Productiviteitsranglijst van engineers gecombineerd met SmileBack CSAT-patronen. 15 engineers, 10.178 reviews, 26.869 totale uren gelogd.
Productiviteitsranglijst van engineers gecombineerd met SmileBack CSAT-patronen. 15 engineers, 10.178 reviews, 26.869 totale uren gelogd.
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: Service managers, account managers, and MSP leadership tracking customer experience
Hoe vaak: Wekelijks for trend monitoring, monthly for team reviews, quarterly for QBRs
Productiviteitsranglijst van engineers gecombineerd met SmileBack CSAT-patronen. 15 engineers, 10.178 reviews, 26.869 totale uren gelogd.
BI_Autotask_Time_Entries. CSAT-data uit BI_SmileBack_Reviews met de -1/0/1 beoordelingsschaal. SmileBack gebruikt drie beoordelingen: positief (1), neutraal (0) en negatief (-1). De 92,2% positive rate betekent dat 9.385 van de 10.178 reviews positief waren. Directe per-engineer CSAT is niet beschikbaar vanwege beperkingen in het datamodel — SmileBack-reviews zijn gekoppeld aan tickets, niet aan individuele tijdregistraties.
Top 15 engineers gesorteerd op billable rate. Kleur-badges geven prestatieniveaus aan: groen = boven 80%, amber = 60-80%, rood = onder 60%.
| Engineer | CSAT | Ratings |
|---|---|---|
| Tracy Fitzpatrick | 92.8% | 180 |
| Maxwell Reed | 81.6% | 174 |
| Gregory Horn | 65.5% | 142 |
| Jonathon Burton | 87.2% | 133 |
| Brandon Bishop | 78.3% | 120 |
| Daniel Daniels | 84.3% | 115 |
| Andrew Roberts | 84.1% | 107 |
| John Mahoney | 81.1% | 90 |
| Mr. Craig Peck | 88.6% | 88 |
| Stephen Nelson | 86.0% | 86 |
| Rose Russell | 75.6% | 82 |
| Paula Lewis MD | 87.3% | 79 |
| Sean White | 90.5% | 74 |
| Nathan Curtis | 100% | 58 |
| Jeremy White | 71.2% | 52 |
EVALUATE
TOPN(
15,
FILTER(
ADDCOLUMNS(
SUMMARIZE(
'BI_SmileBack_Reviews',
'BI_Autotask_Tickets'[primary_resource_name]
),
"AvgRating", CALCULATE(AVERAGE('BI_SmileBack_Reviews'[rating])),
"TotalRatings", CALCULATE(COUNT('BI_SmileBack_Reviews'[rating]))
),
NOT ISBLANK('BI_Autotask_Tickets'[primary_resource_name])
),
[TotalRatings], DESC
)
ORDER BY [TotalRatings] DESCGestapelde balken per engineer: billable (teal) vs non-billable (grijs). Gesorteerd op totale uren aflopend.
EVALUATE
TOPN(15,
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHrs", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"NonBillableHrs", SUM('BI_Autotask_Time_Entries'[Non billable Hours]),
"BillablePct", DIVIDE(
SUM('BI_Autotask_Time_Entries'[Billable Hours]),
SUM('BI_Autotask_Time_Entries'[hours_worked]),
0
)
),
[TotalHours], DESC
)
ORDER BY [TotalHours] DESCPositieve CSAT-rate per tickettype. Omdat directe per-engineer CSAT niet beschikbaar is, zijn tickettype-patronen de beste proxy voor waar tevredenheidsproblemen ontstaan.
Totale gelogde uren per engineer over de laatste 12 maanden. De top drie engineers zijn goed voor 24,5% van alle uren.
EVALUATE
TOPN(15,
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHrs", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"NonBillableHrs", SUM('BI_Autotask_Time_Entries'[Non billable Hours]),
"TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])
),
[TotalHours], DESC
)
ORDER BY [TotalHours] DESCEngineers ingedeeld op ticketvolume (horizontaal) en billable rate (verticaal). Hoog volume + hoge billable rate = je meest efficiente teamleden.
Engineers D, E, M en N zitten in het "Sterren"-kwadrant met billable rates tussen 80,9% en 97,1% over 2.297 tot 3.275 tickets elk. Dit zijn de teamleden die je moet bestuderen, niet alleen complimenteren. Wat doen zij anders op het vlak van tijdregistratie, ticket-triage of scope-controle? Dat gedrag moet de baseline worden voor coaching van anderen.
Engineer C logt 2.060 uur maar schrijft slechts 55,6% daarvan billable, met maar 99 unieke tickets. Die combinatie -- veel uren, lage billable rate, weinig tickets -- wijst doorgaans op projectwerk of interne taken die niet correct gefactureerd worden, of tijd die anders gecategoriseerd zou moeten worden. Engineer I laat een vergelijkbaar patroon zien met 52,7% over 489 tickets. Beiden hebben eerst een tijdregistratie-audit nodig voordat je een coachinggesprek plant.
