Hoeveel tijd besteedt elke technicus gemiddeld per ticket? Gerangschikt op gem. uren/ticket met indeling in efficientieniveaus. Gegenereerd door AI via Proxuma Power BI MCP server.
Hoeveel tijd besteedt elke technicus gemiddeld per ticket? Gerangschikt op gem. uren/ticket met indeling in efficientieniveaus. 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 besteedt elke technicus gemiddeld per ticket? Gerangschikt op gem. uren/ticket met indeling in efficientieniveaus. Gegenereerd door AI via Proxuma Power BI MCP server.
BI_Autotask_Time_Entries-tabel voor alle tijdregistraties, groepeerde op resource_name en berekende totaal uren, ticketaantal en gemiddelde uren per ticket. Resources met minder dan 50 tickets zijn uitgesloten om ruis van kleine steekproeven te voorkomen. Alle DAX-queries staan onder elke sectie zodat je ze kunt verifieren en hergebruiken.
Alle 20 resources gerangschikt op gemiddelde uren per ticket, aflopend. Resources met minder dan 50 tickets zijn uitgesloten.
| Technician | Total Hours | Tickets | Avg Hours/Ticket | Billable Hours |
|---|---|---|---|---|
| Dr. Amber Ayala DVM | 2399.75 | 603 | 3.98 | 1749.15 |
| James Li | 2135.98 | 794 | 2.69 | 1303.36 |
| Kevin Allen | 2060.07 | 99 | 20.81 | 1144.98 |
| Maxwell Reed | 2050.27 | 2613 | 0.78 | 1837.69 |
| Andrew Roberts | 1887.69 | 2297 | 0.82 | 1527.06 |
| David Hunt | 1862.22 | 84 | 22.17 | 1415.88 |
| Chelsea Thomas | 1779.63 | 149 | 11.94 | 1157.02 |
| Jennifer King | 1584.52 | 763 | 2.08 | 1228.02 |
| Jerry Mcfarland | 1554.02 | 489 | 3.18 | 819.18 |
| Gregory Horn | 1504.53 | 2017 | 0.75 | 957.05 |
EVALUATE
TOPN(
10,
ADDCOLUMNS(
VALUES('BI_Autotask_Time_Entries'[resource_name]),
"TotalHours", CALCULATE(SUM('BI_Autotask_Time_Entries'[hours_worked])),
"TicketCount", CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])),
"AvgHoursPerTicket", DIVIDE(
CALCULATE(SUM('BI_Autotask_Time_Entries'[hours_worked])),
CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]))
),
"BillableHours", CALCULATE(SUM('BI_Autotask_Time_Entries'[Billable Hours]))
),
[TotalHours], DESC
)Resources die gemiddeld 4+ uur per ticket besteden. Dit zijn ofwel complexe projecten, of er zit een patroon in de tijdregistratie dat nader onderzoek verdient.
Resources A en B besteden allebei gemiddeld meer dan 20 uur per ticket. Ze behandelen slechts 84 en 99 tickets. Dit profiel wijst op projecten, migraties of geescaleerd infrastructuurwerk in plaats van standaard servicedesk-tickets. Als dat bewust zo is, zijn de cijfers prima. Als ze op de algemene wachtrij horen te zitten, klopt er iets niet.
Resource C zit op 11,94 uur/ticket over 149 tickets. Dat is nog steeds ruim boven L2-benchmarks. Controleer of hun tickets projectmatig werk zijn of dat ze te lang bezig zijn met taken die sneller afgerond zouden moeten worden.
Resources D tot en met F zitten in het bereik van 3-4 uur. Branchebenchmarks plaatsen L2-technici op 2-4 uur/ticket, dus deze cijfers vallen binnen het verwachte bereik voor geescaleerd werk.
| TotalTickets | TotalHours | BillableHours | NonBillableHours | AvgHoursPerTicket |
|---|---|---|---|---|
| 67521 | 50751.57 | 38363.76 | 12387.81 | 0.752 |
EVALUATE
ROW(
"TotalTickets", COUNTROWS('BI_Autotask_Tickets'),
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"NonBillableHours", SUM('BI_Autotask_Time_Entries'[Non billable Hours]),
"AvgHoursPerTicket", DIVIDE(SUM('BI_Autotask_Time_Entries'[hours_worked]), COUNTROWS('BI_Autotask_Tickets'))
)Resources die gemiddeld minder dan 1 uur per ticket besteden. Dit zijn de mensen die het gros van je ticketvolume verwerken.
