geeft een exact heropening-aantal en percentage.
Sommige MSP-datamodellen bevatten een tickethistorie of tijdinvoertabel die de aanmaak/voltooiing-cyclus bijhoudt. Als een ticket twee aparte complete_date-waarden heeft, was het tussentijds heropend. Vraag je BI-team of dit beschikbaar is.
Gebruik de kwaliteitssignalen hierboven: SLA-naleving, first-hour fix en ticketveroudering. Tickets die hun SLA ruimschoots missen zijn de meest waarschijnlijke kandidaten. Volg deze maandelijks om patronen te herkennen.
Voeg een custom veld toe in Autotask dat technici handmatig instellen bij het heropenen van een ticket. Hiermee introduceer je procesoverhead, maar het is direct zichtbaar in Power BI zonder schemawijzigingen.
-- Proxymaatstaf: % gesloten tickets die SLA misten (hoogste heropening-risico)
EVALUATE
SUMMARIZECOLUMNS(
BI_Autotask_Tickets[priority_name],
"SLA Mispercentage", DIVIDE(
CALCULATE(
COUNTROWS(BI_Autotask_Tickets),
NOT(ISBLANK(BI_Autotask_Tickets[complete_date])),
BI_Autotask_Tickets[resolution_met] = 0
),
CALCULATE(
COUNTROWS(BI_Autotask_Tickets),
NOT(ISBLANK(BI_Autotask_Tickets[complete_date]))
)
)
)
ORDER BY [SLA Mispercentage] DESCAlle 844 open tickets vallen in de categorie "Leeftijd >31 dagen", met een gemiddelde openstaande leeftijd van 95 dagen. Er zijn geen recent geopende tickets in de wachtrij. Dit is een ongebruikelijk patroon dat nader onderzoek verdient.
| Scenario | Betekenis | Actie |
|---|---|---|
| Demo data | Synthetische dataset heeft geen recente aanmaakdatums voor open tickets | Verwacht — geen actie nodig in demo |
| Echte chronische achterstand | Tickets staan al maanden open zonder oplossing of sluiting | Wekelijkse review: sluiten, escaleren of archiveren |
| Verouderde hereopeningen | Tickets die gesloten waren maar telkens terugkwamen — nu verlaten in de wachtrij | Oorzaakanalyse per tickettype |
In een live omgeving: 844 tickets met een gemiddelde leeftijd van 95 dagen is een significant achterstands-signaal. Tegen gemiddelde uurtarieven vertegenwoordigt dit honderden uren onopgelost klantwerk. Maandelijkse verouderingsrapporten helpen dit vroegtijdig te signaleren voordat het tot contractgesprekken leidt.
EVALUATE
SUMMARIZECOLUMNS(
BI_Autotask_Tickets[ticket_age_category],
FILTER(
BI_Autotask_Tickets,
ISBLANK(BI_Autotask_Tickets[complete_date])
),
"Aantal", COUNTROWS(BI_Autotask_Tickets),
"Gem Leeftijd Dagen", AVERAGEX(
BI_Autotask_Tickets,
BI_Autotask_Tickets[ticket_age_days]
)
)
ORDER BY BI_Autotask_Tickets[ticket_age_category] ASCP1 Kritisch scoort het sterkst op alle drie kwaliteitsmetrics: 53,5% first-hour fix, 79,4% same-day, 92,4% SLA-naleving. Het team prioriteert correct wanneer de urgentie duidelijk is.
Met 57,3% SLA-naleving en slechts 12,6% first-hour fix zijn P2 Hoog-tickets de meest waarschijnlijke kandidaten voor heropening. Het volume is kleiner (1.788 tickets) maar het kwaliteitsgat is reëel en consistent.
Met slechts 5,9% first-hour fix en 15,5% same-day oplossing kosten Service/Wijzigingsverzoeken het langst. De 58% SLA-naleving voor deze categorie verdient herziening van de SLA-definities.
Iets minder dan twee derde van de gesloten tickets haalde de resolutie-SLA. MSP-branchenormen stellen doorgaans 85%+ als minimum. Het gat tussen 64,3% en 85% is de verbeterruimte die dit rapport in kaart brengt.
EVALUATE
ROW(
"SLA Nalevingpercentage", DIVIDE(
CALCULATE(
SUM(BI_Autotask_Tickets[resolution_met]),
NOT(ISBLANK(BI_Autotask_Tickets[complete_date]))
),
CALCULATE(
COUNTROWS(BI_Autotask_Tickets),
NOT(ISBLANK(BI_Autotask_Tickets[complete_date]))
)
),
"Tickets SLA Gemist", CALCULATE(
COUNTROWS(BI_Autotask_Tickets),
NOT(ISBLANK(BI_Autotask_Tickets[complete_date])),
BI_Autotask_Tickets[resolution_met] = 0
)
)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