Het verschil tussen incident-CSAT (86,4%) en alert-CSAT (93,7%) is 7,3 procentpunt. Engineers die een groter aandeel incidents afhandelen zullen er slechter uitkomen in toekomstige per-engineer CSAT-analyses. Voor je conclusies trekt over individuele tevredenheidsscores, moet je corrigeren voor tickettype-mix. Een engineer die 500 incidents oplost met 86% positief presteert beter dan een die 50 serviceverzoeken afhandelt met 90%.
5 prioriteiten op basis van bovenstaande bevindingen
Beide engineers factureren minder dan 56% van hun uren, ruim onder de 70% teamtarget. Voordat je een coachingsessie plant, trek hun tijdregistraties van de laatste 90 dagen erbij en check: loggen ze intern projectwerk dat eigenlijk gefactureerd zou moeten worden? Besteden ze tijd aan taken die gedelegeerd of geautomatiseerd kunnen worden? De oplossing is mogelijk een categorisatieprobleem, geen prestatieprobleem.
Engineers B, I en J verwerken flink wat tickets maar krijgen hun billable rate niet boven de 65%. Koppel elk van hen twee weken aan een Ster-engineer (D, E, M of N), gericht op hoe de Ster omgaat met scope-controle en tijdregistratie-discipline. Het doel is niet harder werken, maar dezelfde uren draaien met betere facturatiediscipline.
Incidents leveren de laagste CSAT op met 86,4%. Bestudeer hoe Engineers D en E incidents afhandelen (zij dragen hoge volumes met hoge billable rates) en documenteer hun werkwijze. Een gestandaardiseerd playbook voor eerste respons, escalatiecriteria en klantcommunicatie kan de incident-CSAT dichter bij de 90%+ brengen die bij andere tickettypes te zien is.
De engineer met de meeste uren logt 2.400 terwijl de laagste op 1.344 zit -- een verschil van 78%. Zo'n grote spreiding wijst op ongelijke ticket-routing of beschikbaarheidsverschillen. Check je dispatch-regels en wachtrij-toewijzingen. Gebalanceerde werklasten verminderen burn-outrisico bij je topperformers en geven engineers met minder volume meer kansen om vaardigheden op te bouwen.
Het grootste gat in deze analyse is het ontbreken van directe per-engineer CSAT-data. SmileBack-reviews zijn gekoppeld aan tickets, niet aan tijdregistraties. Als je een berekende kolom of bruggetabel toevoegt in je Power BI-model die de hoofdresource per ticket koppelt aan de SmileBack-beoordeling, krijg je echte per-engineer tevredenheids-tracking. Dat maakt dit rapport een direct coaching-instrument in plaats van een proxy-analyse.
SmileBack stuurt een enquete als een ticket gesloten wordt en koppelt de review aan het ticket, niet aan een specifieke engineer. Omdat meerdere engineers tijd kunnen loggen op hetzelfde ticket, is er geen een-op-een relatie tussen een SmileBack-beoordeling en een individueel teamlid. Het rapport gebruikt CSAT per tickettype als beste beschikbare proxy en combineert dit met per-engineer productiviteitsdata.
SmileBack gebruikt een driepuntsschaal: positief (rating = 1), neutraal (rating = 0) en negatief (rating = -1). De positive rate in dit rapport is het percentage reviews met rating 1. Van de 10.178 totale reviews waren 9.385 positief (92,2%), 339 neutraal (3,3%) en 454 negatief (4,5%).
De meeste MSP's mikken op 65% tot 80% billable rate voor hun servicedesk-engineers. Rates boven 90% zijn uitzonderlijk maar kunnen ook betekenen dat engineers onvoldoende tijd krijgen voor training en ontwikkeling. Rates onder 60% wijzen meestal op een tijdregistratie-discipline probleem, te veel intern projectwerk, of een mismatch tussen de rol van de engineer en het toegewezen werk.
Maak een bruggetabel die elk ticket koppelt aan zijn hoofdresource (de engineer met de meeste tijdregistraties op dat ticket). Koppel deze bruggetabel vervolgens aan de SmileBack-reviews tabel. Dit geeft je een een-op-een relatie tussen een engineer en de CSAT-beoordeling op hun primaire tickets. Je kunt dit bouwen als berekende DAX-tabel of als Power Query-stap.
Engineers zoals Engineer L (1.433 uur, 17 tickets) en Engineer F (1.862 uur, 84 tickets) werken waarschijnlijk aan langlopende projecten of implementaties in plaats van standaard servicedesk-tickets. Hun hoge uren bij lage ticketaantallen wijzen op projectmatig werk waar een enkel traject meerdere weken bestrijkt. Dit is normaal voor senior engineers of consultants.
Ja. De DAX-queries gebruiken standaard alle beschikbare data, maar je kunt een datumfilter toevoegen op BI_Autotask_Time_Entries[date_worked] om de tijdsperiode in te perken. Voor kwartaalreviews geeft filteren op de laatste 90 dagen een beter beeld van recente prestatietrends.
Ja. Koppel Proxuma Power BI aan je SmileBack- en Autotask-accounts, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, draait ze tegen je echte data, en levert een rapport zoals dit op in minder dan vijftien minuten.
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