Een uitsplitsing van 67.521 supporttickets over 265 bedrijven, met inzicht in waar het volume zich concentreert, waar de echte inspanning naartoe gaat, en welke klanten ruis genereren in plaats van echte ondersteuningsvraag.
Een uitsplitsing van 67.521 supporttickets over 265 bedrijven, met inzicht in waar het volume zich concentreert, waar de echte inspanning naartoe gaat, en welke klanten ruis genereren in plaats van echte ondersteuningsvraag.
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 supporttickets over 265 bedrijven, met inzicht in waar het volume zich concentreert, waar de echte inspanning naartoe gaat, en welke klanten ruis genereren in plaats van echte ondersteuningsvraag.
De dataset omvat 67.521 tickets verdeeld over 265 klantbedrijven. De top drie accounts zijn alleen al verantwoordelijk voor ruim een kwart van alle tickets, wat een aanzienlijke operationele afhankelijkheid van een klein aantal relaties aangeeft. Ondertussen heeft één klant een P1-kritiek percentage dat meer dan vier keer het gebruikelijke basisniveau bedraagt, wat wijst op infrastructuurproblemen die een eigen gesprek verdienen.
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_name], "Tickets", COUNTROWS('BI_Autotask_Tickets'), "TimeEntries", COUNTROWS('BI_Autotask_Time_Entries'), "HoursWorked", SUM('BI_Autotask_Time_Entries'[hours_worked])), [Tickets], DESC)De onderstaande tabel rankt de 15 klanten met het hoogste volume op ticketaantal. De kolom "Uren/Ticket" is het belangrijkste diagnostische signaal: het laat zien of het ticketaantal van een klant echte ondersteuningsvraag weerspiegelt of geautomatiseerde alertruis. Een verhouding van bijna nul duidt erop dat de tickets waarschijnlijk door systemen worden gegenereerd en minimale menselijke tussenkomst vereisen.
| Company | Tickets | Hours |
|---|---|---|
| Rivers, Rogers and Mitchell | 6,381 | 1,662 |
| Craig-Huynh | 5,458 | 4,370 |
| Little Group | 5,290 | 3,791 |
| Martin Group | 2,775 | 2,217 |
| Wall PLC | 2,376 | 1,697 |
| Blanchard-Glenn | 2,364 | 9 |
| Price-Gomez | 2,180 | 865 |
| Thompson et al | 1,803 | 1,006 |
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_name], "Tickets", COUNTROWS('BI_Autotask_Tickets'), "TimeEntries", COUNTROWS('BI_Autotask_Time_Entries'), "HoursWorked", SUM('BI_Autotask_Time_Entries'[hours_worked])), [Tickets], DESC)Ticketaantal is een startpunt, geen conclusie. De grafiek hieronder vergelijkt het ruwe ticketvolume (balkbreedte) met gewerkte uren voor de acht grootste klanten. Het verschil tussen die twee signalen laat zien waar de tijd van uw team werkelijk naartoe gaat, versus waar tickets worden aangemaakt.
Rivers, Rogers and Mitchell leidt in ticketaantal met 6.381, maar met slechts 1.090 gewerkte uren over die tickets is de gemiddelde inspanning per ticket 0,17 uur. Martin Group genereert minder dan de helft van het ticketaantal maar logt bijna twee keer zoveel uren per ticket, waardoor het per ticket de meest inspanningsintensieve account in de portefeuille is. Dit zijn twee heel verschillende operationele relaties die zich achter ruwe volumecijfers verschuilen.
EVALUATE
TOPN(8,
ADDCOLUMNS(
SUMMARIZE('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]),
"Ticket Count",
COUNTROWS(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]
= EARLIER('BI_Autotask_Tickets'[company_name]))),
"Worked Hours",
SUMX(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]
= EARLIER('BI_Autotask_Tickets'[company_name])),
'BI_Autotask_Tickets'[worked_hours]),
"Hours Per Ticket",
DIVIDE(
SUMX(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]
= EARLIER('BI_Autotask_Tickets'[company_name])),
'BI_Autotask_Tickets'[worked_hours]),
COUNTROWS(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]
= EARLIER('BI_Autotask_Tickets'[company_name]))),
0)
),
[Ticket Count], DESC
)
ORDER BY [Ticket Count] DESCP1-tickets zijn uw urgentste incidenten: systeem neer, service niet beschikbaar, bedrijfskritische storingen. Een hoog P1-percentage wijst vaak op een account met infrastructuurproblemen die niet bij de wortel zijn opgelost. Thompson, Contreras and Rios springt hier sterk uit, met bijna 1 op de 5 tickets als kritieke prioriteit geclassificeerd.
