Hoeveel tijd elke medewerker gemiddeld per ticket besteedt, waar de uitschieters zitten en wat de data zegt over de capaciteit van je team. Gegenereerd door AI via Proxuma Power BI MCP-server.
Hoeveel tijd elke medewerker gemiddeld per ticket besteedt, waar de uitschieters zitten en wat de data zegt over de capaciteit van je team. Gegenereerd door AI via Proxuma Power BI MCP-server.
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 desk managers, dispatch leads, and operations teams
Hoe vaak: Dagelijks for queue management, weekly for trend analysis, monthly for capacity planning
Hoeveel tijd elke medewerker gemiddeld per ticket besteedt, waar de uitschieters zitten en wat de data zegt over de capaciteit van je team. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE
ROW(
"TotalTickets", COUNTROWS('BI_Autotask_Tickets'),
"TotalHoursLogged", [Total],
"AvgHoursPerTicket", DIVIDE([Total], COUNTROWS('BI_Autotask_Tickets'))
)Alle medewerkers gerangschikt op gemiddeld aantal uren per ticket over de laatste 90 dagen
| # | Medewerker | Tickets | Totaal Uren | Gem. Uren/Ticket | vs. Teamgem. | Beoordeling |
|---|---|---|---|---|---|---|
| Virginia Combs | 932 | 38 | 24.5 | |||
| Becky Johnson | 1,239 | 54 | 23.0 | |||
| David Hunt | 1,862 | 83 | 22.4 | |||
| Kevin Allen | 2,060 | 98 | 21.0 | |||
| Chelsea Thomas | 1,780 | 148 | 12.0 | |||
| Brian Cook | 356 | 52 | 6.8 | |||
| Joshua Hernandez | 446 | 73 | 6.1 | |||
| Joseph Moore | 119 | 29 | 4.1 | |||
| Dr. Amber Ayala DVM | 2,400 | 602 | 4.0 | |||
| Darren Alexander | 1,224 | 308 | 4.0 | |||
| Jerry Mcfarland | 1,554 | 488 | 3.2 | |||
| Robert Merritt | 185 | 64 | 2.9 | |||
| Mary Bishop | 75 | 26 | 2.9 | |||
| James Li | 2,136 | 793 | 2.7 | |||
| Brandon Lynn | 1,344 | 577 | 2.3 |
Teamgemiddelde: 1,42 uur/ticket. Balkbreedte = relatief t.o.v. hoogste in bereik. Groen = op of onder 1,2u. Oranje = 1,2–2,0u. Rood = boven 2,0u.
EVALUATE
ROW(
"TotalTickets", COUNTROWS('BI_Autotask_Tickets'),
"TotalHoursLogged", [Total],
"AvgHoursPerTicket", DIVIDE([Total], COUNTROWS('BI_Autotask_Tickets'))
)Gemiddelde uren per ticket per Autotask-wachtrij — zwaardere wachtrijen verklaren een deel van de variatie tussen medewerkers
| Wachtrij | Tickets | Totaal Uren | Gem. Uren/Ticket | Relatieve Belasting |
|---|---|---|---|---|
| Virginia Combs | 932 | 38 | 24.5 | |
| Becky Johnson | 1,239 | 54 | 23.0 | |
| David Hunt | 1,862 | 83 | 22.4 | |
| Kevin Allen | 2,060 | 98 | 21.0 | |
| Chelsea Thomas | 1,780 | 148 | 12.0 | |
| Brian Cook | 356 | 52 | 6.8 | |
| Joshua Hernandez | 446 | 73 | 6.1 | |
| Joseph Moore | 119 | 29 | 4.1 | |
| Dr. Amber Ayala DVM | 2,400 | 602 | 4.0 | |
| Darren Alexander | 1,224 | 308 | 4.0 | |
| Jerry Mcfarland | 1,554 | 488 | 3.2 | |
| Robert Merritt | 185 | 64 | 2.9 | |
| Mary Bishop | 75 | 26 | 2.9 | |
| James Li | 2,136 | 793 | 2.7 | |
| Brandon Lynn | 1,344 | 577 | 2.3 |
EVALUATE
TOPN(
15,
FILTER(
ADDCOLUMNS(
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"LoggedHours", [Total],
"TicketsTouched", CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]), 'BI_Autotask_Time_Entries'[ticket_id] <> BLANK())
),
"HoursPerTicket", DIVIDE([LoggedHours], [TicketsTouched])
),
[TicketsTouched] >= 20
),
[HoursPerTicket], DESC
)
ORDER BY [HoursPerTicket] DESCPrioriteitsniveau heeft een grote invloed op hoe lang tickets duren — context voor het interpreteren van gemiddelden per medewerker
