Dit rapport kruist HiBob-personeelsdata met Datto Backup-telemetrie om de werklast voor backup-monitoring per engineer inzichtelijk te maken. Ontdek welke teamleden onevenredig veel klant-backups beheren en waar risico's op menselijke fouten ontstaan.
Dit rapport kruist HiBob-personeelsdata met Datto Backup-telemetrie om de werklast voor backup-monitoring per engineer inzichtelijk te maken. Ontdek welke teamleden onevenredig veel klant-backups beheren en waar risico's op menselijke fouten ontstaan.
De data dekt het volledige bereik van Autotask PSA-records die relevant zijn voor deze analyse, uitgesplitst naar de belangrijkste dimensies die je team nodig heeft voor dagelijkse beslissingen en klantrapportage.
Wie dit zou moeten gebruiken: NOC teams, service managers, and MSP owners monitoring backup compliance
Hoe vaak: Dagelijks for operations, weekly for management review, monthly for client reporting
Dit rapport kruist HiBob-personeelsdata met Datto Backup-telemetrie om de werklast voor backup-monitoring per engineer inzichtelijk te maken. Ontdek welke teamleden onevenredig veel klant-backups beheren en waar risico's op menselijke fouten ontstaan.
Totaal Backup Jobs 30d =
CALCULATE(
COUNTROWS(BI_Datto_Backup_Jobs),
DATESINPERIOD(
BI_Datto_Backup_Jobs[timestamp],
TODAY(),
-30,
DAY
)
)
Gem Jobs Per Engineer =
DIVIDE(
[Totaal Backup Jobs 30d],
CALCULATE(
DISTINCTCOUNT(BI_HiBob_Employees[employee_id]),
BI_HiBob_Employees[status] = "Active",
BI_HiBob_Employees[department] = "Operations"
)
)
Max Jobs Enkele Engineer =
MAXX(
VALUES(BI_HiBob_Employees[employee_id]),
CALCULATE([Totaal Backup Jobs 30d])
)| Engineer | Afdeling | Klanten | Backup-jobs | Mislukt | Risico |
|---|---|---|---|---|---|
| Technicus A | Operations | 18 | 724 | 43 | Kritiek |
| Technicus B | Operations | 14 | 512 | 28 | Hoog |
| Technicus C | Operations | 11 | 389 | 12 | Hoog |
| Technicus D | Operations | 9 | 314 | 8 | OK |
| Technicus E | Operations | 8 | 296 | 6 | OK |
| Technicus F | Operations | 7 | 258 | 5 | OK |
| Technicus G | Infra | 5 | 201 | 3 | OK |
| Technicus H | Infra | 4 | 153 | 2 | OK |
Technicus A beheert 18 klanten en is verantwoordelijk voor 25% van alle backup-jobs. Het faalpercentage bij deze engineer (5,9%) ligt flink boven het teamgemiddelde van 3,7%. Dit patroon is typisch voor overbelaste medewerkers die onvoldoende tijd hebben om mislukte backups op te volgen.
Engineer Werklast Tabel =
ADDCOLUMNS(
FILTER(
BI_HiBob_Employees,
BI_HiBob_Employees[status] = "Active"
),
"Klanten",
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Companies[company_id]),
BI_Datto_Backup_Jobs[assigned_to]
= BI_HiBob_Employees[employee_id]
),
"Backup Jobs",
CALCULATE(
COUNTROWS(BI_Datto_Backup_Jobs),
DATESINPERIOD(
BI_Datto_Backup_Jobs[timestamp],
TODAY(), -30, DAY
)
),
"Mislukte Jobs",
CALCULATE(
COUNTROWS(BI_Datto_Backup_Jobs),
BI_Datto_Backup_Jobs[status] = "Failed",
DATESINPERIOD(
BI_Datto_Backup_Jobs[timestamp],
TODAY(), -30, DAY
)
)
)De top-2 engineers (Technicus A en B) beheren samen 32 klanten - dat is 42% van het totale klantenbestand. Als een van beiden uitvalt door ziekte of vertrek, ontstaat direct een gat in de backup-monitoring dat het team niet zomaar kan opvangen.
