Unter den Durchschnitten — warum gute IT-KPIs täuschen

Ihr SLA liegt bei 92 Prozent. Herzlichen Glückwunsch. Aber wissen Sie, was dieser Durchschnitt versteckt?

In einer typischen IT-Organisation mit 40 Ticket-Kategorien bedeutet 92 Prozent SLA-Erfüllung nicht, dass alles 92-prozentig funktioniert. Es bedeutet, dass die meisten Kategorien überdurchschnittlich gut performen — und einige wenige deutlich unter dem Schnitt liegen. Der Durchschnitt verdeckt beides.

Das Problem ist nicht die 92. Das Problem ist, was unter der 92 liegt.

Was der Durchschnitt wirklich sagt

Ein SLA-Durchschnitt von 92 Prozent über 40 Kategorien kann viele Dinge bedeuten. Zwei Beispiele:

Szenario A: Alle 40 Kategorien liegen zwischen 89 und 95 Prozent. Gleichmäßige Performance, kaum Ausreißer. Der Durchschnitt bildet die Realität gut ab.

Szenario B: 35 Kategorien liegen zwischen 94 und 98 Prozent. 5 Kategorien liegen zwischen 55 und 72 Prozent. Der Durchschnitt ist derselbe — 92 Prozent — aber die Realität ist fundamental anders.

In Szenario B kommen die Beschwerden aus den 5 Unterperfomern. Der VP IT schaut auf die 92 und sagt: "Läuft doch." Der Fachbereich, der in Kategorie 37 steckt, erlebt 55 Prozent — und versteht nicht, warum niemand handelt.

Der Durchschnitt ist nicht falsch. Er ist nur nicht präzise genug für Entscheidungen.

Warum Durchschnitte in der IT besonders trügerisch sind

IT-Ticket-Daten haben eine Eigenschaft, die Durchschnitte besonders problematisch macht: Die Verteilung ist stark ungleichmäßig.

Volumengewichtung

Wenn Kategorie A (Passwort-Resets) 800 Tickets pro Monat hat und bei 98 Prozent SLA liegt, drückt sie den Durchschnitt nach oben. Kategorie B (SAP-Berechtigungsänderungen) hat 120 Tickets und liegt bei 62 Prozent — aber ihr Gewicht im Durchschnitt ist gering. Die 800 Passwort-Resets dominieren die Statistik.

Das ist mathematisch korrekt. Aber für den Fachbereich, der SAP-Berechtigungsänderungen braucht, ist es irrelevant, dass Passwort-Resets schnell gehen.

Saisonale Verschiebungen

Manche Kategorien haben saisonale Spitzen: Quartalsende, Jahresabschluss, Onboarding-Wellen. In den ruhigen Monaten performt die Kategorie bei 95 Prozent und hebt den Durchschnitt. In den Spitzenmonaten fällt sie auf 60 Prozent — wird aber vom Jahresschnitt verdeckt.

Standortunterschiede

Eine Organisation mit mehreren Standorten hat oft unterschiedliche Performance-Profile. Standort A mit 70 Prozent des Volumens performt bei 96 Prozent. Standort B mit 30 Prozent des Volumens performt bei 78 Prozent. Der Gesamtschnitt: 90 Prozent. Niemand am Standort B würde dem zustimmen.

Von 80 auf 85 Prozent — warum marginale Verbesserung der falsche Ansatz ist

Wenn der VP IT das Ziel bekommt, die SLA-Erfüllung von 90 auf 95 Prozent zu steigern, liegt der intuitive Ansatz nahe: Alles ein bisschen besser machen. Schnellere Erstreaktion, kürzere Bearbeitungszeit, besseres Routing — breit gestreut über alle Kategorien.

Das Problem: Marginale Verbesserung bei gut performenden Kategorien ist teuer und bringt wenig. Von 96 auf 97 Prozent zu kommen erfordert überproportional viel Aufwand — und der Effekt auf den Gesamtschnitt ist minimal.

Der effektivere Ansatz: Die Kategorien identifizieren, die bei 60 bis 70 Prozent liegen, und dort gezielt investieren. Von 62 auf 82 Prozent zu kommen ist oft einfacher als von 96 auf 97 — und der Effekt auf den Gesamtschnitt ist größer.

Das ist keine Theorie. Es ist Arithmetik. Wenn 5 Kategorien mit je 150 Tickets bei 65 Prozent SLA liegen und auf 85 Prozent gehoben werden, ist das eine Verbesserung bei 750 Tickets um 20 Prozentpunkte. Wenn 30 Kategorien mit je 200 Tickets bei 96 Prozent SLA liegen und auf 97 Prozent gehoben werden, ist das eine Verbesserung bei 6.000 Tickets um 1 Prozentpunkt. Der absolute Effekt der ersten Maßnahme ist größer — bei einem Bruchteil des Aufwands.

Die drei Fragen, die der Durchschnitt nicht beantwortet

1. Wo konzentriert sich das Problem?

Der Durchschnitt sagt "8 Prozent der Tickets brechen SLA." Er sagt nicht: "Diese 8 Prozent verteilen sich auf 3 von 40 Kategorien." Wenn das Problem konzentriert ist, ist es adressierbar. Wenn es gleichmäßig verteilt ist, braucht es eine andere Strategie. Diese Unterscheidung ist für die Maßnahmenplanung entscheidend — und der Durchschnitt liefert sie nicht.

2. Wie groß ist der Hebel?

Nicht jede unterperfomende Kategorie hat den gleichen Hebel. Eine Kategorie mit 50 Tickets und 60 Prozent SLA hat weniger Impact als eine mit 300 Tickets und 72 Prozent SLA. Der Hebel ergibt sich aus der Kombination von Volumen und Abweichung — und genau diese Kombination zeigt kein Standard-Report.

