Een analyse van 33.271 gewerkte uren over 67.521 tickets. Per prioriteit, per wachtrij en per klant laat dit rapport zien waar de meeste inspanning naartoe gaat en wat dat betekent voor jouw capaciteit en tarieven.
Een analyse van 33.271 gewerkte uren over 67.521 tickets. Per prioriteit, per wachtrij en per klant laat dit rapport zien waar de meeste inspanning naartoe gaat en wat dat betekent voor jouw capaciteit en tarieven.
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
Een analyse van 33.271 gewerkte uren over 67.521 tickets. Per prioriteit, per wachtrij en per klant laat dit rapport zien waar de meeste inspanning naartoe gaat en wat dat betekent voor jouw capaciteit en tarieven.
Het algehele gemiddelde van 0,49 uur per ticket wordt omlaag getrokken door het grote volume aan snelle L1 Support tickets. Het echte verhaal zit in de segmenten: P2 Hoge prioriteit tickets duren gemiddeld bijna twee uur, Professional Services tickets gemiddeld bijna vier uur, en sommige klanten genereren nagenoeg nul inspanning per ticket omdat hun werk volledig geautomatiseerd is.
EVALUATE ROW("TotalTickets", COUNTROWS('BI_Autotask_Tickets'), "TicketsWithTime", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]), "AvgHoursPerTicket", DIVIDE(SUM('BI_Autotask_Time_Entries'[hours_worked]), DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])), "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]))Prioriteitsniveaus laten zien hoe complexiteit is verdeeld over jouw tickettypen. De opvallendste bevinding: P2 Hoge prioriteit tickets vragen bijna twee keer de inspanning van P1 Kritieke tickets. Dit tegendraadse resultaat vertelt je dat jouw P2-laag technisch complexe incidenten bevat, niet zomaar urgente escalaties. P1 tickets worden vaak snel opgelost door senior engineers die precies weten wat ze moeten doen. P2 tickets vergen uitgebreid onderzoek en troubleshooting.
| Prioriteit | Gem. Uren | Aantal Tickets | Inspanningsbalk | Signaal |
|---|---|---|---|---|
| P2 - Hoog | 1,99u | 1.788 | Complexe incidenten | |
| P1 - Kritiek | 1,04u | 5.019 | Urgent, snel opgelost | |
| Service / Wijzigingsverzoek | 0,92u | 15.584 | Gepland werk | |
| P4 - Laag | 0,90u | 30.415 | Routinewerk | |
| P3 - Gemiddeld | 0,82u | 14.715 | Standaard tickets |
P4 Laag en P3 Gemiddeld tickets clusteren rond 0,82-0,90 uur, wat de normale basislijn is voor typisch supportwerk. Het verschil van 0,17 uur tussen P2 en P1 is groot genoeg om de vraag te stellen hoe jouw team inkomende complexe tickets categoriseert. Als P2 consequent zwaarder is dan P1, zijn de prioriteringsdefinities misschien toe aan een herziening.
EVALUATE
ADDCOLUMNS(
SUMMARIZE('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[priority_name]),
"Avg Hours",
AVERAGEX(
FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[priority_name] = EARLIER('BI_Autotask_Tickets'[priority_name])
&& 'BI_Autotask_Tickets'[worked_hours] > 0
),
'BI_Autotask_Tickets'[worked_hours]
),
"Ticket Count",
COUNTROWS(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[priority_name] = EARLIER('BI_Autotask_Tickets'[priority_name])
))
)
ORDER BY [Avg Hours] DESCInspanningsratios per klant tonen iets wat ticketaantallen alleen nooit laten zien. Twee klanten met vergelijkbaar ticketvolume kunnen een sterk afwijkende werkelijke supportlast hebben. Martin Group gemiddelt 0,74 uur per ticket over 2.775 tickets, wat wijst op een complexe infrastructuur of gebruikersgroep die technisch veeleisende problemen genereert. Aan de andere kant registreert Blanchard-Glenn 2.364 tickets met vrijwel nul inspanning per ticket. Alles is geautomatiseerd en sluit zonder menselijke tussenkomst.
