Die durchschnittliche Ticketlaufzeit liegt bei 14 Stunden – aber manche Tickets brauchen Tage. Der Durchschnitt verbirgt die Verteilung, und die Verteilung verbirgt die Ursachen. Dieser Artikel beschreibt die fünf häufigsten strukturellen Gründe für lange Ticketlaufzeiten – und warum sie in Standard-Dashboards unsichtbar bleiben.
1. Routing-Schleifen: Tickets pendeln zwischen Teams
Ein Ticket kommt beim Service Desk an. Der Agent erkennt: “Nicht mein Bereich” und leitet an Team B weiter. Team B sieht es genauso und schickt es zurück – oder an Team C. Das Ticket kreist durch die Organisation, bis jemand es trotzdem bearbeitet oder es eskaliert wird.
In typischen Analysen zeigt sich: Tickets mit mehr als zwei Zuweisungen haben eine vielfach höhere Durchlaufzeit als direkt bearbeitete Tickets. Die eigentliche Bearbeitungszeit ist gering – die Zeit geht durch Warten und Weiterleiten verloren.
Ursache: Unklare Zuständigkeiten für bestimmte Ticket-Kategorien. Oft betrifft es nur wenige Kategorie-Team-Kombinationen, die aber einen überproportionalen Anteil der Gesamtdurchlaufzeit ausmachen.
2. Wartezeit-Dominanz: Niemand arbeitet am Ticket
Ein Ticket hat eine Durchlaufzeit von 24 Stunden. Klingt nach einem komplexen Problem. Aber bei genauerer Betrachtung: Die reine Bearbeitungszeit beträgt 2 Stunden. 22 Stunden lag das Ticket in einer Queue – niemand hat es angefasst.
Standard-Dashboards zeigen die Gesamtdurchlaufzeit. Sie unterscheiden nicht zwischen aktiver Bearbeitung und Wartezeit. Dadurch wird ein Kapazitätsproblem suggeriert, das in Wirklichkeit ein Priorisierungsproblem ist.
Ursache: Fehlende Queue-Priorisierung, ungünstige Schichtübergaben oder zu viele offene Tickets pro Agent, sodass neue Tickets liegen bleiben.
3. Kapazitätsengpässe bei bestimmten Kategorien
Nicht alle Ticket-Kategorien sind gleich verteilt. Manche Kategorien landen bei nur einem oder zwei Spezialisten – und wenn deren Kapazität erschöpft ist, staut es sich. Andere Kategorien verteilen sich auf ein großes Team und werden schnell abgearbeitet.
Der Durchschnitt über alle Kategorien verbirgt diesen Engpass. Die Gesamtdurchlaufzeit liegt im grünen Bereich, aber in einer bestimmten Kategorie warten Tickets tagelang.
Ursache: Ungleiche Verteilung von Spezialwissen. Nicht zu wenig Kapazität insgesamt, sondern zu wenig Kapazität für bestimmte Themen.
4. Kaskadeneffekte zwischen Teams
Team A arbeitet schnell: Tickets werden in 2 Stunden bearbeitet oder weitergeleitet. SLA sieht gut aus. Aber das Weiterleiten erzeugt Last bei Team B, das plötzlich mehr Tickets bekommt als es bewältigen kann.
Im Dashboard sieht es so aus, als hätte Team B ein Performance-Problem. In Wirklichkeit hat Team A ein Weiterleitungsproblem – aber das ist in den Team-KPIs von Team A nicht sichtbar.
Ursache: Isolierte Team-Betrachtung. Jedes Team optimiert seine eigenen KPIs, ohne die Auswirkungen auf nachgelagerte Teams zu berücksichtigen.
5. Zeitabhängige Schwankungen
Tickets, die am Freitagnachmittag eingehen, haben oft eine deutlich höhere Durchlaufzeit als identische Tickets am Dienstagmorgen. Nicht weil sie komplexer sind, sondern weil sie übers Wochenende liegen bleiben.
Ebenso gibt es saisonale Muster: Quartalsende, Urlaubszeiten oder Organisationsveränderungen erzeugen temporäre Lastspitzen, die strukturelle Schwächen verschärfen.
Ursache: Fehlende Berücksichtigung von Wochentag und Tageszeit bei der Ressourcenplanung und Queue-Steuerung.
Warum Standard-Dashboards diese Ursachen nicht zeigen
Die meisten ITSM-Dashboards aggregieren nach Team und Zeitraum. Sie zeigen: “Team X, diese Woche, 14h Durchlaufzeit.” Das reicht für die operative Steuerung. Aber es zeigt nicht die Zusammenhänge zwischen Teams, die Verteilung innerhalb der Kategorien oder den Unterschied zwischen Warte- und Bearbeitungszeit.
Dafür braucht es einen anderen Blick auf die Daten – einen, der die Ticket-Pfade über alle Teams hinweg analysiert und strukturelle Muster identifiziert.
Was Sie tun können
Der erste Schritt ist, die Verteilung hinter dem Durchschnitt sichtbar zu machen. Nicht “14h Durchlaufzeit”, sondern “50% unter 4h, 30% zwischen 4h und 24h, 20% über 24h – und diese 20% teilen sich auf drei Ursachen auf.”
Die Daten dafür haben Sie bereits: Ticket-Liste und Ticket-Historie aus Ihrem ITSM-Tool. Die Analyse kann automatisiert laufen.
Sehen Sie, warum Ihre Tickets lange dauern
Process Radar analysiert Ihre Ticket-Daten und zeigt die strukturellen Ursachen – in Minuten.
Kostenlos starten