AI-GEGENEREERD RAPPORT

Je zocht naar:

Hoe ziet de niet elke sla-overtreding is hetzelfde eruit?

Niet elke SLA-overtreding is hetzelfde

31.796 eerste reactie-overtredingen. Circa 39% vond plaats in wachtrij-prioriteitscombinaties met zo'n hoge overtredingsgraad dat het duidt op een kapot proces, niet op een overbelast team.

Built from: Autotask PSA

Hoe dit rapport tot stand kwam

Autotask PSA

Multiple data sources combined

Proxuma Power BI

Voorgebouwd MSP semantisch model, 50+ measures

AI via MCP

Claude of ChatGPT schrijft DAX-queries, voert ze uit en formatteert de output

4
Dit Rapport
KPI's, uitsplitsingen, trends, aanbevelingen

                Klaar in < 15 min

Niet elke SLA-overtreding is hetzelfde

31.796 eerste reactie-overtredingen. Circa 39% vond plaats in wachtrij-prioriteitscombinaties met zo'n hoge overtredingsgraad dat het duidt op een kapot proces, niet op een overbelast team.

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 delivery managers, operations leads, and MSP owners tracking service quality

Hoe vaak: Wekelijks for operational adjustments, monthly for client reporting, quarterly for contract reviews

Time saved

Pulling per-client SLA data from PSA manually takes hours. This report delivers the breakdown in minutes.

Client-level clarity

Portfolio averages mask the clients getting poor service. This report surfaces the specific accounts that need attention.

Contract evidence

Concrete SLA data per client gives you proof points for renewals, pricing adjustments, or staffing conversations.

RapportcategorieSLA & Service Performance

DatabronAutotask PSA · Datto RMM · Datto Backup · Microsoft 365 · SmileBack · HubSpot · IT Glue

RefreshReal-time via Power BI

GeneratietijdMinder dan 15 minuten

AI vereistClaude, ChatGPT or Copilot

DoelgroepService delivery managers, operations leads

Waar vind je dit in Proxuma

Power BI › SLA › Niet elke SLA-overtreding is hetzelfde

Dit rapport voor jouw MSP

Wat je kunt meten in dit rapport

SLA Prestaties — Preventieanalyse

Niet elke SLA-overtreding is hetzelfde

31.796 eerste reactie-overtredingen. Circa 39% vond plaats in wachtrij-prioriteitscombinaties met zo'n hoge overtredingsgraad dat het duidt op een kapot proces, niet op een overbelast team.

Bron: Autotask PSA

Bereik: Alle tickets met SLA-data

Metriek: Eerste reactie SLA

Gegenereerd: Maart 2026

Totaal ER-overtredingen

31.796

over alle wachtrij-prioriteitscombinaties

Vermijdbare overtredingen

~12.500

39% — systematische procesfouten

Slechtste ER-percentage

5,0%

Compliancy / P2-Hoog (20 tickets)

Combos < 25% ER

wachtrij-prioriteitsparen met kapotte SLA-flow

1.0 Het overtredingslandschap: Top 15 combinaties

Gesorteerd op overtredingsvolume. De meeste overtredingen zitten in slechts 5 combinaties. Het ER-percentage vertelt het verhaal: 7,6% is een procesfout; 71% bij hoog volume is een capaciteitsprobleem.

Wachtrij	Prioriteit	Tickets	Overtredingen	ER %	Categorie
Centralized Services	P3 – Medium	9.537	6.282	34,1%	Routering
L1 Support	P4 – Laag	18.498	5.357	71,0%	Volume
L1 Support	Service/Wijzigingsverzoek	10.324	4.610	55,3%	Volume
Centralized Services	P4 – Laag	2.712	2.507	7,6%	Proces
L2 Support	P4 – Laag	4.723	2.154	54,4%	Volume
Centralized Services	P1 – Kritisch	3.819	1.829	52,1%	Routering
Merged Tickets	P3 – Medium	1.321	1.188	10,1%	Proces
L1 Support	P3 – Medium	2.064	1.132	45,2%	Routering
Technical Alignment	Service/Wijzigingsverzoek	929	673	27,6%	Routering
Technical Alignment	P4 – Laag	1.095	466	57,4%	Volume
Interne IT	P3 – Medium	548	455	17,0%	Proces
L2 Support	P1 – Kritisch	1.019	430	57,8%	Routering
L2 Support	Service/Wijzigingsverzoek	918	431	53,1%	Volume
Centralized Services	P2 – Hoog	558	373	33,2%	Routering
L2 Support	P2 – Hoog	478	330	31,0%	Routering