| Klant | Aantal Tickets | Gewerkte Uren | Gem. u / Ticket | Inspanningsniveau |
|---|---|---|---|---|
| Martin Group | 2.775 | 2.046u | 0,74u | Hoge inspanning |
| Lewis LLC | 1.758 | 1.206u | 0,69u | Hoge inspanning |
| Craig-Huynh | 5.458 | 3.575u | 0,65u | Normaal |
| Wall PLC | 2.376 | 1.479u | 0,62u | Normaal |
| Little Group | 5.290 | 3.050u | 0,58u | Normaal |
| Thompson, Contreras and Rios | 1.803 | 949u | 0,53u | Normaal |
| Ramos Group | 1.728 | 875u | 0,51u | Normaal |
| Price-Gomez | 2.180 | 823u | 0,38u | Efficiënt |
| Rivers, Rogers and Mitchell | 6.381 | 1.090u | 0,17u | Alertruis |
| Blanchard-Glenn | 2.364 | 9u | 0,004u | Volledig automatisch |
Rivers, Rogers and Mitchell genereert het hoogste ruwe ticketvolume in de dataset (6.381 tickets) maar slechts 0,17 uur per ticket. Dat verschil vertelt je dat dit monitoringalerts of automatisch aangemaakte tickets zijn die zonder noemenswaardige engineertijd worden gesloten. Blanchard-Glenn is nog extremer met 0,004 uur per ticket over 2.364 tickets. Dat is een volledig geautomatiseerde klantomgeving met bijna geen menselijke supportvraag.
Voor tariefgesprekken verdienen Martin Group en Lewis LLC aandacht. Beide klanten genereren bovengemiddelde inspanning per ticket over aanzienlijke volumes. Als hun contracten geprijsd zijn op een aanname van 0,49 uur per ticket, zijn de werkelijke servicekosten respectievelijk 51% en 41% hoger dan het prijsmodel veronderstelt.
EVALUATE
TOPN(10,
ADDCOLUMNS(
SUMMARIZE('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[company_name]),
"Avg Hours Per Ticket",
AVERAGEX(
FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name] = EARLIER('BI_Autotask_Tickets'[company_name])
&& 'BI_Autotask_Tickets'[worked_hours] > 0
),
'BI_Autotask_Tickets'[worked_hours]
),
"Ticket Count",
COUNTROWS(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name] = EARLIER('BI_Autotask_Tickets'[company_name])
)),
"Total Hours",
SUMX(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name] = EARLIER('BI_Autotask_Tickets'[company_name])
), 'BI_Autotask_Tickets'[worked_hours])
),
[Ticket Count], DESC
)
ORDER BY [Avg Hours Per Ticket] DESCData per wachtrij geeft het scherpste beeld van werktypen in jouw organisatie. De spreiding is enorm: Recurring (Geparkeerd) tickets gemiddelen 5,77 uur elk, terwijl L1 Support tickets gemiddeld 0,57 uur meten. Dit is geen vergelijkbaar werk. Ze verdienen ook geen vergelijkbare prijsstelling.
| Wachtrij | Gem. Uren | Aantal Tickets | Werkcategorie |
|---|---|---|---|
| Recurring (Geparkeerd) | 5,77u | 98 | Langlopende taken |
| Professional Services | 3,88u | 546 | Projectwerk |
| Technische Afstemming | 3,03u | 2.316 | vCIO / advies |
| Post Sale | 2,88u | 209 | Implementatie |
| Ondersteuning Ter Plaatse | 2,40u | 705 | Bezoek op locatie |
| L3 Support | 1,97u | 193 | Senior escalatie |
| L2 Support | 1,28u | 7.889 | Midlaag support |
| Gecentraliseerde Diensten | 0,83u | 17.082 | Managed services |
| L1 Support | 0,57u | 31.378 | Eerstelijns triage |
L1 Support herbergt 46% van alle tickets (31.378) maar gemiddeld slechts 34 minuten per ticket. Dat is jouw volumeabsorbeerder. Het algehele gemiddelde van 0,49 uur is grotendeels een gevolg van deze hoog-volume, laag-inspanning wachtrij die het cijfer omlaag trekt. Bij capaciteitsplanning loont het om L1-volume te scheiden van de intensievere wachtrijen voor een accuraat beeld van de workload van senior engineers.
EVALUATE
ADDCOLUMNS(
SUMMARIZE('BI_Autotask_Tickets', 'BI_Autotask_Tickets'[queue_name]),
"Avg Hours",
AVERAGEX(
FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[queue_name] = EARLIER('BI_Autotask_Tickets'[queue_name])
&& 'BI_Autotask_Tickets'[worked_hours] > 0
),
'BI_Autotask_Tickets'[worked_hours]
),
"Ticket Count",
COUNTROWS(FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[queue_name] = EARLIER('BI_Autotask_Tickets'[queue_name])
))
)
ORDER BY [Avg Hours] DESCP2 Hoog gemiddelt 1,99 uur per ticket, tegenover 1,04 uur voor P1 Kritiek. Dit geeft aan dat jouw P2-laag technisch complexe incidenten herbergt die diepgaand onderzoek vragen. Overweeg of de prioriteitsdefinities herziening behoeven, of dat P2 tickets een dedicated aanpak verdienen om context switching bij engineers te voorkomen.
