Welke wachtrijen het zwaarst belast zijn, waar SLA-compliance terugloopt en waar inspanning zich concentreert. Gegenereerd door AI via Proxuma Power BI MCP-server.
Welke wachtrijen het zwaarst belast zijn, waar SLA-compliance terugloopt en waar inspanning zich concentreert. 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 desk managers, dispatch leads, and operations teams
Hoe vaak: Dagelijks for queue management, weekly for trend analysis, monthly for capacity planning
Welke wachtrijen het zwaarst belast zijn, waar SLA-compliance terugloopt en waar inspanning zich concentreert. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE ROW("Total", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "ClosedByFirst", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[closed_by_first_resource]+0=1), "Escalated", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[closed_by_first_resource]+0=0, 'BI_Autotask_Tickets'[status_name]="Complete"))Alle 16 wachtrijen gerangschikt op ticketvolume, met aandeel van totaal, gemiddelde uren per ticket en SLA-compliance-percentages
| Issue Type | Total | Escalated | Esc. Rate |
|---|---|---|---|
| Retail buyer | 646 | 632 | 98.0% |
| Secretary, company | 431 | 308 | 97.8% |
| Land | 157 | 150 | 96.2% |
| Pension scheme manager | 150 | 131 | 95.6% |
| Financial risk analyst | 4,662 | 4,357 | 95.5% |
| Private music teacher | 557 | 531 | 95.3% |
| Designer, ceramics/pottery | 1,037 | 941 | 94.7% |
| Therapist, speech and language | 9,866 | 9,320 | 94.5% |
| Nurse, learning disability | 457 | 428 | 93.7% |
| Education officer, community | 11,757 | 10,970 | 93.3% |
EVALUATE TOPN(10, FILTER(ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[issue_type_name]), "Total", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "Escalated", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[closed_by_first_resource]+0=0, 'BI_Autotask_Tickets'[status_name]="Complete"), "EscRate", DIVIDE(CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[closed_by_first_resource]+0=0, 'BI_Autotask_Tickets'[status_name]="Complete"), CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]="Complete"))), [Total]>=100), [EscRate], DESC) ORDER BY [EscRate] DESCDrie wachtrijen verwerken 83,5% van alle tickets. De overige 13 wachtrijen delen slechts 16,5%.
De Servicedesk alleen verwerkt bijna de helft van alle tickets met 31.378 van de 67.521. Tel Monitoring (25,3%) en L2 Support (11,7%) erbij op en drie wachtrijen verwerken samen 56.349 tickets. De overige 13 wachtrijen verwerken samen 11.172 tickets, waarvan meerdere met minder dan 100 per jaar.
EVALUATE ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[priority_name]), "Total", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]="Complete"), "Escalated", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[closed_by_first_resource]+0=0, 'BI_Autotask_Tickets'[status_name]="Complete"), "EscRate", DIVIDE(CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[closed_by_first_resource]+0=0, 'BI_Autotask_Tickets'[status_name]="Complete"), CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]="Complete"))) ORDER BY [Total] DESCVergelijking van first-response SLA-behaald-percentage en resolution SLA-behaald-percentage voor de 10 wachtrijen met voldoende volume om zinvol te zijn
| Issue Type | Total | Esc. Rate |
|---|---|---|
| Haematologist | 128 | 8.7% |
| Land/geomatics surveyor | 1,630 | 33.8% |
| Interior and spatial designer | 618 | 64.9% |
| Trade union research officer | 156 | 68.0% |
| Public librarian | 6,117 | 73.8% |
| Chief Financial Officer | 1,040 | 75.8% |
| Technical sales engineer | 245 | 78.2% |
| Radio broadcast assistant | 1,663 | 81.9% |
| Risk analyst | 1,197 | 82.4% |
| Environmental health practitioner | 409 | 86.1% |
EVALUATE TOPN(10, FILTER(ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[issue_type_name]), "Total", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "EscRate", ...), [Total]>=100), [EscRate], ASC) ORDER BY [EscRate] ASCGemiddelde gewerkte uren per ticket voor wachtrijen waarvoor tijdregistratiedata beschikbaar is. Hogere waarden betekenen complexer of langduriger werk.
EVALUATE TOPN(10, ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[queue_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets'))), [Tickets], DESC) ORDER BY [Tickets] DESCHet meest opvallende patroon is concentratie. Drie wachtrijen verwerken 83,5% van alle tickets, en de Servicedesk alleen draagt 46,5%. Dat is niet ongebruikelijk voor een MSP, maar het betekent dat elk bezettingsprobleem op de Servicedesk effect heeft op de helft van je ticketvolume. Met 0,572 gemiddelde uren per ticket verwerkt de Servicedesk veel volume met lage complexiteit. De SLA-cijfers zijn redelijk: 63,6% first-response behaald en 59,2% resolution behaald.
Monitoring heeft een first-response-probleem. Met 17.082 tickets is het de op een na grootste wachtrij. De resolution-SLA staat op een gezonde 74,8%, maar first-response zakt naar 34,0%. Dat verschil van 40,8 procentpunten is het grootste van alle wachtrijen. Monitoring-alerts worden vaak automatisch gegenereerd, en veel worden mogelijk niet snel genoeg erkend om het first-response-doel te halen. Dit is het onderzoeken waard: of het SLA-doel voor monitoring-tickets moet worden aangepast, of het triageproces heeft een snellere eerste bevestigingsstap nodig.
L2 Support laat het tegenovergestelde patroon zien. First-response is 53,7%, maar resolution springt naar 72,9%. L2-tickets duren langer om opgepakt te worden (1,278 gemiddelde uren per ticket), maar zodra ze zijn toegewezen, lossen technici ze goed binnen de SLA op. Het knelpunt zit in de overdracht van L1 naar L2, niet in het L2-werk zelf.