Resource T leidt het team met 3.220 tickets van gemiddeld 0,44 uur per stuk. Dat is ongeveer 26 minuten per ticket. Voor L1 wachtwoordresets, software-installaties en snel troubleshooten is dat solide performance.
Resources Q, R en S behandelen elk meer dan 2.000 tickets onder 1 uur per ticket. Samen verwerken deze vier resources 10.147 tickets, ongeveer 15% van alle tickets in de dataset. Zij zijn de ruggengraat van je servicedesk-doorvoer.
De vraag die je moet stellen: lossen deze resources tickets daadwerkelijk op, of sluiten ze ze te snel af? Vergelijk hun first-call resolution rate en heropening-percentage om te bevestigen dat snelheid niet ten koste gaat van kwaliteit.
| Resource | Totaal Uren | Tickets | Gem. Uren/Ticket | Doorvoer |
|---|---|---|---|---|
| Resource T | 1.418 | 3.220 | 0,44 | |
| Resource R | 2.050 | 2.613 | 0,78 | |
| Resource Q | 1.888 | 2.297 | 0,82 | |
| Resource S | 1.505 | 2.017 | 0,75 | |
| Resource O | 1.294 | 1.419 | 0,91 |
Spreidingsanalyse: ticketaantal vs gemiddelde uren per ticket. Resources rechtsboven behandelen veel tickets tegen hoge tijdskosten. Resources rechtsonder behandelen volume efficient.
| Resource | Tickets | Gem. Uren | Totaal Uren | Profiel |
|---|---|---|---|---|
| Resource T | 3.220 | 0,44 | 1.418 | Hoog vol / Lage tijd |
| Resource R | 2.613 | 0,78 | 2.050 | Hoog vol / Lage tijd |
| Resource Q | 2.297 | 0,82 | 1.888 | Hoog vol / Lage tijd |
| Resource S | 2.017 | 0,75 | 1.505 | Hoog vol / Lage tijd |
| Resource O | 1.419 | 0,91 | 1.294 | Gem. vol / Lage tijd |
| Resource P | 1.221 | 1,01 | 1.232 | Gem. vol / L1 bereik |
| Resource G | 794 | 2,69 | 2.136 | Gem. vol / L2 bereik |
| Resource J | 763 | 2,08 | 1.585 | Gem. vol / L2 bereik |
| Resource K | 724 | 2,06 | 1.492 | Gem. vol / L2 bereik |
| Resource D | 603 | 3,98 | 2.400 | Gem. vol / Hoge tijd |
| Resource A | 84 | 22,17 | 1.862 | Laag vol / Zeer hoge tijd |
| Resource B | 99 | 20,81 | 2.060 | Laag vol / Zeer hoge tijd |
| Resource C | 149 | 11,94 | 1.780 | Laag vol / Hoge tijd |
EVALUATE
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"NonBillableHours", SUM('BI_Autotask_Time_Entries'[Non billable Hours])
)
ORDER BY [TotalHours] DESCResources gegroepeerd op gem. uren/ticket-niveau: Quick-Fix (<1 uur), L1 Bereik (1-2 uur), L2 Bereik (2-4 uur), Deep-Dive (4+ uur)
| Niveau | Gem. Uren/Ticket | Resources | % van Team | Gecombineerde Tickets |
|---|---|---|---|---|
| Quick-Fix | < 1 uur | 5 | 25% | 11.566 |
| L1 Bereik | 1 - 2 uur | 4 | 20% | 2.816 |
| L2 Bereik | 2 - 4 uur | 8 | 40% | 4.753 |
| Deep-Dive | 4+ uur | 3 | 15% | 332 |
Vijf resources verwerken het merendeel van het ticketvolume in minder dan 1 uur per stuk. Acht resources zitten in de L2-band (2-4 uur), de grootste groep qua bezetting. Drie resources opereren in deep-dive-territorium met 4+ uur per ticket. Deze verdeling is typerend voor een MSP met een mix van reactieve support en projectwerk.
Resource T besteedt gemiddeld 0,44 uur per ticket. Resource A besteedt gemiddeld 22,17 uur. Dat is een verschil van factor 50. Verschillende tickettypes verklaren het meeste hiervan, maar je moet bevestigen dat A en B bewust op projectniveau-werk zitten en niet vastlopen op tickets die sneller afgerond zouden moeten worden. Een gemiddelde van 20+ uur over 84 tickets betekent dat elk ticket een meerdaagse klus is.