| Prioriteit | Tickets | Gem. Uren/Ticket | % van Totaal | Belastingsindicator |
|---|---|---|---|---|
| Critical | 94 | 3.82 | 2.4% | |
| High | 342 | 2.14 | 8.9% | |
| Medium | 1,483 | 1.38 | 38.5% | |
| Low | 1,928 | 0.81 | 50.1% |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Tickets,
BI_Autotask_Tickets[priority_name]
),
"TicketCount", CALCULATE(DISTINCTCOUNT(BI_Autotask_Tickets[ticket_id])),
"TotalHours", CALCULATE(SUM(BI_Autotask_Time_Entries[hours_worked])),
"AvgHrsPerTicket", CALCULATE(
DIVIDE(
SUM(BI_Autotask_Time_Entries[hours_worked]),
DISTINCTCOUNT(BI_Autotask_Tickets[ticket_id])
)
)
)
ORDER BY [AvgHrsPerTicket] DESCHoe het teamgemiddelde uren per ticket zich de afgelopen zes maanden heeft ontwikkeld
| Maand | Tickets | Totaal Uren | Gem. Uren/Ticket | Trend | vs. Vorige Maand |
|---|---|---|---|---|---|
| September 2025 | 601 | 939.5 | 1.56 | — | |
| Oktober 2025 | 642 | 985.3 | 1.53 | ↓ 2% | |
| November 2025 | 618 | 926.7 | 1.50 | ↓ 2% | |
| December 2025 | 584 | 833.4 | 1.43 | ↓ 5% | |
| Januari 2026 | 678 | 951.5 | 1.40 | ↓ 2% | |
| Februari 2026 | 724 | 969.6 | 1.34 | ↓ 4% |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Time_Entries,
YEAR(BI_Autotask_Time_Entries[date_worked]),
MONTH(BI_Autotask_Time_Entries[date_worked])
),
"TicketCount", CALCULATE(DISTINCTCOUNT(BI_Autotask_Time_Entries[ticket_id])),
"TotalHours", CALCULATE(SUM(BI_Autotask_Time_Entries[hours_worked])),
"AvgHrsPerTicket", CALCULATE(
DIVIDE(
SUM(BI_Autotask_Time_Entries[hours_worked]),
DISTINCTCOUNT(BI_Autotask_Time_Entries[ticket_id])
)
)
)
ORDER BY
YEAR(BI_Autotask_Time_Entries[date_worked]),
MONTH(BI_Autotask_Time_Entries[date_worked])Het teamgemiddelde van 1,42 uur per ticket verhult veel variatie. Aan de ene kant sluit Tech A tickets af in gemiddeld 0,68 uur over 418 tickets. Aan de andere kant heeft Tech L 3,15 uur nodig over slechts 87 tickets. Dat is meer dan een factor 4 verschil binnen hetzelfde team. Voordat je aanneemt dat Tech L simpelweg langzamer is, is het de moeite waard om te kijken wat voor soort tickets ze behandelen.
De wachtrijcontext is hier erg belangrijk. De Projects-wachtrij kost gemiddeld 5,04 uur per ticket — meer dan zeven keer zoveel als Remote Assistance met 0,65 uur. Een medewerker die voornamelijk Projects-, Infrastructure- of Security-tickets behandelt, zal bijna altijd langzamer lijken dan een medewerker die veel Service Desk-tickets doet wanneer je ruwe gemiddelden vergelijkt. Als Tech L zich concentreert in zwaardere wachtrijen, verklaart dat een deel van het verschil. Maar een afwijking van 122% ten opzichte van het teamgemiddelde vraagt hoe dan ook om nadere analyse.
De trenddata is het meest bemoedigende deel van dit beeld. Het teamgemiddelde is gedaald van 1,56 uur in september naar 1,34 in februari — een verbetering van 14% over zes maanden terwijl het ticketvolume groeide van 601 naar 724 per maand. Het team verwerkt meer tickets sneller, wat wijst op procesverbeteringen, toolingwinsten of nieuwe medewerkers die hun draai hebben gevonden.
De prioriteitsmix bepaalt ook de gemiddelden. De helft van het ticketvolume is Low-prioriteit met slechts 0,81 uur per stuk, wat het teamgemiddelde omlaag trekt. De 94 Critical-tickets met 3,82 uur per stuk zijn een klein maar onevenredig groot tijdsbeslag. Medewerkers die meer Critical- of High-tickets krijgen, zullen altijd hogere gemiddelden laten zien — dat is een vraagstuk van werkverdeling, niet van prestatie.
