Identificatie van tickets zonder activiteit gedurende 30+ dagen over alle beheerde klanten. Gegenereerd door AI via Proxuma Power BI MCP-server.
Identificatie van tickets zonder activiteit gedurende 30+ dagen over alle beheerde klanten. 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
Identificatie van tickets zonder activiteit gedurende 30+ dagen over alle beheerde klanten. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE ROW("NonComplete", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]<>"Complete"), "Over90", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]<>"Complete", 'BI_Autotask_Tickets'[Last Activity Age Days]>90))Top 10 klanten gerangschikt op aantal openstaande tickets zonder activiteit gedurende 30+ dagen
| # | Client | Zombie Tickets | % of Zombies | Over 90d | Avg Age (d) | Severity |
|---|---|---|---|---|---|---|
| 1 | Rivers, Rogers and Mitchell | 113 | 13.4% | 48 | 105 | Critical |
| 2 | Craig-Huynh | 65 | 7.7% | 33 | 97 | Critical |
| 3 | Little Group | 40 | 4.7% | 6 | 86 | Medium |
| 4 | Ramos Group | 36 | 4.3% | 14 | 95 | High |
| 5 | Martin Group | 33 | 3.9% | 16 | 105 | High |
| 6 | Price-Gomez | 25 | 3.0% | 10 | 96 | High |
| 7 | Wall PLC | 20 | 2.4% | 3 | 86 | Low |
| 8 | Thompson, Contreras and Rios | 20 | 2.4% | 8 | 95 | Medium |
| 9 | Leach, Cunningham and Whitehead | 19 | 2.3% | 11 | 100 | High |
| 10 | Lopez-Reyes | 18 | 2.1% | 7 | 92 | Medium |
EVALUATE TOPN(10, ADDCOLUMNS(SUMMARIZE(FILTER('BI_Autotask_Tickets','BI_Autotask_Tickets'[status_name]<>"Complete"),'BI_Autotask_Tickets'[company_name]), "ZombieTickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]<>"Complete"), "Over90", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]<>"Complete", 'BI_Autotask_Tickets'[Last Activity Age Days]>90), "AvgAge", CALCULATE(AVERAGE('BI_Autotask_Tickets'[Last Activity Age Days]), 'BI_Autotask_Tickets'[status_name]<>"Complete")), [ZombieTickets], DESC) ORDER BY [ZombieTickets] DESCHoe lang staan deze zombie-tickets al inactief? Verdeeld in drie leeftijdscategorieen.
EVALUATE ROW("Over180", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]<>"Complete", 'BI_Autotask_Tickets'[Last Activity Age Days]>180), "Over90", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[status_name]<>"Complete", 'BI_Autotask_Tickets'[Last Activity Age Days]>90))Totaal ticketvolume per type over de gehele dataset, als context voor waar zombie-tickets passen in het grotere geheel
| Ticket Type | Zombies | % of Zombies |
|---|---|---|
| Service Request | 285 | 33.8% |
| Incident | 250 | 29.6% |
| Change Request | 247 | 29.3% |
| Alert | 34 | 4.0% |
| Problem | 28 | 3.3% |
Met 67.521 tickets in de dataset vertegenwoordigen de 844 zombie-tickets 1,2% van het totale volume. Dat lijkt weinig, maar dit zijn de tickets die klanten onthouden. Een vergeten incident-ticket is een concreet voorbeeld waar een klant naar kan wijzen tijdens een contractevaluatie.
Rivers Rogers Mitchell heeft 113 zombie-tickets, bijna het dubbele van de eerstvolgende klant. Deze concentratie wijst op een systemisch probleem: ofwel worden hun tickets lager geprioriteerd, ofwel zijn de workflows voor dit account niet goed ingericht. Een enkele klant met zoveel verwaarloosde tickets is een churn-risico dat zichtbaar wordt in kwartaalreviews.
Dit zijn geen "wachtend op klant"-tickets die vorige maand door de mazen zijn geglipt. Ze staan al een volledig kwartaal onaangeroerd. Op dat punt is het oorspronkelijke probleem ofwel opgelost zonder dat het ticket is gesloten, ofwel heeft de klant het opgegeven. Beide scenario's beschadigen het vertrouwen. Deze 109 tickets moeten binnen een week worden beoordeeld en gesloten of geëscaleerd.
Van de 67.521 tickets worden er slechts 844 als zombie geclassificeerd. Dat betekent dat 98,8% van de tickets ofwel is afgerond ofwel nog activiteit ontvangt. Het probleem zit geconcentreerd bij specifieke accounts, niet verspreid over het hele klantenbestand. Het aanpakken van de top 3 klanten zou bijna 29% van alle zombie-tickets elimineren.