DAX-query tonen — Wachtrij × Prioriteit overtredingsoverzicht

EVALUATE
ADDCOLUMNS(
    SUMMARIZECOLUMNS(
        'BI_Autotask_Tickets'[queue_name],
        'BI_Autotask_Tickets'[priority_name],
        "Totaal Tickets", COUNTROWS('BI_Autotask_Tickets'),
        "ER Gehaald",
            CALCULATE(
                COUNTROWS('BI_Autotask_Tickets'),
                'BI_Autotask_Tickets'[first_response_met] + 0 = 1
            ),
        "ER Overtredingen",
            CALCULATE(
                COUNTROWS('BI_Autotask_Tickets'),
                'BI_Autotask_Tickets'[first_response_met] + 0 = 0
            )
    ),
    "ER Percentage",
        DIVIDE([ER Gehaald], [Totaal Tickets]) * 100
)
ORDER BY [ER Overtredingen] DESC

2.0 Kritieke procesfouten: ER-percentage onder 25%

Een ER-percentage van 20% is geen drukke-dag anomalie. Het is een kapot proces. Deze combinaties vereisen onmiddellijk onderzoek, geen extra medewerkers.

Centralized Services / P4-Laag — 7,6% ER (2.507 overtredingen)

Van 2.712 P4-Laag tickets in Centralized Services mislukt 92,4% de eerste reactie. Dat is geen personeelsprobleem. P4-tickets zijn per definitie lage prioriteit, maar iets in de routering of wachtrijdiscipline zorgt ervoor dat ze onbeheerd blijven. Meest waarschijnlijke oorzaak: Centralized Services is ingericht voor infrastructuurbeheer, niet voor ticketafhandeling. P4-tickets verzamelen zich zonder dat iemand ze oppakt. Oplossing: route P4 tickets van CS door naar L1 Support, of stel een automatische escalatie in op 80% van het SLA-venster.

Merged Tickets / P3-Medium — 10,1% ER (1.188 overtredingen)

1.321 tickets in de "Merged Tickets" wachtrij met slechts 10,1% ER-naleving. Wanneer een ticket wordt samengevoegd in Autotask, wordt de SLA-klok van het overgebleven ticket mogelijk niet herstart op het moment van eerste klantcontact. Als technici samengevoegde tickets sluiten zonder ze te erkennen, blijft de SLA-teller lopen. Controleer: wordt de SLA-stempel gezet bij aanmaak of bij eerste menselijke reactie? Een workflowregel-aanpassing kan het merendeel van deze 1.188 overtredingen elimineren.

Interne IT / P3-Medium — 17,0% ER (455 overtredingen)

Interne tickets worden stelselmatig gedeprioriteerd. 83% van de interne P3-Medium tickets haalt de eerste reactie niet. Hoewel interne SLA-doelen vaak soepeler zijn dan klantgerichte, geeft een naleving van 17% aan dat niemand deze wachtrij bewaakt. De werkervaring van interne medewerkers telt ook. Eenvoudige oplossing: wijs een eigenaar toe voor de interne IT-wachtrij die elke ochtend items verwerkt.

CS / P4-Laag

92,4%

2.507 ov.

Merged / P3-Med

89,9%

1.188 ov.

Interne IT / P3-Med

83%

455 ov.

L1 / P1-Kritisch

85,7%

60 ov.

TA / P1-Kritisch

88%

22 ov.

Balk toont overtredingspercentage (% tickets dat ER-SLA mislukte). Lager is beter.

DAX-query tonen — Kritieke combinaties met ER onder 25%

EVALUATE
FILTER(
    ADDCOLUMNS(
        SUMMARIZECOLUMNS(
            'BI_Autotask_Tickets'[queue_name],
            'BI_Autotask_Tickets'[priority_name],
            "Tickets", COUNTROWS('BI_Autotask_Tickets'),
            "ER Overtredingen",
                CALCULATE(
                    COUNTROWS('BI_Autotask_Tickets'),
                    'BI_Autotask_Tickets'[first_response_met] + 0 = 0
                )
        ),
        "ER Percentage",
            DIVIDE(
                CALCULATE(
                    COUNTROWS('BI_Autotask_Tickets'),
                    'BI_Autotask_Tickets'[first_response_met] + 0 = 1
                ),
                COUNTROWS('BI_Autotask_Tickets')
            ) * 100
    ),
    [ER Percentage] < 25 && [Tickets] >= 20
)
ORDER BY [ER Overtredingen] DESC

3.0 Routerings- en toewijzingsproblemen: ER 25–52%

Deze combinaties presteren niet slecht door het ruwe ticketvolume. Vergelijkbare wachtrijen met vergelijkbare volumes presteren significant beter. Het verschil wijst op routeringsregels, toewijzingsbeleid of eigenaarschapsproblemen.

