Gegenereerd door AI via de Proxuma Power BI MCP-server. Efficiëntieanalyse per technicus: ticketvolume, gewerkte uren, factureerbare uren en gemiddelde tijd per ticket.
Gegenereerd door AI via de Proxuma Power BI MCP-server. Efficiëntieanalyse per technicus: ticketvolume, gewerkte uren, factureerbare uren en gemiddelde tijd per ticket.
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
Gegenereerd door AI via de Proxuma Power BI MCP-server. Efficiëntieanalyse per technicus: ticketvolume, gewerkte uren, factureerbare uren en gemiddelde tijd per ticket.
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]), "AvgHoursPerTicket", DIVIDE(SUM('BI_Autotask_Time_Entries'[hours_worked]), DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]))), [AvgHoursPerTicket], ASC)Systeem- en automatiseringsaccounts uitgesloten. Gesorteerd op ticketaantal aflopend.
| Resource | Hours | Tickets | Avg h/Ticket |
|---|---|---|---|
| Shannon Farley | 19 | 127 | 0.15 |
| Mark Glenn | 134 | 606 | 0.22 |
| Samantha Ibarra | 9 | 34 | 0.26 |
| Tracy Fitzpatrick | 1,290 | 4,803 | 0.27 |
| Nathan Curtis | 318 | 1,019 | 0.31 |
| Jennifer Liu | 319 | 821 | 0.39 |
| Brandon Bishop | 1,362 | 3,275 | 0.42 |
| Sheila Morales | 185 | 425 | 0.43 |
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]), "AvgHoursPerTicket", DIVIDE(SUM('BI_Autotask_Time_Entries'[hours_worked]), DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]))), [AvgHoursPerTicket], ASC)De data verdeelt zich op een natuurlijke manier in twee groepen. Hoog-volume engineers met weinig uren per ticket zoals Tracy Fitzpatrick (3.600 tickets, 0,31 uur per ticket) en Gregory Horn (3.240 tickets, 0,32 uur per ticket) lossen tickets snel op. Hun factureerbare uren zijn gezond en de cijfers wijzen op een vlotte verwerking van regulier T&M-werk. Dit zijn de ruggengraat van uw servicedesk.
De tweede groep verwerkt minder tickets maar besteedt aanzienlijk meer tijd per ticket. Maxwell Reed (1.906 tickets, 0,81 uur) en Andrew Roberts (1.899 tickets, 0,92 uur) zijn bijna twee keer zo lang bezig per ticket als de hoog-volume groep. Dit wijst niet per se op inefficiëntie. Een hoge tijd per ticket gaat vaak samen met een hogere factureringsratio. Andrew Roberts genereerde 1.919 factureerbare uren tegenover 1.747 gewerkte uren, een factureringspercentage boven de 100%, wat duidt op nauwkeurige tijdregistratie bij complex betaald werk.
Twee engineers vallen op om verschillende redenen. Jane Stewart en David Collins verwerken beiden een hoog volume bij een zeer laag uren-per-ticket getal (0,16 en 0,26), maar hun factureerbare uren zijn minimaal. Dit patroon past bij een triage- of dispatcherrol en niet bij hands-on technisch oploswerk. Stephen Nelson geeft het meeste aanleiding tot actie: 1.336 tickets, 423 uren gelogd, maar vrijwel nul factureerbare uren. Dit vraagt om onmiddellijk onderzoek naar contracttype, rolclassificatie of een probleem in de factureringsdata.
4 actiepunten op basis van bovenstaande data
Tracy Fitzpatrick, Gregory Horn en Brandon Bishop verwerken samen meer dan 9.000 tickets met een gecombineerd gemiddelde van 0,35 uur per ticket. Hun factureerbare uren zijn solide. Deze engineers vormen de capaciteitsbasis van uw servicedesk. Zorg dat hun werklast in balans blijft en dat ze geen tickets absorberen die beter bij specialist-engineers terecht zouden komen.
Andrew Roberts besteedde 1.747 uur aan 1.899 tickets en genereerde 1.919 factureerbare uren. Dat is een uitstekende benutting. Als de gemiddelde tijd per ticket hoog is, kijk dan altijd ook naar de factureerbare uren voor u conclusies trekt. Het doel is een hoge factureringsratio, niet een minimum aan bestede tijd.
Deze engineer logde 423 uren voor 1.336 tickets maar genereerde nauwelijks factureerbare tijd. Drie mogelijke verklaringen: al het werk valt onder niet-factureerbare beheercontracten, de rol is intern of administratief, of tijdregistraties worden niet correct gelabeld. Haal de ticketdetails voor deze engineer op en controleer direct de werktype- en factureringscategorieverdeling.
Jane Stewart en David Collins laten beide patronen zien die passen bij een triage- of dispatcherrol: hoog ticketaantal, weinig uren, minimale facturering. Als zij hybride functies vervullen (triage en technisch werk), zijn hun gemiddelde metrics misleidend. Overweeg uw efficiëntierapporten te segmenteren op roltype in plaats van alle engineers over één kam te scheren.
Nee. Minder tijd per ticket is alleen beter als de kwaliteit van de oplossing gewaarborgd blijft en de facturering niet achterblijft. Een engineer die tickets snel oplost en nauwkeurig factureert is ideaal. Een engineer die tickets snel sluit door doorverwijzing zonder echte oplossing, niet. Zet de tijd per ticket altijd af tegen heropenstpercentages en klanttevredenheidsscores.
In Autotask zijn gewerkte uren en factureerbare uren afzonderlijke velden. Factureerbare uren kunnen de gewerkte uren overschrijden als het factuurtarief afwijkt van de daadwerkelijk gelogde tijd, of als er factureringscorrecties zijn doorgevoerd. Het is het controleren waard, maar het is niet per se een fout.
Ja. U kunt filters toevoegen aan de DAX-queries om te beperken op werktype, prioriteit, klant of periode. Vraag de AI de query aan te passen met het gewenste filter. Bijvoorbeeld: “Toon de gemiddelde tijd per ticket per technicus voor P1- en P2-tickets.”
Ja. Verbind Proxuma Power BI met uw Autotask PSA-account, koppel een AI-tool via MCP en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit op uw echte data en produceert een rapport als dit 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