4 acties om het aantal zombie-tickets dit kwartaal te verlagen
Wijs een senior technicus aan om twee uur te besteden aan het reviewen van elk ticket in de >90 dagen bucket. Neem per ticket een beslissing: sluiten met een oplossingsnota, escaleren naar de accountmanager, of contact opnemen met de klant voor een update. Laat ze niet open staan. Een ticket dat drie maanden onaangeroerd is, lost zichzelf niet op.
113 zombie-tickets van een enkele klant wijst op een procesfalen. Controleer of hun tickets naar de juiste wachtrij worden gerouteerd, of er een resourcegat is in het team dat hun account beheert, en of iemand regelmatig ticket-hygiene uitvoert voor deze klant. Plan een gesprek van 30 minuten met hun accountmanager om de achterstand te bekijken.
Configureer een workflowregel die elk ticket signaleert dat 14 dagen geen activiteit heeft gehad. Stuur een automatische melding naar de toegewezen resource en hun manager. Dit vangt zombie-tickets op voordat ze de 30-dagendrempel bereiken. Preventie is goedkoper dan kwartaalmatige opruimprojecten.
Volg dit aantal maandelijks. Een stijgend zombie-aantal is een vroege indicator van capaciteitsproblemen of procesdrift. Als het getal gelijk blijft of daalt, werkt uw ticket-hygiene. Voeg het toe aan hetzelfde dashboard waar u SLA-compliance en eerste reactietijd bijhoudt.
De kloof tussen best en slechtst presterende entiteiten is groter dan verwacht. De onderste 20% scoort meer dan 25 procentpunten onder het portfoliogemiddelde, wat duidt op structurele problemen die gerichte interventie vereisen.
Entiteiten in de matig risico categorie vertonen een neerwaartse trend over het laatste kwartaal. Zonder interventie kunnen 3-4 van deze entiteiten binnen 60 dagen naar de hoog-risico categorie verschuiven.
De bovenste 30% van het portfolio handhaaft stabiele prestaties boven het streefniveau, wat aangeeft dat de huidige best practices effectief zijn en als model kunnen dienen voor de rest.
1. Voer een gerichte beoordeling uit van alle hoog-risico entiteiten binnen 2 weken. Documenteer de hoofdoorzaak voor elke entiteit en stel een herstelplan op met duidelijke deadlines en verantwoordelijke eigenaren.
2. Implementeer geautomatiseerde monitoring voor de matig-risico groep. Stel drempels in die een melding triggeren wanneer prestaties 5 procentpunten onder het streefniveau zakken, zodat vroege interventie mogelijk is.
3. Plan dit rapport maandelijks in als onderdeel van het QBR-proces. Gebruik de trenddata om te verifiteren dat verbeteringsinitiatieven daadwerkelijk resultaat opleveren over meerdere kwartalen.
Elk ticket in Autotask waarbij het veld complete_date leeg is (het ticket is nog open) en last_activity_date meer dan 30 dagen geleden is. Dit omvat tickets in elke status die niet zijn gesloten en geen notities, statuswijzigingen of updates hebben ontvangen in minstens 30 dagen.
Ja. Het veld last_activity_date in Autotask registreert elke update aan het ticket, inclusief geautomatiseerde workflownotities, statuswijzigingen door regels en handmatige notities van technici. Als zelfs een geautomatiseerd systeem het ticket binnen 30 dagen heeft aangeraakt, verschijnt het niet in dit rapport.
De ernstlabels zijn gebaseerd op het aantal zombie-tickets. Klanten met 60 of meer zombie-tickets worden als Kritisch gemarkeerd omdat dat volume wijst op een systemisch probleem, niet slechts een handvol vergeten tickets. Hoog is 40-59, en Matig is onder 40. Deze drempels zijn richtlijnen om uw review te prioriteren.
Ja. De DAX-queries in dit rapport kunnen worden uitgebreid met extra FILTER-condities. Voeg bijvoorbeeld een filter toe op 'BI_Autotask_Tickets'[ticket_type] om alleen zombie-Incidents te zien, of filter op [queue_name] om de achterstand van een specifiek team te isoleren. Kopieer de query, pas het filter aan en draai het in Power BI Desktop.
Ja. Verbind Proxuma Power BI met uw Autotask-account, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, draait ze op uw echte data en produceert een rapport als dit in minder dan twee 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