Een uitsplitsing van 67.521 tickets over 16 Autotask-wachtrijen, gerangschikt op volume en gemiddelde inspanning per ticket.
Een uitsplitsing van 67.521 tickets over 16 Autotask-wachtrijen, gerangschikt op volume en gemiddelde inspanning per ticket.
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
Een uitsplitsing van 67.521 tickets over 16 Autotask-wachtrijen, gerangschikt op volume en gemiddelde inspanning per ticket.
EVALUATE TOPN(20, ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[queue_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "AvgResHours", CALCULATE(AVERAGE('BI_Autotask_Tickets'[resolution_duration_hours])), "FRMetPct", CALCULATE(DIVIDE(SUM('BI_Autotask_Tickets'[first_response_met]), COUNTROWS('BI_Autotask_Tickets')))*100, "ResMetPct", CALCULATE(DIVIDE(SUM('BI_Autotask_Tickets'[resolution_met]), COUNTROWS('BI_Autotask_Tickets')))*100), [Tickets], DESC) ORDER BY [Tickets] DESCAlle 16 wachtrijen gerangschikt op totaal aantal tickets
| Queue | Tickets | % Share | Avg Res (h) | First Response | Resolution SLA |
|---|---|---|---|---|---|
| L1 Support | 31,378 | 46.5% | 8.3 | 63.6% | 59.2% |
| Centralized Services | 17,082 | 25.3% | 13.7 | 34.0% | 74.8% |
| L2 Support | 7,889 | 11.7% | 16.7 | 53.7% | 72.9% |
| Merged Tickets | 4,999 | 7.4% | 7.6 | 57.6% | 65.6% |
| Technical Alignment | 2,316 | 3.4% | 83.9 | 43.4% | 39.4% |
| Customer succes | 804 | 1.2% | 106.8 | 43.5% | 35.1% |
| Interne IT | 793 | 1.2% | 79.2 | 25.6% | 39.9% |
| Onsite support | 705 | 1.0% | 45.6 | 67.2% | 45.7% |
| Professional Services | 546 | 0.8% | 130.0 | 53.1% | 31.3% |
| Administration | 327 | 0.5% | 106.6 | 43.4% | 42.2% |
| Post Sale | 209 | 0.3% | 109.6 | 40.7% | 41.6% |
| L3 Support | 193 | 0.3% | 40.0 | 66.8% | 64.8% |
| Sales | 107 | 0.2% | 69.0 | 38.3% | 23.4% |
| Recurring (Parked) | 98 | 0.1% | 5.6 | 94.9% | 91.8% |
| Pre-sales | 45 | 0.1% | 91.6 | 48.9% | 51.1% |
| Compliancy | 29 | 0.0% | 361.1 | 13.8% | 10.3% |
EVALUATE TOPN(20, ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[queue_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "AvgResHours", CALCULATE(AVERAGE('BI_Autotask_Tickets'[resolution_duration_hours])), "FRMetPct", CALCULATE(DIVIDE(SUM('BI_Autotask_Tickets'[first_response_met]), COUNTROWS('BI_Autotask_Tickets')))*100, "ResMetPct", CALCULATE(DIVIDE(SUM('BI_Autotask_Tickets'[resolution_met]), COUNTROWS('BI_Autotask_Tickets')))*100), [Tickets], DESC) ORDER BY [Tickets] DESCVisuele uitsplitsing van ticketconcentratie over de belangrijkste wachtrijen
EVALUATE
VAR _QueueVolume =
SUMMARIZE(
BI_Autotask_Tickets,
BI_Autotask_Tickets[queue_name],
"Tickets", COUNT(BI_Autotask_Tickets[ticket_id])
)
VAR _Total = COUNTROWS(BI_Autotask_Tickets)
VAR _Top3 =
SUMX(
TOPN(3, _QueueVolume, [Tickets], DESC),
[Tickets]
)
RETURN
ROW(
"TotalTickets", _Total,
"Top3Tickets", _Top3,
"Top3Pct", FORMAT(DIVIDE(_Top3, _Total, 0), "0.0%"),
"RemainingQueues", COUNTROWS(_QueueVolume) - 3,
"RemainingTickets", _Total - _Top3
)Wachtrijen gerangschikt op gemiddelde engineertijd per ticket. Hogere waarden wijzen op complexer of arbeidsintensiever werk.