Centralized Services / P3-Medium — 34,1% ER (6.282 overtredingen)

De grootste afzonderlijke bron van overtredingen in de dataset. 9.537 tickets, 6.282 overtredingen. Ter vergelijking: L1 Support verwerkt 18.498 P4-Laag tickets met 71% ER. CS verwerkt minder P3-tickets maar met minder dan de helft van de naleving. Meest waarschijnlijke oorzaak: P3-Medium tickets worden gerouteerd naar CS terwijl ze naar L1/L2 Support zouden moeten. CS-engineers behandelen complexer infrastructuurwerk en bewaken de wachtrij mogelijk niet op binnenkomende P3-items. Als 50% van deze overtredingen routeringsfouten zijn, kan het aanpassen van triageregels alleen al 3.000 overtredingen per jaar besparen.

Centralized Services / P1-Kritisch — 52,1% ER (1.829 overtredingen)

P1-Kritisch tickets zouden 90–100% ER-naleving moeten hebben. Centralized Services verwerkt 3.819 P1's en mist de SLA bij meer dan de helft. Dit duidt erop dat CS geen duidelijk P1-escalatieprotocol heeft. P1-tickets in CS staan waarschijnlijk in dezelfde wachtrijweergave als routinetaken voor infrastructuur. Aparte P1-routering met pager-achtige meldingen zou dit aanpakken zonder extra personeel.

Technical Alignment / Service/Wijzigingsverzoek — 27,6% ER (673 overtredingen)

Technical Alignment verwerkt 929 service- en wijzigingsverzoeken met 27,6% ER. Dit zijn geplande, niet-urgente tickets, maar de overtredingsgraad van 72% geeft nog steeds een slechte indruk. Meest waarschijnlijke oorzaak: SA/Change-tickets worden informeel erkend (telefoon/e-mail) maar niet bijgewerkt in Autotask. Een dagelijkse discipline van "elk openstaand serviceverzoek aanraken" zou de meeste problemen oplossen.

DAX-query tonen — Routeringsproblemen (ER 25–55%, >100 tickets)

EVALUATE
FILTER(
    ADDCOLUMNS(
        SUMMARIZECOLUMNS(
            'BI_Autotask_Tickets'[queue_name],
            'BI_Autotask_Tickets'[priority_name],
            "Tickets", COUNTROWS('BI_Autotask_Tickets'),
            "ER Overtredingen",
                CALCULATE(
                    COUNTROWS('BI_Autotask_Tickets'),
                    'BI_Autotask_Tickets'[first_response_met] + 0 = 0
                )
        ),
        "ER Percentage",
            DIVIDE(
                CALCULATE(
                    COUNTROWS('BI_Autotask_Tickets'),
                    'BI_Autotask_Tickets'[first_response_met] + 0 = 1
                ),
                COUNTROWS('BI_Autotask_Tickets')
            ) * 100
    ),
    [ER Percentage] >= 25 && [ER Percentage] < 55
    && [Tickets] >= 100
)
ORDER BY [ER Overtredingen] DESC

4.0 Volume-gedreven overtredingen: moeilijk te voorkomen zonder investering

Sommige combinaties hebben een redelijk ER-percentage — 65% tot 79% — maar produceren toch veel overtredingen vanwege het ruwe ticketvolume. Dit zijn capaciteitsproblemen, geen procesblemen.

Wachtrij	Prioriteit	Tickets	Overtredingen	ER %	Toelichting
L1 Support	P4 – Laag	18.498	5.357	71,0%	Grootste wachtrij. Percentage is redelijk; overtredingsaantal weerspiegelt volume.
L1 Support	Service/Wijzigingsverzoek	10.324	4.610	55,3%	Op een na grootste. SR SLA-vensters zijn langer maar volume drijft het aantal.
L2 Support	P4 – Laag	4.723	2.154	54,4%	L2 verwerkt escalaties; P4 wacht achter hogere prioriteit.
Merged Tickets	Service/Wijzigingsverzoek	2.423	510	79,0%	Goed percentage. Resterende 21% zijn waarschijnlijk tijdsrandgevallen.

Investeren in extra L1-personeel of het automatiseren van eerste-aanraking-reacties (automatische e-mailbevestiging via een workflowregel) zou deze overtredingsaantallen verminderen. Een auto-bevestigingsworkflow — een automatische ticketbevestiging binnen 5 minuten — kan de ER-naleving voor P4 en serviceverzoeken naar bijna 100% brengen zonder handmatige inspanning.

