This report provides a detailed breakdown of vergelijking capaciteitsbenutting binnen het team for managed service providers.
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: Operations managers, service delivery leads, and MSP owners managing capacity
Hoe vaak: Wekelijks for scheduling, monthly for utilization reviews, quarterly for staffing decisions
EVALUATE ROW(
"Totaal uren", [Total],
"Declarabel", [Billable],
"Declarabel %", [Billable % (vs Logged)],
"Capaciteit", [Capacity Total (Autotask)],
"Benutting", [Capacity Utilization Rate (Autotask)]
)De top 25 technici op gelogde uren zijn goed voor het overgrote deel van alle activiteit. Het verschil tussen positie 1 en 25 is meer dan 1.450 uur, wat een duidelijk ongelijke verdeling van werklast aantoont. Dit is het totaal aan gelogde uren, niet een afspiegeling van gecontracteerde capaciteit, dus enige spreiding tussen voltijd- en deeltijdrollen is verwacht.
| # | Technicus | Totaal uren | Declarabele uren | Declarabel % | vs. teamgem. |
|---|---|---|---|---|---|
| 1 | Dr. Amber Ayala DVM | 2.400 | 1.749 | 72,9% | +222% |
| 2 | James Li | 2.136 | 1.303 | 61,0% | +186% |
| 3 | Kevin Allen | 2.060 | 1.145 | 55,6% | +176% |
| 4 | Maxwell Reed | 2.050 | 1.838 | 89,6% | +175% |
| 5 | Andrew Roberts | 1.888 | 1.527 | 80,9% | +153% |
| 6 | David Hunt | 1.862 | 1.416 | 76,0% | +150% |
| 7 | Chelsea Thomas | 1.780 | 1.157 | 65,0% | +139% |
| 8 | Jennifer King | 1.585 | 1.228 | 77,5% | +112% |
| 9 | Jerry Mcfarland | 1.554 | 819 | 52,7% | +108% |
| 10 | Gregory Horn | 1.505 | 957 | 63,6% | +102% |
| 11 | Jeremy White | 1.492 | 1.094 | 73,3% | +100% |
| 12 | Elizabeth Ortega | 1.433 | 1.308 | 91,3% | +92% |
| 13 | Daniel Daniels | 1.418 | 1.344 | 94,7% | +90% |
| 14 | Brandon Bishop | 1.362 | 1.322 | 97,1% | +83% |
| 15 | Brandon Lynn | 1.344 | 1.087 | 80,9% | +80% |
| 16 | Paula Lewis MD | 1.294 | 850 | 65,7% | +73% |
| 17 | Tracy Fitzpatrick | 1.290 | 1.254 | 97,2% | +73% |
| 18 | Jonathon Burton | 1.285 | 1.213 | 94,4% | +72% |
| 19 | Marie Fisher | 1.256 | 742 | 59,0% | +68% |
| 20 | Becky Johnson | 1.239 | 694 | 56,0% | +66% |
| 21 | Mr. Craig Peck | 1.232 | 1.122 | 91,1% | +65% |
| 22 | Darren Alexander | 1.224 | 943 | 77,1% | +64% |
| 23 | Stephanie Clay | 1.063 | 521 | 49,0% | +42% |
| 24 | Paul Hoffman | 992 | 107 | 10,8% | +33% |
| 25 | Virginia Combs | 932 | 686 | 73,6% | +25% |
EVALUATE
ADDCOLUMNS(
TOPN(25,
SUMMARIZE(
'BI_Autotask_Time_Entries',
'BI_Autotask_Time_Entries'[resource_name]
),
[Total], DESC
),
"Uren gelogd", [Total],
"Declarabel", [Billable],
"Declarabel %", [Billable % (vs Logged)],
"Benutting", [Capacity Utilization Rate (Autotask)]
)
ORDER BY [Uren gelogd] DESCHet duurste patroon in elke MSP is een technicus die veel uren logt maar weinig omzet. Deze resources genereren kosten zonder evenredige opbrengst. Vier technici in het team combineren hoge volumes met declarabelheidspercentages ruim onder het teamgemiddelde van 75,6%.