| # | Wachtrij | Gem. Uren / Ticket | Totaal Tickets | Inspanningsniveau |
|---|---|---|---|---|
| 1 | Consultancy | 3,875u | 546 | Hoog |
| 2 | Projects | 3,028u | 2.316 | Hoog |
| 3 | Onsite | 2,396u | 705 | Gemiddeld |
| 4 | Customer succes | 1,474u | 804 | Gemiddeld |
| 5 | L2 Support | 1,278u | 7.889 | Standaard |
| 6 | Administration | 0,974u | 327 | Standaard |
| 7 | Monitoring | 0,833u | 17.082 | Laag |
| 8 | Servicedesk | 0,572u | 31.378 | Laag |
| 9 | Merged | 0,508u | 4.999 | Laag |
| 10 | Interne IT | 0,415u | 793 | Laag |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Tickets,
BI_Autotask_Tickets[queue_name]
),
"TotalTickets", CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id])),
"AvgHoursPerTicket", CALCULATE(
DIVIDE(
SUM(BI_Autotask_Tickets[worked_hours]),
COUNT(BI_Autotask_Tickets[ticket_id]),
0
)
)
)
ORDER BY [AvgHoursPerTicket] DESCVergelijking van totaal geschatte uren per wachtrij (tickets x gem. uren) om te bepalen waar engineertijd daadwerkelijk naartoe gaat
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Tickets,
BI_Autotask_Tickets[queue_name]
),
"TotalTickets", CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id])),
"AvgHoursPerTicket", CALCULATE(
DIVIDE(
SUM(BI_Autotask_Tickets[worked_hours]),
COUNT(BI_Autotask_Tickets[ticket_id]),
0
)
),
"TotalEstimatedHours", CALCULATE(
SUM(BI_Autotask_Tickets[worked_hours])
)
)
ORDER BY [TotalEstimatedHours] DESCWachtrijen met minder dan 250 tickets. Kandidaten voor consolidatie of beoordeling.
| Wachtrij | Tickets | % van Totaal | Beoordeling |
|---|---|---|---|
| Post Sale | 209 | 0,3% | Beoordeling nodig |
| Networking | 193 | 0,3% | Beoordeling nodig |
| Sales | 107 | 0,2% | Consolidatiekandidaat |
| Recurring (Parked) | 98 | 0,1% | Parkeer-wachtrij |
| Pre-sales | 45 | 0,1% | Consolidatiekandidaat |
| Compliancy | 29 | 0,0% | Consolidatiekandidaat |
EVALUATE
FILTER(
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Tickets,
BI_Autotask_Tickets[queue_name]
),
"TotalTickets", CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id])),
"PctOfTotal", DIVIDE(
CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id])),
COUNTROWS(BI_Autotask_Tickets), 0
)
),
[TotalTickets] < 250
)
ORDER BY [TotalTickets] DESCHoe de werklast verdeeld is over vier niveaus
EVALUATE
VAR _QueueVolume =
ADDCOLUMNS(
SUMMARIZE(BI_Autotask_Tickets, BI_Autotask_Tickets[queue_name]),
"Tickets", CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id]))
)
VAR _Total = COUNTROWS(BI_Autotask_Tickets)
VAR _Top1 = MAXX(_QueueVolume, [Tickets])
VAR _Top3 = SUMX(TOPN(3, _QueueVolume, [Tickets], DESC), [Tickets])
VAR _Bottom6 = SUMX(TOPN(6, _QueueVolume, [Tickets], ASC), [Tickets])
RETURN
ROW(
"Top1Pct", DIVIDE(_Top1, _Total, 0),
"Top3Pct", DIVIDE(_Top3, _Total, 0),
"Bottom6Pct", DIVIDE(_Bottom6, _Total, 0)
)Het meest opvallende patroon in deze data is concentratie. Servicedesk alleen verwerkt 46,5% van alle tickets, ruwweg 31.400 van de 67.500. Tel Monitoring en L2 Support erbij op en die drie wachtrijen zijn goed voor 83,5%. De rest is, in vergelijking, ruis.
Die concentratie is niet per se een probleem. Servicedesk is ontworpen als de voordeur. Monitoring genereert geautomatiseerde alerts. L2 Support vangt escalaties op. De vraag is of de bezetting en tooling achter die drie wachtrijen overeenkomen met de werklast die ze dragen. Als Servicedesk onderbezet is ten opzichte van zijn aandeel van 46,5%, zullen responstijden en SLA-naleving lijden bij bijna de helft van al het binnenkomende werk.
Gemiddelde uren per ticket vertelt een ander verhaal. Consultancy-tickets kosten gemiddeld 3,875 uur per stuk, en Projects gemiddeld 3,028 uur. Deze wachtrijen verwerken relatief weinig tickets (respectievelijk 546 en 2.316) maar verbruiken een onevenredig grote hoeveelheid engineertijd. Projects alleen al verbruikt naar schatting 7.013 uur, meer dan Merged (2.540 uur) ondanks minder tickets. Als u capaciteit plant, leidt het tellen van alleen tickets u op het verkeerde been.
De long tail is het waard om te onderzoeken. Zes wachtrijen verwerken samen minder dan 250 tickets, met een totaal van 681 tickets oftewel 1% van al het volume. Sales (107 tickets), Pre-sales (45) en Compliancy (29) zien elk gemiddeld minder dan twee tickets per week. Tenzij deze wachtrijen bestaan vanwege compliance- of routeringsredenen die hun overhead rechtvaardigen, zou samenvoegen in bredere categorieen het wachtrijbeheer vereenvoudigen en rapportage overzichtelijker maken.