DAX-query tonen — Hoog-volume, gematigd ER-percentage combinaties

EVALUATE
FILTER(
    ADDCOLUMNS(
        SUMMARIZECOLUMNS(
            'BI_Autotask_Tickets'[queue_name],
            'BI_Autotask_Tickets'[priority_name],
            "Tickets", COUNTROWS('BI_Autotask_Tickets'),
            "ER Overtredingen",
                CALCULATE(
                    COUNTROWS('BI_Autotask_Tickets'),
                    'BI_Autotask_Tickets'[first_response_met] + 0 = 0
                )
        ),
        "ER Percentage",
            DIVIDE(
                CALCULATE(
                    COUNTROWS('BI_Autotask_Tickets'),
                    'BI_Autotask_Tickets'[first_response_met] + 0 = 1
                ),
                COUNTROWS('BI_Autotask_Tickets')
            ) * 100
    ),
    [ER Percentage] >= 55 && [Tickets] >= 500
)
ORDER BY [ER Overtredingen] DESC

5.0 Prioritering: geschatte overtredingsreductie per actie

Als je elke "procesfout"-combinatie verbetert naar een ER-basisniveau van 65% — een realistisch doel voor elke functionerende wachtrij — is dit de geschatte jaarlijkse reductie.

#	Wachtrij / Prioriteit	Oorzaak	Geschatte besparing	Inspanning
1	CS / P3-Medium (34,1%)	Verkeerde routering — tickets moeten naar L1/L2	~2.900	Routeringsregel aanpassen
2	CS / P4-Laag (7,6%)	Geen wachtrij-eigenaar voor lage prioriteit in CS	~1.550	Eigenaarschap + escalatieregel
3	Merged Tickets / P3 (10,1%)	SLA-klok herstelt niet bij samenvoegen	~920	Autotask workflowfix
4	CS / P1-Kritisch (52,1%)	Geen P1-escalatie/waarschuwingsprotocol in CS	~500	P1-waarschuwingsregel + on-call beleid
5	Interne IT / P3 (17,0%)	Interne wachtrij niet bewaakt	~265	Wachtrij-eigenaar aanwijzen

Gecombineerd effect: Het aanpakken van punten 1–5 kan het aantal eerste reactie-overtredingen met circa 6.100 per jaar verminderen, van 31.796 naar ongeveer 25.700. Dat verschuift de algehele ER-naleving van 80,1% naar circa 85%, zonder extra personeel aan te nemen.

DAX-query tonen — Overtredingsreductiepotentieel (doel 65% ER-basis)

// Schatting: overtredingen boven een 65% ER-doelbasis
// = (0,65 × Tickets) - ER_Gehaald  →  indien positief: vermijdbare overtredingen
EVALUATE
ADDCOLUMNS(
    FILTER(
        ADDCOLUMNS(
            SUMMARIZECOLUMNS(
                'BI_Autotask_Tickets'[queue_name],
                'BI_Autotask_Tickets'[priority_name],
                "Tickets", COUNTROWS('BI_Autotask_Tickets'),
                "ER_Gehaald",
                    CALCULATE(
                        COUNTROWS('BI_Autotask_Tickets'),
                        'BI_Autotask_Tickets'[first_response_met] + 0 = 1
                    )
            ),
            "ER Percentage",
                DIVIDE([ER_Gehaald], [Tickets]) * 100,
            "Vermijdbaar bij 65%",
                MAX(0, INT(0.65 * [Tickets]) - [ER_Gehaald])
        ),
        [ER Percentage] < 65 && [Tickets] >= 50
    ),
    "Overtredingsaantal",
        [Tickets] - [ER_Gehaald]
)
ORDER BY [Vermijdbaar bij 65%] DESC

6.0 Kernconclusies

CS-wachtrij verbergt een routeringsprobleem op grote schaal

Centralized Services is verantwoordelijk voor circa 10.000 overtredingen over alle prioriteitsniveaus — bijna een derde van alle ER-overtredingen in de dataset. De overtredingspercentages (7,6% voor P4, 34,1% voor P3, 33,2% voor P2, 52,1% voor P1) zijn consistent slecht over alle prioriteiten. Dat patroon wijst op een structureel probleem: CS is ontworpen voor infrastructuurbeheer, niet voor tickettriage-reactie. Tickets die in CS belanden, hebben andere routeringsregels nodig.