| Bedrijf | Totaal Tickets | P1-tickets | P1-percentage | Beoordeling |
|---|---|---|---|---|
| Thompson, Contreras and Rios | 1.803 | 394 | 21,8% | Kritiek — infrastructuur beoordelen |
| Martin Group | 2.775 | 381 | 13,7% | Hoog — complexe omgeving |
| Ramos Group | 1.728 | 184 | 10,6% | Verhoogd |
| Price-Gomez | 2.180 | 148 | 6,8% | Monitor |
| Little Group | 5.290 | 175 | 3,3% | Acceptabel |
| Rivers, Rogers and Mitchell | 6.381 | 246 | 3,9% | Acceptabel (veel alerts) |
| Wall PLC | 2.376 | 71 | 3,0% | Normaal |
| Craig-Huynh | 5.458 | 26 | 0,5% | Zeer laag |
| Blanchard-Glenn | 2.364 | 0 | 0,0% | Alleen geautomatiseerde alerts |
Thompson, Contreras and Rios met 21,8% P1 is een duidelijke uitschieter. Bij dat percentage is ruwweg één op de vijf supportinteracties een bedrijfskritisch incident. Dit weerspiegelt ofwel een daadwerkelijk onstabiele omgeving, ofwel verkeerde categorisering in de ticketworkflow. Beide scenario's verdienen onderzoek voordat de volgende QBR plaatsvindt. Martin Group met 13,7% is de tweede zorgpunt, vooral gezien de al hoge inspanning per ticket (gemiddeld 0,74 uur).
EVALUATE
TOPN(10,
ADDCOLUMNS(
SUMMARIZE('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]),
"Ticket Count",
COUNTROWS(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]
= EARLIER('BI_Autotask_Tickets'[company_name]))),
"Priority 1 Count",
COUNTROWS(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name]
= EARLIER('BI_Autotask_Tickets'[company_name])
&& 'BI_Autotask_Tickets'[priority_name]
= "P1 - Kritisch"))
),
[Ticket Count], DESC
)
ORDER BY [Ticket Count] DESCMet 6.381 tickets en slechts 1.090 gewerkte uren gemiddelt deze klant 0,17 uur per ticket. Dat is een signaal dat de meeste tickets geen echte menselijke supportinteracties zijn. De relatie is hoogvolume maar waarschijnlijk laagcomplexiteit in termen van werkelijke technicustijd.
Met 21,8% P1 is ruwweg één op de vijf tickets van deze klant als bedrijfskritisch geclassificeerd. Dit percentage is abnormaal hoog vergeleken met het bredere portfoliogemiddelde. Een root-cause analyse van hun infrastructuur of hun ticketcategoriseringsproces is nodig voordat dit een contractuele aansprakelijkheid wordt.
Samen zijn deze twee klanten verantwoordelijk voor meer dan 4.000 tickets in de dataset, maar hun totale gewerkte uren zitten in de eencijferige getallen. Deze tickets zijn vrijwel zeker geautomatiseerde RMM- of monitoringwaarschuwingen die automatisch worden aangemaakt in Autotask. Ze blazen volumemetrieken op en kunnen SLA-rapportage vertekenen als ze niet correct worden gefilterd.
Als de drie hoogste volumeklanten (Rivers, Craig-Huynh, Little Group) tegelijk zouden churnen, verliest u in één klap een kwart van uw supportvolume. Datzelfde concentratierisico geldt voor omzet. Het is de moeite waard om te controleren of de omzetverdeling deze ticketverdeling weerspiegelt.
Dit wijst op complexe infrastructuur: tickets hier vergen echte diagnostische tijd en zijn geen snelle fixes. Met 2.775 tickets en 2.046 gewerkte uren is Martin Group de meest inspanningsdichte account in de top 10. Die complexiteit zou in hun contractstructuur tot uiting moeten komen.
Meer vragen beantwoord door dezelfde AI-gestuurde Power BI-pipeline
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