> Jede IT-Organisation hat Ticket-Daten. Die wenigsten nutzen sie für mehr als Durchschnitte. Welche drei Blindstellen eine echte Ticket-Analyse aufdeckt.

_2026-04-12 · 5 min read_

# ITSM-Ticket-Analyse: Was deine Daten verraten – wenn du richtig hinschaust

Jede IT-Organisation sitzt auf Ticket-Daten. Tausende Datensätze pro Monat. Die meisten nutzen sie für drei Kennzahlen: MTTR, SLA-Quote, Ticketvolumen. Was dabei unsichtbar bleibt: die Muster unter der Oberfläche. Eine echte ITSM-Ticket-Analyse zeigt nicht Durchschnitte. Sie zeigt Verteilungen, Pfade und Kombinationen. Dort liegen die Blindstellen.

## Standard-Reports zeigen die Oberfläche

Der IT-Leiter öffnet sein Dashboard. MTTR bei 4,2 Stunden. SLA-Quote bei 92 Prozent. Ticketvolumen stabil. Alles grün. Trotzdem beschwert sich der Fachbereich. Regelmäßig, immer lauter.

Das Problem: Die 92 Prozent SLA-Quote ist ein Durchschnitt über 40 Kategorien. 35 davon liegen bei 95 Prozent oder höher. 3 Kategorien stehen bei 65 Prozent. Der Durchschnitt glättet die Ausreißer weg. Die MTTR von 4,2 Stunden verbirgt, dass Netzwerk-Tickets im Schnitt 11 Stunden brauchen. Passwort-Resets drücken den Wert nach unten.

Aggregierte Kennzahlen beantworten die Frage „Wie läuft es insgesamt?". Sie beantworten nicht die Frage „Wo genau läuft es nicht?". Der IT-Leiter sieht grüne Ampeln. Der Fachbereich erlebt rote Realität. Beide haben aus ihrer Perspektive recht. Die Blindstelle liegt nicht bei den Menschen. Sie liegt in der Art, wie die Daten aufbereitet werden.

## Drei Blindstellen in typischen Ticket-Daten

Die Daten existieren. Das ist nicht das Problem. Das Problem: Standard-Dashboards stellen die falschen Fragen. Drei Blindstellen tauchen in fast jeder IT-Organisation auf.

### Die Verteilungs-Blindstelle

Durchschnitte verdecken Cluster. In einer typischen ITSM-Umgebung verursachen 10 Prozent der Tickets 60 Prozent der Bearbeitungszeit. Diese 10 Prozent verteilen sich nicht gleichmäßig. Sie konzentrieren sich auf bestimmte Kategorie-Standort-Kombinationen. Ein Beispiel: SAP-Berechtigungsänderungen am Standort München brauchen typischerweise 6 Tage. Derselbe Ticket-Typ in Hamburg: 1,5 Tage. Der Gesamtschnitt zeigt 3 Tage. Beide Standorte verschwinden hinter der Zahl.

Wer nur Durchschnitte liest, übersieht die Stellen, an denen sich Arbeit staut. Die Verteilung zeigt den Ansatzpunkt. Der Durchschnitt versteckt ihn.

### Die Pfad-Blindstelle

Standard-Dashboards zeigen Status: offen, in Bearbeitung, gelöst. Sie zeigen nicht den Weg dorthin. Wer hatte das Ticket wann? Wie oft wurde es weitergeleitet? Wie lange lag es zwischen zwei Zuweisungen still?

In gemessenen Daten durchlaufen 21 Prozent aller Tickets drei oder mehr Zuweisungen. Deren typische Durchlaufzeit liegt bei 75 Stunden. Direkt bearbeitete Tickets: 4 Stunden. Faktor 19. Kein ITSM-Dashboard zeigt diesen Faktor. Weil kein Standard-Report den Ticket-Pfad über alle Teams hinweg abbildet. Die zweite Blindstelle.

### Die Kategorie-Blindstelle

Welche Kategorie-Team-Kombination produziert die höchsten Durchlaufzeiten? Diese Frage stellt kein Standard-Report. Und doch steckt genau hier oft der Ansatzpunkt.

Ein Beispiel: Das Team „Application Support" bearbeitet 12 Ticket-Kategorien. Bei 10 davon liegt die Durchlaufzeit unter 8 Stunden. Bei Kategorie „ERP-Customizing" bei 48 Stunden. Bei „Schnittstellen-Fehler" bei 36 Stunden. Der Team-Durchschnitt: 14 Stunden. Sieht unauffällig aus. Zwei Kategorien sind es nicht.

Diese Kombinations-Blindstelle entsteht, weil ITSM-Tools nach Team oder nach Kategorie filtern. Nicht nach beidem gleichzeitig. Die Kreuzung bleibt unsichtbar.