De meest waardevolle combinatie voor omzetgeneratie is een consistent hoog urenaantal gecombineerd met een hoog declarabelpercentage. Deze technici dragen buitenproportioneel bij aan de omzet per gelogd uur. Hun werkpatronen zijn het bestuderen waard als richtlijn voor de rest van het team.
De drukste technicus logt 2.400 uur terwijl de 25e slechts 932 uur logt. Wanneer dezelfde klantenbase wordt bediend door een team met dit verschil in activiteit, dragen sommige technici veel meer dan hun deel. Dit riskeert overbelasting voor de hoogvolume-medewerkers en demotivatie bij degenen aan de onderkant. Een periodieke werklastbeoordeling samen met dispatch en planning helpt de verdeling te verbeteren.
Het loggen van 992 uur met slechts 107 declarabele uren past niet bij een frontline technische rol. De resource is mogelijk onjuist gecategoriseerd in Autotask, of tijd wordt geboekt op interne werktypes zonder correcte classificatie. Dit is de moeite waard om in een gesprek met de betrokkene te verduidelijken voordat verdere conclusies worden getrokken.
Deze drie technici laten zien hoe de top van de benutting eruitziet: hoge uren gecombineerd met 89 tot 97% declarabelheid. Hun werkpatronen, ticketcategorieën en tijdregistratiegewoonten zijn het onderzoeken waard als model voor de rest van het team. Of dat nu via coaching, procesdocumentatie of een collegiale sessie is, er valt iets over te dragen aan de rest.
Tussen Kevin Allen en James Li is bijna de helft van ruim 1.700 gelogde uren niet omgezet in declarabele omzet. Bij gangbare MSP-tarieven is dat een flink bedrag. Een gerichte bespreking over tijdcategorisering, of het gaat om interne taken die op klantcontracten worden geboekt, ongecategoriseerde administratie of herhalend werk dat op een retainer zou passen, kan een significant deel van die uren terugwinnen.
In dit rapport verwijst capaciteitsbenutting naar het totaal aantal uren dat elke technicus heeft geregistreerd in Autotask, vergeleken met het teamgemiddelde. Het rapport gebruikt geen geplande capaciteitsdata omdat die in Autotask over verschillende tijdshorizonten loopt per resource. De urenvergelijking geeft een eerlijk, datagedreven beeld van wie de meeste activiteit registreert tegen klant- en intern werk.
Het gemiddelde omvat alle 68 actieve resources in de dataset, niet alleen de technici met het hoogste volume. Wanneer resources met een lager volume, deeltijdrollen of medewerkers die voornamelijk administratief werk verrichten worden meegenomen, daalt het teamgemiddelde. De top-25 ranglijst toont het meest actieve deel van het team op basis van gelogde uren.
Niet noodzakelijk. Sommige technici werken parttime, behandelen alleen escalaties of hebben rollen die voornamelijk intern zijn. De waarde van dit rapport ligt niet in het voorschrijven van een enkelvoulig urennorm, maar in het identificeren van uitbijters aan beide kanten. Een technicus die 2.400 uur logt terwijl een collega met hetzelfde contract 800 uur logt, is een planningsgesprek waard.
Begin met de top 5 op uren en controleer of hun wachtrijen standaard aan hen worden doorgestuurd. Als een dispatcher alle complexe tickets aan dezelfde drie mensen toewijst, is het ongelijkgewicht een procesprobleem in plaats van een capaciteitsvraagstuk. Controleer voor de lager-volume resources of er tickets in behandeling zijn of dat er drempels in de wachtrij de toewijzing aan hen blokkeren.
Ja. Dezelfde DAX-query kan worden ingepakt met een CALCULATETABLE met DATESINPERIOD om de tijdrange te beperken, of gefilterd op de kolom company_name in BI_Autotask_Time_Entries om uren per technicus voor een specifieke klant te tonen. Het live Power BI-dashboard dat bovenaan deze pagina is gekoppeld, bevat beide slicers standaard.
De cijfers in dit rapport komen rechtstreeks uit Autotask-tijdregistraties via de Proxuma Power BI-connector. De AI stelde één vraag, draaide vier DAX-query's en bouwde dit rapport in minder dan twee minuten. Geen handmatige export, geen draaitabellen. Dezelfde analyse draait tegen jouw live data zodra je verbinding maakt.
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