Resources Q, R, S en T behandelen samen 10.147 tickets. Als een van hen vertrekt of langdurig afwezig is, krijgt je servicedesk-doorvoer direct een klap. Er is geen redundantie op dit niveau. Overweeg om minimaal twee L2-resources te trainen voor L1-overflow tijdens afwezigheid.
Acht resources met een gemiddelde van 2-4 uur per ticket komt overeen met standaard L2-efficientie-benchmarks voor MSP's. Dit middensegment is gezond. De aandacht moet naar de uitschieters: controleer of deep-dive resources op de juiste tickets zitten, en of quick-fix resources kwaliteit niet opofferen voor snelheid.
4 prioriteiten op basis van bovenstaande bevindingen
Trek de laatste 20 tickets van elk van deze resources en controleer de ticketcategorie, wachtrij en SLA-niveau. Als ze projecten of infrastructuurmigraties behandelen, kloppen hun gemiddelden en moet je projecttijd scheiden van servicedesktijd in je rapportage. Als ze op de algemene wachtrij horen te staan, onderzoek dan waarom tickets 10-22 uur kosten om op te lossen.
Resource T met 0,44 uur per ticket is snel, maar snelheid is niets waard als tickets heropend worden. Trek het heropening-percentage voor Resources O, Q, R, S en T. Als heropening boven 8% zit, kost die snelheid je herwerk. Als het onder 5% zit, zijn dit daadwerkelijk efficiente technici en moet je documenteren wat ze anders doen.
Vier resources behandelen samen meer dan 10.000 tickets. Dat is een concentratierisico. Train minimaal twee L2-resources (Resource L of M met 1,87 uur/ticket zitten het dichtst bij de L1-band) om L1-wachtrijen op te vangen tijdens ziektedagen, vakanties en verloop. Zelfs een week zonder dekking op dit niveau zorgt voor een achterstand die weken kost om in te halen.
Resources A, B en C trekken het totaalgemiddelde omhoog doordat hun projecturen worden meegeteld met servicedesktijd. Als Autotask verschillende ticketcategorieen gebruikt voor projecten vs serviceverzoeken, filter dit rapport dan op alleen service-tickets. Dat geeft je een zuiverder beeld van de daadwerkelijke servicedesk-efficientie.
Alle tijdsdata komt uit de BI_Autotask_Time_Entries-tabel in Proxuma Power BI. Deze tabel synchroniseert tijdregistraties vanuit Autotask, inclusief gewerkte uren, billable/non-billable verdeling, resourcenaam en het gekoppelde ticket-ID. De AI bevraagt deze tabel via DAX om per-resource gemiddelden te berekenen.
Een resource met 3 tickets en 10 totaal uren zou een gemiddelde van 3,33 uur/ticket laten zien. Dat getal is betekenisloos met zo'n kleine steekproef. De drempel van 50 tickets zorgt ervoor dat elk gemiddelde in dit rapport wordt ondersteund door voldoende data om richtinggevend te zijn. Je kunt deze drempel verhogen of verlagen in de DAX-query.
Branchebenchmarks varieren per niveau. L1-technici die wachtwoordresets, basis troubleshooting en software-installaties behandelen, zitten doorgaans op 0,5-1,5 uur per ticket. L2-technici op geescaleerde issues zitten op 2-4 uur. Alles boven 4 uur per ticket wijst doorgaans op projectwerk, complexe infrastructuurtickets of een procesprobleem.
Ja. Het veld hours_worked in de tijdregistratietabel bevat zowel billable als non-billable tijd. Je kunt filteren op alleen billable door de kolom Billable Hours te gebruiken. De DAX-toggle in sectie 5.0 toont een query die billable en non-billable uren per resource uitsplitst.
Ja. Voeg een datumfilter toe aan de DAX-query via de datumkolom van de tijdregistratie, of filter op ticketcategorie om serviceverzoeken te scheiden van projecten. Voor een QBR geeft filteren op het laatste kwartaal een bruikbaarder beeld dan een gemiddelde over alle tijd.
Ja. Verbind Proxuma Power BI met je Autotask-account, voeg een AI-tool toe (Claude, ChatGPT of Copilot) via MCP en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit op je echte data en levert een rapport als 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