## Warum Excel und BI-Tools nicht reichen

Der naheliegende Reflex: Export nach Excel. Pivot-Tabelle. Fertig.

Excel zeigt Aggregate. Summen, Durchschnitte, Kreuztabellen. Das hilft bei der Verteilungs-Blindstelle. Teilweise. Es hilft nicht bei Ticket-Pfaden. Dafür müsste der IT-Leiter die Ticket-Historie Zeile für Zeile durchgehen. Bei 5.000 Tickets pro Monat keine Option.

BI-Tools wie Power BI oder Tableau sind besser. Sie visualisieren Verteilungen, filtern interaktiv, zeigen Trends. Aber sie haben eine Grenze: Sie zeigen, was gefragt wird. Der IT-Leiter muss wissen, wonach er sucht. Wer fragt nach der dritten Übergabe eines Netzwerk-Tickets um 16 Uhr freitags? Niemand. Weil niemand weiß, dass dieses Muster existiert.

BI-Tools sind Antwortmaschinen. Für die drei Blindstellen braucht es eine Fragemaschine. Ein Werkzeug, das Stellen zeigt, nach denen niemand gefragt hätte. Nicht die offensichtlichen. Die versteckten.

## Eine ITSM-Ticket-Analyse, die Muster findet

Eine echte Ticket-Analyse stellt andere Fragen als ein Dashboard. Drei Fragen trennen Oberfläche von Substanz.

**Welche Rolle staut?** Nicht: Welches Team ist langsam? Sondern: Welche Rolle im Prozess hat systematisch längere Verweildauern als vergleichbare Rollen? Die Unterscheidung ist wichtig. „Team ist langsam" klingt nach Schuld. „Rolle staut" beschreibt eine Struktur. Ein IT-Leiter, der mit Strukturbefunden in ein Gespräch geht, führt eine andere Konversation als einer mit Schuldzuweisungen.

**Welche Kategorie-Rolle-Kombination ist auffällig?** Eine Rolle kann bei 90 Prozent der Kategorien performant sein. Bei einer Kategorie nicht. Diese eine Kategorie erklärt vielleicht 40 Prozent der Gesamtabweichung. Der Durchschnitt der Rolle sieht trotzdem gut aus. Die Kombination zeigt die Blindstelle.

**Wo entstehen Routing-Schleifen?** Tickets, die zwischen zwei Rollen hin- und herwandern, erzeugen Reibung. Nicht weil die Teams versagen. Weil die [Zuständigkeitsregeln unklar](/themen/ticket-routing-optimieren) sind. Ein Ticket, das dreimal weitergeleitet wird, hat dreimal Einlesezeit, dreimal Bewertungszeit, dreimal Wartezeit. Die eigentliche Bearbeitung bleibt gleich. Die Reibung nicht.

## So startest du eine Ticket-Analyse

Die Daten liegen im ITSM-System. Die meisten Organisationen exportieren sie nie. Oder nur als Monatsbericht mit Durchschnitten. Der erste Schritt zu einer echten Analyse ist ein anderer Blick auf dieselben Daten. Wie eine solche Stelle aussieht, zeigt die Geschichte [Standortvergleich im Service Desk](/szenarien/standortvergleich-service-desk).

Process Radar arbeitet mit einem Export aus deinem ITSM: Tickets und Ticket-Historie. Keine BI-Konfiguration, keine Pivot-Tabellen. Process Radar vergleicht Gleiches mit Gleichem und zeigt nur Unterschiede, die mehrfach validiert sind. Mit Zahlen, nicht mit Ampelfarben.

Am fiktiven Beispiel-Service-Desk Hopfencraft (fiktiv) sieht eine solche Stelle so aus: Die Rolle Field Service & Anlagentechnik liegt üblich bei 4,5 Stunden. In der Abfüllung Cottbus (34 Vorgänge) sind es 30 Stunden, in der Brauerei München (57) 3,2 Stunden. Die Frage an Cottbus: Was ist bei euch anders?

Das sind die Blindstellen, die in [aggregierten Kennzahlen](/themen/itsm-kennzahlen-richtig-lesen) unsichtbar bleiben. Die Stellen, an denen Menschen und System nicht zusammenpassen – nicht aus Versagen, sondern aus Struktur. Die Gründe klären die Menschen dort.

Wie das Ergebnis aussieht, zeigt der [Beispielbericht](/beispielbericht?geschichte=standort).

---

*Dieses Thema vertiefen: [ITSM-Kennzahlen richtig lesen: Was unter der Oberfläche liegt](/themen/itsm-kennzahlen-richtig-lesen)*