Met 0,74 uur per ticket over 2.775 tickets genereert Martin Group circa 2.046 uur werktijd totaal. Als hun contractprijs uitging van het gemiddelde van 0,49 uur, zijn de werkelijke kosten van deze account aanzienlijk hoger dan begroot. Dit vraagt om een winstgevendheidscontrole voor de volgende verlengingsgesprekken.
De hoogste-volume klant in de dataset gemiddelt slechts 10 minuten per ticket. Een duidelijk signaal dat de overgrote meerderheid automatisch aangemaakte monitoring alerts of geautomatiseerde processen zijn. Het scheiden van alerttickets van echte supportverzoeken geeft een zuiverder beeld van de werkelijke per-klant supportvraag.
2.364 tickets met een gecombineerd totaal van slechts 9 uur gewerkt. Dat is een gemiddelde van 0,004 uur per ticket. Als dit aansluit bij het contracttype, is dit een nuttig referentiepunt voor andere klanten die baat zouden hebben bij vergelijkbare automatiseringsinvestering.
31.378 tickets door L1 met een gemiddelde afhandeltijd van 34 minuten wijst op effectieve eerstelijns triage. Het algehele gemiddelde van 0,49 uur is grotendeels een product van dit hoge volume, lage-inspanning kanaal. Scheid L1-volume van de intensievere wachtrijen voor een accuraat beeld van de seniorengineercapaciteit.
De maatstaf deelt het totale aantal geregistreerde gewerkte uren op tickets door het aantal tickets in scope. In de uitsplitsingen naar prioriteit en wachtrij filtert de berekening op tickets met worked_hours groter dan nul, zodat tickets zonder tijdregistratie het gemiddelde niet scheeftrekken. Het algehele cijfer van 0,49 uur omvat alle 67.521 tickets, ongeacht of er tijd op is gelogd.
P1 Kritieke tickets activeren doorgaans jouw snelste, meest ervaren engineers die bekende problemen snel kunnen oplossen. P2 Hoge tickets zijn vaak technisch complexe problemen die de drempel van "alles ligt plat" niet halen, maar toch zorgvuldig onderzoek, oorzaakanalyse en testen vragen voor oplossing. Een hogere inspanning per ticket voor P2 is een veelvoorkomend patroon bij MSP's. Het duidt doorgaans op goede triage: P1 voor echte noodsituaties, P2 voor complexe-maar-niet-rampzalige incidenten.
Ja, voor veel toepassingen wel. Geautomatiseerde monitoringalerts, RMM-gegenereerde tickets en automatisch sluitende scripttickets verdunnen de maatstaf en maken het moeilijker om echte engineerproductiviteit te beoordelen. Dit rapport draaien met een filter dat tickets van jouw RMM of monitoringsysteem uitsluit, geeft een zuiverder basislijn voor personeels- en prijsbeslissingen. Klanten als Blanchard-Glenn (0,004u/ticket) en Rivers, Rogers and Mitchell (0,17u/ticket) zijn duidelijke kandidaten voor dit type segmentatie.
Als jouw per-seat of per-device contracten geprijsd zijn op een aangenomen uren-per-ticket basislijn, verbruiken klanten die significant boven die basislijn zitten meer service dan hun contract aanneemt. Martin Group op 0,74u/ticket versus het gemiddelde van 0,49u betekent dat de werkelijke servicekosten per ticket circa 51% hoger zijn. Het combineren van dit rapport met een winstgevendheidsanalyse per klant toont welke accounts tarifsaanpassing of scopebijstelling nodig hebben bij verlenging.
Er bestaat geen universele benchmark, want het cijfer hangt sterk af van de ticketmix. Een MSP met veel L1 Helpdesk tickets laat een lager gemiddelde zien dan één gericht op projectwerk en Technische Afstemming. Wat telt, is de trend over tijd en de gesegmenteerde weergave per wachtrij. Als jouw algehele gemiddelde per kwartaal stijgt, zoek dan uit welke wachtrijen dat drijven. Als L1 Support stijgt van 34 naar 50 minuten, wijst dat op een trainings- of toolingprobleem. Als Professional Services stijgt, kan dat toenemend complexe klantomgevingen weerspiegelen die tariefaanpassing rechtvaardigen.
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