Der Service-Desk-Leiter hat gerade zwei FTE für den 1st Level genehmigt bekommen. Drei Monate später: Die Durchlaufzeit ist gleich geblieben. Warum? Die neuen Mitarbeiter bearbeiten mehr Tickets: 453 pro Woche statt 380. Aber der Backlog wächst trotzdem: +100 pro Woche. Denn die Ping-Pong-Rate zwischen 1st Level und Netzwerk ist von 12% auf 18% gestiegen. Jedes zusätzliche Ticket, das L1 schneller anfasst, bounced schneller zurück. Das System absorbiert die Kapazität. Mehr Leute, gleiche Durchlaufzeit. Das ist kein Paradox. Das ist Physik.
Die Silo-Falle
Wenn ein Team langsam ist, liegt die naheliegendste Erklärung beim Team: zu wenig Leute, zu komplexe Tickets, zu viele Unterbrechungen. Die naheliegendste Lösung: mehr Leute, einfachere Tickets, weniger Unterbrechungen.
Manchmal stimmt das. Oft stimmt es nicht.
Ein Team, das 229 Tickets pro Woche empfängt und 92 abarbeitet, hat ein Kapazitätsproblem. Auf den ersten Blick. Aber warum empfängt es 229 Tickets? Kommen die alle von Endusern? Oder werden 40% von einem vorgelagerten Team weitergeleitet, das sie eigentlich selbst hätte lösen können? Sind es die richtigen Tickets, oder landen sie hier wegen einer pauschalen Routing-Regel?
Diese Fragen kann ein Team nicht beantworten. Es sieht seinen Eingang und seinen Ausgang. Es sieht nicht, warum der Eingang so hoch ist. Und es sieht nicht, was mit seinen Tickets passiert, nachdem es sie weitergeleitet hat.
Das ist die Silo-Falle: Jedes Team optimiert seinen Ausschnitt. Und niemand sieht das Ganze.
Stock und Flow: Die Sprache der Systeme
Jede Bearbeitungsrolle in einem Service Desk ist ein Bestand, ein Stock, mit Zufluss (Inflow) und Abfluss (Outflow). Das ist keine Metapher. Das ist messbar.
Wenn der Inflow größer ist als der Outflow, wächst der Bestand. Tickets stauen sich. Die Durchlaufzeit steigt. Das ist keine Meinung, das ist Arithmetik. Und es ist von außen nicht sichtbar, wenn man nur Durchlaufzeiten pro Team misst.
Ein Team kann eine exzellente Durchlaufzeit haben und trotzdem ein Systemproblem verursachen. Nämlich dann, wenn es Tickets schnell weiterleitet statt sie zu lösen. Im Team-Dashboard sieht es vorbildlich aus. Im Gesamtsystem ist es der Grund für den Stau beim nächsten Team.
Eine Flow-Tabelle zeigt, was Team-Dashboards verschweigen
Schreibt man für jede Rolle Inflow und Outflow pro Woche nebeneinander, entsteht ein anderes Bild. Ein typisches Muster in vier Rollen:
SAP Basis (L2): Pro Woche kommen gut doppelt so viele Tickets rein wie raus. Das ist kein schlechtes Quartal. Das ist ein strukturelles Ungleichgewicht.
1st Level Support: Die Verweildauer ist niedrig, L1 arbeitet schnell. Aber ein Teil der Tickets wird weitergeleitet und landet bei SAP Basis, bei IAM, bei Infrastructure. Dort trägt er zum Stau bei.
Identity & Access Mgmt (L2): Kein auffälliger Einzelwert. Aber der Outflow ist weniger als die Hälfte des Inflows. Der Backlog wächst Woche für Woche.
SAP Development (L3): Kaum Outflow. Was hier ankommt, bleibt liegen. Und woher kommt der Inflow? Überwiegend von SAP Basis. Also von dem Team, das selbst schon staut.
Der Kaskadeneffekt
Das ist der Punkt, an dem Silo-Denken scheitert. SAP Basis staut → die Tickets, die SAP Basis an SAP Development weiterleitet, kommen verzögert an → SAP Development staut → die Rückmeldungen an SAP Basis verzögern sich → SAP Basis staut noch mehr.
Diesen Kreislauf sieht kein Team-Dashboard. Er zeigt sich nur, wenn man den Flow über Rollengrenzen hinweg betrachtet. Legt man die Wochenverläufe von SAP Basis und Identity Management übereinander, laufen sie oft im Gleichschritt.
Das bedeutet: Wer IAM-Kapazität aufbaut, ohne den SAP-Basis-Stau zu lösen, baut Kapazität auf, die sofort wieder aufgefressen wird. Die Tickets kommen weiterhin schneller rein als raus. Sie kommen nur von einer anderen Quelle.
Warum mehr Leute oft nicht hilft
Die intuitive Reaktion auf einen Engpass: Kapazität erhöhen. Mehr Mitarbeiter, mehr Budget, mehr Schichten. Manchmal ist das richtig. Aber in einem vernetzten System kann Kapazität an der falschen Stelle das Problem verschärfen.
Ein typisches Beispiel: 1st Level Support bearbeitet rund 450 Tickets pro Woche bei kurzer Verweildauer. Schnell. Aber 9 % der Tickets werden weitergeleitet. Sie gehen an ein anderes Team und kommen zurück oder werden dorthin weitergeleitet, wo sie nicht hingehören. Wenn man L1 schneller macht (mehr Leute), bearbeitet L1 mehr Tickets pro Woche. Aber der Re-Routing-Anteil bleibt bei 9%. Also kommen auch mehr falsch geroutete Tickets bei den nachgelagerten Teams an. Schneller. In größerer Menge.
Das System absorbiert die zusätzliche Kapazität, ohne dass sich die Durchlaufzeit verbessert. Erst wenn der Re-Routing-Anteil sinkt, fließt die Kapazität dahin, wo sie wirkt. Die Stellschrauben dafür: bessere Kategorisierung, klarere Eskalationsregeln, Schulung.
Was du morgen tun kannst
Bevor du Kapazität aufbaust, beantworte drei Fragen:
Wohin fließen die Tickets? Nicht "Wie viele Tickets hat Team X?", sondern "Woher kommen sie und wohin gehen sie?" Ein einfaches Inflow/Outflow-Diagramm pro Team zeigt dir in zehn Minuten mehr als ein monatlicher KPI-Report.
Wo staut es sich? Suche nach Teams, bei denen Woche für Woche deutlich mehr reinkommt als rausgeht. Dort wächst der Backlog strukturell. Nicht weil das Team schlecht arbeitet, sondern weil mehr reinkommt als rausgeht.
Ist der Stau Auslöser oder Symptom? Wenn ein Team staut, weil ein vorgelagertes Team falsch routet, löst Kapazität beim stauenden Team das Problem nicht. Der Auslöser liegt eine Station früher.
Drei Fragen, ein anderer Blick. Process Radar zeigt die Stelle. Die Gründe klären die Menschen dort. Wie das bei einer Übergabe aussieht, zeigt die Geschichte Übergaben zwischen Teams.
Dieses Thema vertiefen: Cross-Team-Abhängigkeiten sichtbar machen: Wenn Engpässe wandern
Wo steht das bei dir?
Der Beispielbericht zeigt drei Stellen am fiktiven Service Desk Hopfencraft: mit Zahl, Vergleich und der Frage an die Menschen dort.
Beispielbericht ansehenEine geschäftliche E-Mail-Adresse genügt.