De Merged-wachtrij met 4.999 tickets verdient ook aandacht. "Merged" betekent doorgaans dat tickets samengevoegd zijn vanuit andere wachtrijen. Met 7,4% van al het volume is dat een aanzienlijk aantal tickets dat in een vangnet terechtkomt. Als het samenvoegproces inconsistent is, verliest u mogelijk zicht op waar die tickets vandaan kwamen.
5 prioriteiten op basis van bovenstaande bevindingen
Bijna de helft van alle tickets loopt via Servicedesk. Als uw Servicedesk-team niet proportioneel is bezet, creert u een bottleneck bij de voordeur. Haal SLA-naleving en eerste-responstijd specifiek voor de Servicedesk-wachtrij op en vergelijk die met uw targets. Bij 0,572 uur per ticket zijn dit geen complexe issues. Snelheid van respons is hier wat telt.
Monitoring genereert 25,3% van alle tickets bij 0,833 uur per ticket. Veel monitoring-tickets volgen voorspelbare patronen: alert komt binnen, engineer controleert, sluit af of escaleert. Als zelfs 20% van die 17.082 tickets automatisch opgelost of afgesloten kan worden, bespaart dat naar schatting 2.844 uur engineertijd per jaar. Kijk welke monitoring-alerttypen het hoogste auto-close-percentage hebben en bouw daar als eerste automatisering omheen.
4.999 tickets in een "Merged"-wachtrij vertegenwoordigen 7,4% van het volume. Samengevoegde tickets verliezen hun oorspronkelijke wachtrijcontext, waardoor het moeilijker wordt om prestaties per wachtrij nauwkeurig te meten. Audit een steekproef van samengevoegde tickets om te begrijpen waar ze vandaan kwamen en of het samenvoegproces de oorspronkelijke wachtrij als metadata bewaart. Als dat niet zo is, verliest u rapportagenauwkeurigheid.
Sales (107), Pre-sales (45), Compliancy (29), Recurring/Parked (98), Post Sale (209) en Networking (193) verwerken samen 681 tickets. Dat is minder dan 1% van het totale volume. Elke aparte wachtrij voegt routeringscomplexiteit toe en kan ertoe leiden dat tickets in wachtrijen met weinig verkeer blijven liggen zonder tijdige aandacht. Beoordeel of deze geconsolideerd kunnen worden zonder de workflow- of compliancevoordelen te verliezen waarvoor ze zijn aangemaakt.
Consultancy met 3,875 uur en Projects met 3,028 uur per ticket geven u echte cost-of-service data. Als u consultancy of projectwerk per ticket of per engagement prijst, zouden deze gemiddelden uw tarieven moeten onderbouwen. 546 consultancy-tickets tegen 3,875 uur per stuk betekent ruwweg 2.116 uur engineertijd die naar consultancywerk gaat. Zorg ervoor dat die tijd gefactureerd of verantwoord wordt.
Wachtrij-toewijzingen komen uit Autotask PSA. Elk ticket heeft een queue_name-veld dat aangeeft welk team of welke workflow verantwoordelijk is. Proxuma Power BI haalt deze data op via de Autotask-connector. De AI groepeert en telt vervolgens tickets per wachtrij en berekent gemiddelde uren op basis van het worked_hours-veld op elk ticket.
Dit is het totaal aan worked_hours dat geregistreerd is op alle tickets in een wachtrij, gedeeld door het aantal tickets in die wachtrij. Dit omvat alle tijdregistraties die engineers op die tickets hebben geboekt. Een hoog getal wijst op complex of tijdrovend werk. Een laag getal suggereert snelle oplossingen of geautomatiseerde afhandeling.
Wanneer tickets worden samengevoegd in Autotask (bijvoorbeeld dubbele meldingen van hetzelfde probleem), belandt het overgebleven ticket vaak in een Merged-wachtrij of behoudt het een merged-status. Met 4.999 tickets vertegenwoordigt dit duplicaatdetectie die werkt zoals bedoeld. Als het aantal hoog lijkt, controleer dan of uw samenvoeg-workflow ook niet-gerelateerde tickets meeneemt.
Dat hangt af van waarom de wachtrij bestaat. Sommige wachtrijen (Compliancy, Pre-sales) bestaan mogelijk voor workflowautomatisering of complianceredenen. Andere zijn misschien overblijfselen van een eerdere teamstructuur. Beoordeel elke laag-volume wachtrij samen met de service desk manager voordat u deze verwijdert. Het doel is minder wachtrijen zonder de routeringslogica te verliezen die ze bieden.
Ja. Voeg een datumfilter toe aan de DAX-queries met behulp van de create_date of complete_date kolom op BI_Autotask_Tickets. Filteren op bijvoorbeeld de laatste 12 maanden toont de recente wachtrijverdeling in plaats van historische totalen. Dit is nuttig om te zien of wachtrijvolumes in de loop van de tijd verschuiven.
Ja. Koppel Proxuma Power BI aan uw 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 uw echte ticketdata 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