Open tickets zonder updates in 30+ dagen, gerangschikt op volume en leeftijd. Gegenereerd door AI via Proxuma Power BI MCP-server.
Open tickets zonder updates in 30+ dagen, gerangschikt op volume en leeftijd. 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
Open tickets zonder updates in 30+ dagen, gerangschikt op volume en leeftijd. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE SUMMARIZECOLUMNS('BI_Autotask_Tickets'[status_name], "Count", COUNTROWS('BI_Autotask_Tickets'))Open tickets zonder activiteit gedurende 30+ dagen, gegroepeerd per klant en gerangschikt op aantal. Horizontale balken tonen het relatieve volume.
| Status | Count |
|---|---|
| Planned | 213 |
| In progress | 205 |
| New | 169 |
| Waiting Customer | 116 |
| Customer responded | 102 |
EVALUATE SUMMARIZECOLUMNS('BI_Autotask_Tickets'[status_name], "Count", COUNTROWS('BI_Autotask_Tickets'))Hoe lang deze 844 tickets inactief zijn, gesegmenteerd in drie leeftijdscategorieen
Bijna de helft van de vastgelopen achterstand (48,7%) is tussen de 30 en 60 dagen oud. Deze tickets zijn het makkelijkst te herstellen: de oorspronkelijke context is nog relatief vers, en de klant heeft het waarschijnlijk nog niet opgemerkt. De 324 tickets in de 60-tot-90-dagenrange zijn lastiger. Technici moeten de historie opnieuw doorlezen en waarschijnlijk contact opnemen met de klant voor een update.
De 109 tickets ouder dan 90 dagen zijn het echte probleem. Op die leeftijd heeft de oorspronkelijke aanvrager waarschijnlijk een workaround gevonden, en bestaat het ticket alleen nog als een gebroken belofte in het systeem. Elk ticket moet ofwel direct worden opgelost, ofwel worden gesloten met een duidelijke uitleg aan de klant.
EVALUATE
SUMMARIZECOLUMNS(
"age_bucket",
SWITCH(TRUE(),
DATEDIFF('BI_Autotask_Tickets'[last_activity_date], TODAY(), DAY) <= 60, "30-60d",
DATEDIFF('BI_Autotask_Tickets'[last_activity_date], TODAY(), DAY) <= 90, "60-90d",
">90d"
),
FILTER('BI_Autotask_Tickets',
ISBLANK('BI_Autotask_Tickets'[complete_date]) &&
'BI_Autotask_Tickets'[last_activity_date] < TODAY() - 30
),
"ticket_count", COUNTROWS('BI_Autotask_Tickets')
)Waarom inactieve tickets duurder zijn dan ze lijken
SLA-blootstelling. Elk vastgelopen ticket is een actieve SLA-timer. Zelfs als het ticket als lage prioriteit is geopend, betekent 60+ dagen inactiviteit dat je vrijwel zeker voorbij het oplossingsdoel bent. Als de klant aan hun kant een rapport draait, of het ter sprake brengt tijdens een QBR, verschuift het gesprek van dienstverlening naar schending. Rivers Rogers Mitchell alleen al heeft 113 tickets met een gemiddelde leeftijd van 68 dagen. Dat zijn 113 potentiele SLA-schendingen in een enkel account.
Inwerktijd technicus. Een ticket oppakken na 30 dagen is niet hetzelfde als er een oppakken van gisteren. De technicus moet de historie opnieuw doorlezen, controleren of de omgeving is veranderd, en vaak contact opnemen met de klant om te bevestigen dat het probleem nog bestaat. Schattingen uit de branche zetten de inwerktijd op 15 tot 30 minuten per verouderd ticket. Voor 844 tickets is dat 210 tot 420 uur herstelwerk, alleen al om terug te komen waar deze tickets een maand geleden waren.
Klantperceptie. Het slechtste resultaat is niet het SLA-getal. Het is de klant die een nieuw ticket opent voor hetzelfde probleem, een andere technicus krijgt, en ontdekt dat het eerste ticket nooit is opgelost. Dat is een vertrouwensprobleem, en vertrouwensproblemen leiden tot verloop. Martin Group (65 vastgelopen, gem. 72 dagen) en Hernandez Ltd (37 vastgelopen, gem. 65 dagen) lopen allebei risico op precies dit scenario.
Rivers Rogers Mitchell (113), Martin Group (65) en Wall PLC (63) hebben samen 241 van de 844 vastgelopen tickets. Door alleen deze drie accounts aan te pakken verdwijnt bijna een derde van de achterstand. Martin Group heeft de hoogste gemiddelde leeftijd met 72 dagen, wat betekent dat hun tickets het langst inactief zijn.