Klanten Per Engineer =
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Companies[company_id]),
RELATEDTABLE(BI_Datto_Backup_Jobs)
)
Concentratie Top 2 =
VAR _top2 =
TOPN(
2,
VALUES(BI_HiBob_Employees[employee_id]),
[Klanten Per Engineer], DESC
)
RETURN
DIVIDE(
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Companies[company_id]),
KEEPFILTERS(_top2)
),
DISTINCTCOUNT(BI_Autotask_Companies[company_id])
)| Klant | Verantwoordelijk | Totaal Jobs | Mislukt | Faal% |
|---|---|---|---|---|
| Klant A | Technicus A | 142 | 18 | 12,7% |
| Klant B | Technicus A | 98 | 11 | 11,2% |
| Klant C | Technicus B | 87 | 7 | 8,0% |
| Klant D | Technicus A | 76 | 5 | 6,6% |
| Klant E | Technicus C | 64 | 2 | 3,1% |
| Klant F | Technicus D | 58 | 1 | 1,7% |
Klant A en Klant B hebben de hoogste faalpercentages en worden beide beheerd door Technicus A. Dit bevestigt het beeld dat overbelasting direct bijdraagt aan lagere backup-betrouwbaarheid. De klanten van engineers met een normale werklast (Technicus D, E, F) blijven onder de 4% faalpercentage.
De bovenste drie engineers nemen samen 57,1% van alle backup-jobs voor hun rekening. Een gezonde verdeling zou dichter bij een evenredige spreiding liggen - met 8 actieve engineers zou elke persoon rond de 12,5% moeten zitten.
De werklast van Technicus A is de afgelopen 12 weken met 51% gestegen, terwijl het teamgemiddelde nagenoeg stabiel bleef. Dit wijst erop dat nieuwe klanten steeds aan dezelfde engineer worden gekoppeld in plaats van gelijkmatig over het team te worden verdeeld.
Een enkele engineer beheert 25% van alle backup-jobs en 18 klanten. Het bijbehorende faalpercentage van 5,9% is bijna het dubbele van het teamgemiddelde (3,7%). Bij uitval van deze medewerker valt monitoring weg voor bijna een kwart van alle klanten.
Nieuwe klanten worden niet evenredig verdeeld. De trenddata over 12 weken laat zien dat de bovenste engineers steeds meer werk krijgen terwijl de onderste helft van het team onbenut blijft. De verhouding tussen de zwaarst en lichtst belaste engineer is 4,7:1.
Met 8 actieve engineers en een totaal van 2.847 jobs is er genoeg capaciteit als het werk beter wordt verdeeld. De engineers met een normale belasting (Technicus D t/m H) houden faalpercentages onder de 4%, wat aantoont dat de teamkwaliteit op orde is.
1. Herverdeel klanten van Technicus A en B. Verplaats minimaal 6 klanten van Technicus A en 4 van Technicus B naar engineers met lagere belasting (G en H). Richt op een maximum van 10 klanten per engineer. Dit verlaagt het faalpercentage van de overbelaste engineers en vermindert het concentratierisico direct.
2. Voer een automatische toewijzingsregel in. Stel in Autotask of je RMM-platform een round-robin toewijzing in voor nieuwe klant-backups. Elke nieuwe klant gaat naar de engineer met de laagste huidige belasting. Hiermee voorkom je dat de scheefgroei opnieuw ontstaat.
3. Stel een maandelijks werklastplafond in. Definieer een harde grens van 400 backup-jobs per engineer per maand. Wanneer iemand deze grens nadert, trigger dan een automatisch alert naar de teamleider. Gebruik dit Power BI-rapport als maandelijkse controle om afwijkingen vroeg te signaleren.
De werklast wordt berekend door het aantal Datto Backup-jobs over de afgelopen 30 dagen te tellen per engineer. De koppeling tussen backup-jobs en engineers loopt via het assigned_to-veld in BI_Datto_Backup_Jobs, dat wordt gematcht op employee_id uit BI_HiBob_Employees. Alleen actieve medewerkers worden meegenomen in de berekening.
Als vuistregel geldt een maximum van 250 backup-jobs per engineer per maand, verdeeld over maximaal 10 klanten. Boven deze drempel neemt het faalpercentage meetbaar toe, omdat engineers minder tijd hebben om mislukte jobs te onderzoeken en te herstellen. Het optimale bereik ligt tussen 150 en 250 jobs.
Dit rapport combineert drie databronnen: BI_HiBob_Employees (personeelsgegevens, afdelingen, actieve status), BI_Datto_Backup_Jobs (backup-telemetrie met timestamps, statussen en toewijzingen) en BI_Autotask_Companies (klantgegevens voor de koppeling tussen backup-jobs en bedrijven). De kruisreferentie maakt het mogelijk om werklast per individu te analyseren.
Koppel Proxuma's Power BI integratie, gebruik een MCP-compatible AI om vragen te stellen en genereer op maat gemaakte rapporten - in minuten, niet in dagen.
Bekijk meer rapporten Aan de slag