3. Was verursacht die Unterperformance?

Liegt es an der Bearbeitungszeit? An der Wartezeit? Am Routing? An der Komplexität der Tickets? Jede Ursache erfordert eine andere Maßnahme. Wenn die Unterperformance durch Wartezeit entsteht, hilft schnellere Bearbeitung nicht. Wenn sie durch falsches Routing entsteht, hilft mehr Personal nicht. Die Diagnose muss tiefer gehen als die Kennzahl.

Ein Praxis-Szenario

Ein IT-Leiter berichtet an den Vorstand: SLA-Erfüllung 91 Prozent, Trend stabil, keine Auffälligkeiten. Gleichzeitig häufen sich Beschwerden aus dem Finanzbereich: Änderungen an Finanzapplikationen dauern systematisch länger als zugesagt.

Die Analyse auf Kategorieebene zeigt: Von 38 Ticket-Kategorien liegen 33 zwischen 92 und 98 Prozent SLA. Drei Kategorien — alle im Finanzbereich — liegen zwischen 61 und 68 Prozent. Zwei weitere Kategorien am Standort München liegen bei 74 und 77 Prozent.

Das Bild ändert sich fundamental. Statt "91 Prozent, alles in Ordnung" heißt es jetzt: "91 Prozent Durchschnitt, aber 5 Kategorien mit systematischer Unterperformance und zusammen 380 betroffenen Tickets pro Monat."

Die Treiber-Analyse zeigt: Die drei Finanzkategorien durchlaufen eine zusätzliche Freigabeschleife, die bei anderen Kategorien nicht existiert. Diese Schleife fügt im Median 4 Tage Wartezeit hinzu. Die Münchener Kategorien haben ein Routing-Problem: Tickets werden zunächst einem Team zugewiesen, das sie nicht bearbeiten kann, und erst nach 2 Tagen an das richtige Team weitergeleitet.

Die Maßnahmen sind unterschiedlich: Für die Finanzkategorien wird die Freigabeschleife vereinfacht. Für München wird das Routing korrigiert. Beide Maßnahmen kosten wenig — aber sie adressieren die tatsächlichen Hebel statt den Durchschnitt.

Wie man unter den Durchschnitt schaut

Drei Schritte, um die Hebel unter den Durchschnitten zu finden:

Schritt 1: Granularität erhöhen. Statt SLA-Erfüllung pro Organisation die SLA-Erfüllung pro Kategorie, pro Standort, pro Team messen. Die meisten ITSM-Tools können das — es wird nur selten gemacht, weil die Auswertung aufwendig ist.

Schritt 2: Ausreißer quantifizieren. Nicht nur "Welche Kategorien liegen unter 80 Prozent?" sondern "Wie viele Tickets sind betroffen und wie groß ist die Abweichung?" Eine Kategorie mit 300 Tickets und 20 Prozentpunkten Abweichung hat einen größeren Hebel als eine mit 30 Tickets und 35 Prozentpunkten.

Schritt 3: Ursachen differenzieren. Für jede unterperfomende Kategorie: Liegt es an Bearbeitungszeit, Wartezeit, Routing oder Komplexität? Jede Ursache erfordert eine andere Maßnahme. Ohne diese Differenzierung bleibt jede Maßnahme ein Schuss ins Blaue.

Warum der größte Hebel selten dort liegt, wo man zuerst hinschaut

IT-Leiter schauen zuerst auf Volumen. Die Kategorie mit den meisten Tickets bekommt die meiste Aufmerksamkeit. Aber die volumestärksten Kategorien sind oft die, die am besten optimiert sind — eben weil sie die meiste Aufmerksamkeit bekommen.

Die Kategorien mit dem größten Hebel sind oft die mit mittlerem Volumen und deutlicher Unterperformance. Sie fliegen unter dem Radar der Volumen-basierten Reports — aber dort konzentriert sich ein überproportionaler Anteil der vermeidbaren Bearbeitungszeit.

Den größten Hebel zu finden ist keine Frage der Intuition. Es ist eine Frage der richtigen Analyse — und diese Analyse beginnt damit, unter den Durchschnitt zu schauen.

Process Radar macht genau diese Stellen sichtbar. Testen Sie es mit Ihren eigenen Daten.

Häufig gestellte Fragen

Warum täuschen gute SLA-Durchschnitte? Weil der Durchschnitt die Verteilung verdeckt. Eine Gesamt-SLA-Erfüllung von 92 Prozent kann bedeuten, dass alle Kategorien bei 90 bis 94 Prozent liegen — oder dass die meisten bei 96 Prozent liegen und einige wenige bei 60 Prozent. Die Beschwerden kommen aus den unterperfomenden Kategorien, aber der Durchschnitt zeigt sie nicht.

Wie findet man die Kategorien mit dem größten Verbesserungshebel? Durch die Kombination von zwei Metriken: Abweichung vom Durchschnitt und Ticketvolumen. Eine Kategorie mit 300 Tickets und 25 Prozentpunkten unter dem Schnitt hat einen größeren Hebel als eine mit 30 Tickets und 40 Prozentpunkten. Der Hebel ergibt sich aus dem Produkt — nicht aus der Abweichung allein.

Was ist der Unterschied zwischen marginaler Verbesserung und Hebel-Optimierung? Marginale Verbesserung versucht, alle Kategorien gleichmäßig zu verbessern — etwa von 92 auf 93 Prozent. Das ist teuer und bringt wenig. Hebel-Optimierung identifiziert die 3 bis 5 Kategorien mit der größten Abweichung und investiert gezielt dort. Der Effekt auf den Gesamtschnitt ist größer, der Aufwand geringer, und die Beschwerden hören dort auf, wo sie tatsächlich herkommen.