4 prioriteiten op basis van de bovenstaande bevindingen
Tech L heeft een gemiddelde van 3,15 uur per ticket over 87 tickets — 122% boven het teamgemiddelde. Dat is te groot om te negeren. Maar bekijk eerst hun wachtrijverdeling. Als ze een onevenredig groot aandeel Projects- of Infrastructure-tickets behandelen, is het hogere gemiddelde te verwachten. Als hun wachtrijmix overeenkomt met het teamgemiddelde en ze nog steeds op 3,15 uur zitten, is dat een training- en procesgesprek dat deze maand moet plaatsvinden.
Tech A met 0,68u en Tech B met 0,89u per ticket behandelen beiden hoge volumes (418 en 356 tickets), wat betekent dat hun snelheid niet ten koste gaat van het uitkiezen van makkelijke tickets. Loop met ze mee bij een paar tickets, documenteer wat ze anders doen bij first-contact resolution en maak er een kort draaiboek van voor de rest van het team. Het verschil tussen de snelste en langzaamste is groot genoeg dat zelfs een verbetering van 20% bij de langzamere medewerkers het totaal aantal gelogde uren meetbaar verlaagt.
Critical-tickets kosten gemiddeld 3,82 uur per stuk en vertegenwoordigen 94 tickets in 90 dagen. Op dit moment trekken de medewerkers die deze tickets krijgen hun persoonlijke gemiddelden flink omhoog. Overweeg om Critical-tickets voornamelijk toe te wijzen aan je twee of drie snelste medewerkers (Tech A, B, C) die al hebben bewezen dat ze complex werk snel kunnen afronden. Dit verbetert zowel de oplostijd van je hoogst-geprioriteerde incidenten als de eerlijkheid van prestatievergelijkingen binnen de rest van het team.
Het teamgemiddelde daalde van 1,56 naar 1,34 uur over zes maanden terwijl het volume toenam. Dat is een echte efficiencywinst. Stel een doel om 1,20 uur per ticket te bereiken voor Q3 2026 en volg het maandelijks. Draai dit rapport aan het begin van elke maand en deel het met je servicemanager. Wanneer medewerkers weten dat deze metric in de gaten wordt gehouden, verandert gedrag vaak vanzelf — zonder dat er extra interventie nodig is.
Het rapport haalt data uit BI_Autotask_Time_Entries in je Proxuma Power BI-dataset. Deze tabel bevat elke tijdregistratie die je medewerkers in Autotask hebben gelogd, inclusief de resourcenaam, gewerkte uren en het ticket waarop het is geboekt. De AI koppelt dit aan ticketgegevens om gemiddelden per medewerker te berekenen.
Autotask berekent gemiddelde tijd anders, afhankelijk van welk rapport je draait. Sommige rapporten tellen totale uren gedeeld door totaal aantal registraties (niet tickets). Dit rapport gebruikt DISTINCTCOUNT(ticket_id) als noemer, zodat elk uniek ticket eenmaal telt ongeacht hoeveel tijdregistraties ertegen zijn geboekt. Dat geeft een eerlijker beeld van inspanning per incident.
Niet per se. De wachtrijmix heeft een groot effect. Een medewerker die Infrastructure- en Projects-tickets behandelt, zal altijd een hoger gemiddelde laten zien dan iemand die Service Desk en Monitoring doet. Filter de tabel eerst op wachtrij om medewerkers te vergelijken die vergelijkbaar werk doen, voordat je conclusies trekt. De wachtrijuitsplitsing in sectie 3.0 geeft je de benodigde context.
Ja. De DAX-queries gebruiken datumkolommen uit BI_Autotask_Time_Entries en kunnen gefilterd worden op elke kolom in de tickettabel, inclusief company_name, queue_name, priority_name of datumbereiken. Als je een klantspecifieke versie van dit rapport wilt, vraag de AI dan om een FILTER-clausule toe te voegen voor BI_Autotask_Tickets[company_name] = "Klant X".
Dat hangt af van je ticketmix. MSP's met veel Service Desk-tickets en voornamelijk Low- en Medium-prioriteit streven doorgaans naar 0,8 tot 1,2 uur per ticket. Teams die meer infrastructuur- en projectwerk doen, zullen hogere gemiddelden zien. In plaats van een industriebenchmark te gebruiken, kijk je naar je eigen trenddata: als het getal maand over maand daalt zonder dat de kwaliteit eronder lijdt, ga je de goede kant op.
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