Vier wachtrijen hebben zowel first-response als resolution SLA onder de 45%: Projects (43,4% / 39,4%), Customer succes (43,5% / 35,1%), Interne IT (25,6% / 39,8%) en Consultancy (53,1% / 31,3%). Dit zijn wachtrijen met lager volume, maar hun SLA-percentages suggereren dat tickets er langer in blijven liggen dan verwacht. Projects en Consultancy hebben ook de hoogste gemiddelde uren per ticket (3,028u en 3,875u), wat wijst op langer, complexer werk dat mogelijk andere SLA-doelen nodig heeft dan reactieve servicedesk-tickets.
Zes wachtrijen hebben elk minder dan 200 tickets: Post Sale, Networking, Sales, Recurring (Parked), Pre-sales en Compliancy. Samen zijn ze goed voor 681 tickets, ofwel ongeveer 1% van het totale volume. Sommige hiervan zijn mogelijk placeholders of legacy-wachtrijen. Consolidatie zou rapportage en wachtrijbeheer vereenvoudigen zonder zinvol onderscheid tussen werktypen te verliezen.
5 prioriteiten op basis van bovenstaande bevindingen
Met 34,0% first-response behaald op 17.082 tickets trekt Monitoring je algehele SLA-cijfers omlaag. Het resolution-percentage van 74,8% bewijst dat het team alerts effectief oplost zodra ze ermee bezig zijn. Het probleem is de snelheid van erkenning. Onderzoek of automatisch gegenereerde monitoring-alerts een ander SLA-doel nodig hebben, of implementeer een auto-acknowledge-regel voor bekende alerttypen die geen directe menselijke triage vereisen.
Beide wachtrijen hebben resolution SLA-percentages onder de 40%, en beide gemiddeld meer dan 3 uur per ticket. Dit zijn geen reactieve break-fix-tickets. Dezelfde SLA-doelen toepassen als bij de Servicedesk levert een metric op die er altijd slecht uitziet. Definieer aparte SLA-niveaus voor projectmatig werk, of herclassificeer deze tickets zodat ze je algehele compliance-cijfers niet vertekenen.
L2 Support lost 72,9% van de tickets binnen SLA op, maar first-response is slechts 53,7%. De vertraging ontstaat tussen de eerste triage en toewijzing aan een L2-technicus. Bekijk de escalatieworkflow: is er een handmatige stap die geautomatiseerd kan worden? Zelfs een reductie van 10 minuten in overdrachttijd zou een meetbaar aantal tickets binnen het first-response SLA-venster brengen.
Met 25,6% first-response en 39,8% resolution SLA behaald heeft Interne IT het slechtste first-response-percentage van alle wachtrijen. Met 793 tickets en slechts 0,415 gemiddelde uren per ticket zijn dit snelle interne taken die simpelweg niet worden geprioriteerd. Interne tickets worden vaak achtergesteld ten gunste van klantwerk. Als dat acceptabel is, pas het SLA-doel aan. Zo niet, wijs dan wekelijks vaste tijdsloten toe voor intern IT-werk.
Zes wachtrijen (Post Sale, Networking, Sales, Recurring, Pre-sales, Compliancy) hebben elk minder dan 200 tickets en maken samen 1% van het totale volume uit. Overweeg ze samen te voegen tot een enkele "Overig" of "Gespecialiseerd" wachtrij met subcategorieen. Dit vermindert wachtrijwildgroei, vereenvoudigt rapportage en voorkomt dat tickets verloren raken in zelden bewaakte wachtrijen.
Wachtrijtoewijzingen komen uit Autotask PSA. Elk ticket heeft een queue_name-veld dat aangeeft bij welk team of welke workflow het hoort. Proxuma Power BI haalt deze data op via de Autotask-connector en maakt het beschikbaar voor DAX-queries. De AI aggregeert vervolgens ticketaantallen, uren en SLA-metrics per wachtrij.
De first_response_met- en resolution_met-velden in Autotask zijn integervlaggen (1 = behaald, 0 = niet behaald). Het percentage wordt berekend als de som van tickets waar de vlag gelijk is aan 1, gedeeld door het totale ticketaantal voor die wachtrij. Een percentage van 63,6% betekent dat 63,6% van de tickets in die wachtrij hun first response binnen de SLA-deadline had.
Wachtrijen met minder dan 200 tickets hebben mogelijk niet genoeg data om SLA- en inspanningsmetrics zinvol te maken, of de tickets in die wachtrijen hebben geen SLA-doelen geconfigureerd in Autotask. Het rapport laat deze waarden weg om misleidende cijfers op basis van kleine steekproeven te voorkomen.
Wanneer dubbele tickets worden samengevoegd in Autotask, wordt het secundaire ticket vaak verplaatst naar een "Merged Tickets"-wachtrij. Dit zijn tickets die oorspronkelijk apart zijn aangemeld maar geconsolideerd in een enkel bovenliggend ticket. Het aandeel van 7,4% wijst op actief gebruik van ticket-samenvoeging, wat een gezonde werkwijze is om dubbel werk te verminderen.
Ja. De DAX-queries in dit rapport draaien op alle beschikbare data. Je kunt datumfilters toevoegen via de datumtabel van Power BI, of een CALCULATE-wrapper toevoegen met een klantfilter. Filteren op bijvoorbeeld het laatste kwartaal geeft een recentere verdeling die kan afwijken van het totaaloverzicht dat hier wordt getoond.
Ja. Verbind Proxuma Power BI met je Autotask PSA, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit op 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