Was ist Backlog Aging?
Backlog Aging beschreibt, wie lange ungelöste Tickets, Cases oder Anfragen bereits offen sind. Steigendes Backlog Aging signalisiert, dass ältere Anfragen zugunsten neuerer deprioritisiert werden. Kunden, deren Anliegen wochen- oder monatelang unbearbeitet bleiben, erleben eine besonders schlechte Serviceerfahrung.
Im Gegensatz zum reinen Ticket Volume, das nur die Menge misst, zeigt Backlog Aging die zeitliche Dimension des Rückstaus. Ein Contact Center kann ein stabiles Ticketvolumen haben und trotzdem ein wachsendes Aging-Problem, wenn bestimmte Tickettypen (komplex, eskaliert, blockiert) systematisch liegenbleiben.
Backlog Aging steht in direktem Zusammenhang mit der Resolution Time. Wenn die durchschnittliche Lösungszeit steigt, wächst auch das Alter offener Tickets.
Altersklassen im Backlog
Die gängige Methode zur Messung von Backlog Aging ist die Einteilung in Altersklassen (Aging Brackets):
0–7 Tage bezeichnet frische Tickets, die innerhalb der üblichen SLA-Zeiträume bearbeitet werden. Der größte Teil des Backlogs sollte in dieser Klasse liegen.
8–30 Tage umfasst Tickets, die die erste Lösungsfrist überschritten haben. Häufig handelt es sich um komplexe Fälle oder solche, die auf externe Zuarbeit warten.
31–60 Tage enthält Tickets mit deutlicher Überschreitung. Hier ist eine manuelle Prüfung nötig: Wird das Ticket aktiv bearbeitet oder ist es ein Zombie-Ticket?
60+ Tage sind kritische Fälle, sogenannte Zombie-Tickets, die oft ohne Fortschritt offen gehalten werden. Top-Performer-Teams haben in dieser Klasse null Tickets.
Wie misst man Backlog Aging?
Backlog Aging lässt sich nicht auf eine einzelne Zahl reduzieren. Stattdessen wird die Verteilung offener Tickets über die Altersklassen analysiert. Das Ziel ist eine stark linksschief verteilte Kurve: Die meisten Tickets in der jüngsten Klasse, möglichst keine in der ältesten.
Beispielverteilung
| Altersklasse | Gesundes Team | Überlastetes Team |
|---|---|---|
| 0–7 Tage | 70 % | 40 % |
| 8–30 Tage | 20 % | 25 % |
| 31–60 Tage | 8 % | 20 % |
| 60+ Tage | 2 % | 15 % |
Im Beispiel hat das überlastete Team 35 % seiner offenen Tickets älter als 30 Tage. Das deutet auf strukturelle Kapazitätsprobleme oder fehlende Eskalationsprozesse hin.
Was ist ein gutes Backlog Aging?
| Metrik | Sehr gut | Akzeptabel | Kritisch |
|---|---|---|---|
| Anteil Tickets > 30 Tage | unter 5 % | 5–15 % | über 15 % |
| Anteil Tickets > 60 Tage | 0 % | unter 5 % | über 5 % |
| Ø Ticketalter | unter 3 Tage | 3–7 Tage | über 7 Tage |
| Backlog als Anteil am Tagesvolumen | unter 5 % | 5–10 % | über 10–20 % |
Laut HDI sollte ein gesunder Ticket-Backlog maximal 5–10 % des täglichen Ticketvolumens betragen (HDI). Top-Quartile-Organisationen akzeptieren keine Tickets, die älter als 30 Tage sind.
Quellen: Geckoboard, HDI, InvGate
Backlog Aging reduzieren
SLA-basierte Priorisierung. Tickets automatisch nach Alter und SLA-Status priorisieren. Ältere Tickets erhalten in der Queue eine höhere Priorität als neuere, um FIFO-Verletzungen zu vermeiden.
Regelmäßige Backlog-Reviews. Wöchentliche Team-Reviews aller Tickets älter als 14 Tage identifizieren blockierte Fälle und klären Verantwortlichkeiten. Ohne diese Reviews entstehen blinde Flecken.
Automatische Eskalation. Tickets, die definierte Altersgrenzen überschreiten (z. B. 48 Stunden ohne Update), werden automatisch eskaliert oder einem Senior Agent zugewiesen.
Zombie-Tickets konsequent schließen. Tickets ohne Kundenreaktion nach zwei Follow-ups automatisch auf „Gelöst" setzen. Kunden können bei Bedarf ein neues Ticket öffnen.
Kapazitätsplanung optimieren. Wenn das Backlog Aging strukturell steigt, ist das ein Signal für unzureichende Personalausstattung. Forecast Accuracy und Workforce Management überprüfen.
Backlog Aging vs. Ticket Volume vs. Resolution Time
| Metrik | Was sie misst | Perspektive | Typischer Benchmark |
|---|---|---|---|
| Backlog Aging | Alter offener Tickets | Wie lange warten Kunden? | unter 5 % Tickets > 30 Tage |
| Ticket Volume | Anzahl eingehender Tickets | Wie viel kommt rein? | Branchenabhängig |
| Resolution Time | Zeit von Erstellung bis Lösung | Wie schnell wird gelöst? | Branchenabhängig |
Die drei Metriken ergänzen sich: Ein steigendes Ticket Volume bei gleichbleibender Kapazität führt zu längerer Resolution Time und damit zu wachsendem Backlog Aging. Wer nur das Ticket Volume überwacht, übersieht, dass sich bestimmte Ticketkategorien immer weiter aufstauen.
Pro und Kontra
Pro
- +Identifiziert Zombie-Tickets und vernachlässigte Anfragen
- +Zeigt strukturelle Kapazitätsprobleme frühzeitig an
- +Verbessert die Kundenerfahrung für Langzeitwartende
Kontra
- –Kein einzelner numerischer Wert, erfordert Verteilungsanalyse
- –Kann durch wartende Tickets (z. B. auf Kundenrückmeldung) verzerrt werden
- –Ohne Kontext (Ticketkomplexität, externe Abhängigkeiten) schwer interpretierbar
Einfluss von KI auf Backlog Aging
KI kann Backlog Aging auf mehreren Ebenen reduzieren. Automatische Ticketklassifizierung und intelligentes Routing sorgen dafür, dass Tickets sofort beim richtigen Team landen, statt in falschen Queues zu altern. KI-Agenten lösen einfache Anfragen eigenständig und reduzieren so das Volumen, das manuell bearbeitet werden muss.
Darüber hinaus können KI-Systeme den Backlog proaktiv überwachen und Supervisor automatisch auf alternde Tickets aufmerksam machen, bevor sie die kritische Altersgrenze erreichen.