P1-overtredingspercentages zijn reputatietechnisch het meest riskant

Klanten tolereren P4-vertragingen. P1-vertragingen zelden. CS P1-Kritisch op 52,1% (1.829 overtredingen), L2 P1-Kritisch op 57,8% (430), L1 P1-Kritisch op 14,3% (60), en Technical Alignment P1 op 12% (22) — dit zijn allemaal contractuele aansprakelijkheidsrisico's. Implementeer pager-achtige meldingen voor elk P1-ticket dat na 10 minuten nog niet is erkend.

Auto-bevestiging kan 30% van volume-gedreven overtredingen oplossen

L1 Support's 71% P4-Laag ER-percentage betekent dat 5.357 P4-tickets de eerste reactie niet haalden omdat geen mens op tijd reageerde. Een geautomatiseerde "Bedankt voor uw ticket, we nemen snel contact op" e-mail, ingesteld als Autotask-workflowregel, kan dat percentage naar bijna 100% brengen zonder technische betrokkenheid. Controleer eerst de documentatie van je PSA voor SLA eerste reactie triggervoorwaarden.

FAQ Veelgestelde vragen

Wat telt als een "vermijdbare" overtreding?

In deze analyse wordt een overtreding als vermijdbaar geclassificeerd wanneer het ER-percentage voor een wachtrij-prioriteitscombinatie onder de 40% ligt — een niveau waarbij het patroon consistent genoeg is om willekeurige overbelasting als oorzaak uit te sluiten. Volume-gedreven combinaties (ER-percentage boven 60% met hoog ticketaantal) worden geclassificeerd als capaciteitsproblemen, waarbij de enige betrouwbare oplossing meer personeel of automatisering is.

Waarom heeft Centralized Services zulke slechte SLA-percentages?

Zonder diepere toegang tot ticketnotities en routeringsgeschiedenis kunnen we dat niet met zekerheid zeggen. Het meest voorkomende patroon bij MSP's is dat een infrastructuur- of projectteam als fallback-routeringsbestemming wordt toegevoegd voor tickets die niet overeenkomen met andere wachtrijen. In de loop der tijd verzamelt zich een groot volume aan algemene supporttickets, en het team — gefocust op projectwerk — bewaakt die niet op dezelfde manier als een helpdeskteam. Het doorlichten van CS-triageregels en routeringslogica is de aanbevolen eerste stap.

Hoe betrouwbaar zijn de "Merged Tickets" SLA-gegevens?

Mogelijk niet volledig betrouwbaar. Wanneer tickets worden samengevoegd in Autotask, kan het veld first_response_met op het overgebleven ticket de oorspronkelijke aanmaaktijd weerspiegelen, niet de samenvoegingstijd. Dit verhoogt het overtredingsaantal kunstmatig. Voer eerst een steekproef uit: controleer 20 overtredende Merged Tickets en verifieer of een technicus daadwerkelijk niet heeft gereageerd, of dat de SLA-stempel simpelweg een data-artefact is van de samenvoegingsoperatie.

Kan auto-bevestiging werkelijk SLA eerste reactie vervullen?

Het hangt af van je klantcontracten en hoe Autotask is geconfigureerd. In veel PSA-instellingen kan een systeemgegenereerde notitie (zoals een automatische e-mailbevestiging die een notitie aan het ticket toevoegt) de eerste reactie SLA-timer vervullen. Controleer je SLA-definities in Autotask-instellingen en kijk of geautomatiseerde reacties worden meegeteld. Als dat zo is, is het instellen van een directe auto-bevestiging voor P4 en serviceverzoek-tickets een van de hoogste ROI-wijzigingen die beschikbaar zijn.

Wat is een realistisch ER-doel per prioriteitsniveau?

Branchebenchmarks variëren, maar gangbare doelen voor MSP's: P1-Kritisch 95%+, P2-Hoog 90%+, P3-Medium 80%+, P4-Laag en serviceverzoeken 70%+. Kijkend naar deze dataset benaderen de best presterende combinaties 80–95% over alle prioriteiten, wat aangeeft dat die doelen haalbaar zijn. De Recurring (Parked) wachtrij haalt 94,9% voor P4-Laag — wat aantoont dat het mogelijk is wanneer wachtrijdiscipline consistent is.

Voer deze analyse uit op jouw eigen data

Verbind jouw Autotask PSA met Power BI en zie welke SLA-overtredingen procesfouten zijn — en welke echte capaciteitslimieten weerspiegelen.

Ontdek Power BI voor MSP's

Genereer rapporten als deze vanuit je eigen data

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