Deze tickets zijn drie maanden of langer inactief. In de meeste gevallen is het oorspronkelijke probleem opgelost via een workaround, of is de klant gestopt met wachten. Elk ticket moet individueel worden beoordeeld: sluit het met een melding aan de klant, of escaleer het als het probleem nog open is. Ze in de wachtrij laten staan blaast de achterstand op en vertekent rapportages.
411 tickets (48,7% van het totaal) zijn tussen de 30 en 60 dagen oud. Deze zijn recent genoeg dat de oorspronkelijke context nog bruikbaar is en de klant waarschijnlijk nog niet heeft geescaleerd. Een gerichte sprint van twee weken op deze categorie halveert de vastgelopen achterstand en voorkomt dat 411 tickets verouderen naar de moeilijker op te lossen 60-tot-90-dagenrange.
Triageproces en escalatieregels gebaseerd op bovenstaande data
Haal de volledige ticketlijst op voor Rivers Rogers Mitchell, Martin Group en Wall PLC. Sorteer op leeftijd (oudste eerst). Besluit per ticket binnen twee minuten: sluiten met melding aan klant, opnieuw toewijzen aan een benoemde technicus met een deadline van 48 uur, of escaleren naar de accountmanager. Laat technici het niet "later bekijken." Wijs een naam en een datum toe, of sluit het ticket.
Voeg een vast agendapunt van 15 minuten toe aan het wekelijkse dispatch-overleg: beoordeel elk ticket waarvan de last_activity_date ouder is dan 14 dagen. De 30-dagendrempel in dit rapport vangt tickets die al vastgelopen zijn. Een 14-dagencheck vangt ze voordat het zover is. Filter de Autotask-wachtrij op laatste activiteitsdatum, sorteer oplopend en werk de lijst af.
Configureer een Autotask-workflowregel die elk open ticket zonder activiteit gedurende 21 dagen markeert. Stuur een e-mail naar de toegewezen medewerker en hun teamleider. Als het ticket 30 dagen bereikt zonder activiteit, wijs het automatisch opnieuw toe aan de servicemanager. Dit voorkomt dat tickets stilletjes verouderen naar de 60-dagen- en 90-dagencategorieen.
Stuur voor de 109 tickets ouder dan 90 dagen een batch-e-mail per klant: "Wij hebben [X] open tickets op uw account die langer dan 90 dagen niet zijn bijgewerkt. Bekijk de bijgevoegde lijst en laat ons weten welke nog nodig zijn." Elk ticket dat niet binnen 7 dagen wordt geclaimd, wordt gesloten met een standaard afsluitnotitie. Dit ruimt dode ballast op en geeft klanten de kans om te herprioriteren wat belangrijk is.
Elk ticket dat nog open is (geen complete_date) en waarvan de last_activity_date meer dan 30 dagen geleden is. Dit geldt voor tickets in elke wachtrij en elk prioriteitsniveau. De 30-dagendrempel is een startpunt. Je kunt deze aanpassen in de DAX-query door het "TODAY() - 30"-filter te wijzigen naar een korter of langer venster.
De gemiddelde leeftijd is het gemiddelde van resolved_due_age_days over alle vastgelopen tickets voor een bepaald bedrijf. Dit meet hoeveel dagen elk ticket open is ten opzichte van de streefdatum. Een hoger getal betekent dat het ticket langer voorbij het oplossingsdoel is.
Ja. De query filtert op complete_date die leeg is en last_activity_date die ouder is dan 30 dagen. Tickets met de status "wachten op klant" worden niet uitgesloten. Als je die wilt uitsluiten, voeg dan een filter toe op de ticketstatuskolom in de DAX-query. Dat gezegd hebbende, een ticket dat 60+ dagen op een klant wacht, heeft nog steeds opvolging nodig. De klant is het mogelijk vergeten of verder gegaan.
Ja. Voeg een FILTER-clausule toe op BI_Autotask_Tickets[queue_name] of BI_Autotask_Tickets[priority] in de DAX-query. Filteren op alleen de "Service Desk"-wachtrij beperkt de resultaten bijvoorbeeld tot tickets in die wachtrij. Kopieer de query uit een willekeurige sectie, pas deze aan in Power BI Desktop en voer hem uit tegen je dataset.
Ja. Verbind Proxuma Power BI met je Autotask PSA-account, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit 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