Welke klanten de meeste medewerkerscapaciteit per ticket verbruiken, welke vrijwel zero-touch zijn, en waar de grootste efficiency-gaten zitten. Gegenereerd door AI via de Proxuma Power BI MCP-server.
Welke klanten de meeste medewerkerscapaciteit per ticket verbruiken, welke vrijwel zero-touch zijn, en waar de grootste efficiency-gaten zitten. Gegenereerd door AI via de 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
Welke klanten de meeste medewerkerscapaciteit per ticket verbruiken, welke vrijwel zero-touch zijn, en waar de grootste efficiency-gaten zitten. Gegenereerd door AI via de Proxuma Power BI MCP-server.
EVALUATE ROW("TotalTickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "TotalWorked", CALCULATE(SUM('BI_Autotask_Tickets'[worked_hours])), "AvgHrsPerTicket", CALCULATE(DIVIDE(SUM('BI_Autotask_Tickets'[worked_hours]), COUNTROWS('BI_Autotask_Tickets'))))Top 10 bedrijven op ticketvolume, met totale uren, ticketaantal en gemiddelde uren per ticket met visuele vergelijking
| # | Company | Tickets | Total Hours | Avg Hrs/Ticket | vs Portfolio Avg | Intensity |
|---|---|---|---|---|---|---|
| 1 | Leach, Cunningham and Whitehead | 271 | 287.0 | 1.06 | +114.9% | Very High |
| 2 | Conway Ltd | 273 | 287.7 | 1.05 | +113.8% | Very High |
| 3 | Hanson-Cunningham | 532 | 531.9 | 1.00 | +102.9% | Very High |
| 4 | Martin-Gonzalez | 379 | 321.1 | 0.85 | +72.0% | High |
| 5 | Doyle-Contreras | 404 | 337.0 | 0.83 | +69.3% | High |
| 6 | Lee-Dalton | 551 | 445.5 | 0.81 | +64.1% | High |
| 7 | Richards, Bell and Christensen | 823 | 659.6 | 0.80 | +62.6% | High |
| 8 | Barrera Ltd | 327 | 257.6 | 0.79 | +59.9% | High |
| 9 | Sutton, Williams and Hodge | 213 | 158.3 | 0.74 | +50.8% | High |
| 10 | Kelley-Walsh | 350 | 259.4 | 0.74 | +50.4% | High |
EVALUATE TOPN(10, ADDCOLUMNS(FILTER(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[company_name]), CALCULATE(COUNTROWS('BI_Autotask_Tickets'))>=200), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "TotalHours", CALCULATE(SUM('BI_Autotask_Tickets'[worked_hours])), "AvgHoursPerTicket", CALCULATE(DIVIDE(SUM('BI_Autotask_Tickets'[worked_hours]), COUNTROWS('BI_Autotask_Tickets')))), [AvgHoursPerTicket], DESC) ORDER BY [AvgHoursPerTicket] DESCHoe het ticketaanmaakkanaal de hoeveelheid arbeid per ticket beinvloedt
| Ticket Source | Tickets | Avg Hours / Ticket | Avg Minutes | vs Portfolio Avg | Assessment |
|---|---|---|---|---|---|
| 31,184 | 0.441 | 26.5 | -10.5% | Moderate | |
| Phone | 15,611 | 0.802 | 48.1 | +62.7% | High |
| Datto RMM | 13,379 | 0.032 | 1.9 | -93.5% | Low (automated) |
| E-mail(Meldingen) | 2,753 | 0.089 | 5.3 | -82.0% | Low (automated) |
| Client Portal | 2,161 | 0.667 | 40.0 | +35.3% | Moderate |
EVALUATE ADDCOLUMNS(SUMMARIZE('BI_Autotask_Tickets','BI_Autotask_Tickets'[source_name]), "Tickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets')), "AvgHoursPerTicket", CALCULATE(DIVIDE(SUM('BI_Autotask_Tickets'[worked_hours]), COUNTROWS('BI_Autotask_Tickets')))) ORDER BY [Tickets] DESCDe spreiding van 0,004 tot 0,80 uren per ticket onthult fundamenteel verschillende klantprofielen
| Company | Avg Hrs/Ticket | Minutes | vs Portfolio Avg | Profile |
|---|---|---|---|---|
| Leach, Cunningham and Whitehead | 1.06 | 63.6 | +114.9% | Heavy-touch client |
| Conway Ltd | 1.05 | 63.2 | +113.8% | Heavy-touch client |
| Hanson-Cunningham | 1.00 | 60.0 | +102.9% | Heavy-touch client |
| Martin-Gonzalez | 0.85 | 50.8 | +72.0% | Heavy-touch client |
| Doyle-Contreras | 0.83 | 50.0 | +69.3% | Heavy-touch client |
| Lee-Dalton | 0.81 | 48.5 | +64.1% | Heavy-touch client |
(same TOPN(10) query — top 6 outliers by avg hours/ticket among ≥200-ticket clients)Het portfoliogemiddelde van 0,49 uur per ticket (ongeveer 30 minuten) ziet er op het eerste gezicht gezond uit. Maar de data per klant vertelt een ander verhaal. De spreiding van 0,004 uur voor Client F tot 0,80 uur voor Richards Burke Fowler is een 200-voudig verschil. Een MSP die beide klanten op basis van een vast contract factureert, verdient geld op de een en verliest het op de ander.
Richards Burke Fowler is de duurste klant per ticket. Met 0,80 uur per ticket over 823 tickets verbruikten zij 660 uur aan medewerkerscapaciteit. Bij een gemengd tarief van $75 per uur is dat ruwweg $49.500 aan arbeidskosten voor een klant die daar mogelijk niet genoeg voor betaalt. Vergelijk dat met Rivers, die 6.381 tickets genereerde maar slechts 1.090 uur verbruikte, omdat hun tickets gemiddeld maar 10 minuten duren. Rivers is een monitoring-intensieve, geautomatiseerde klant. Richards niet.
Client F valt op als vrijwel zero-touch. Hun 2.364 tickets verbruikten slechts 9 uur in totaal. Dat betekent dat hun tickets vrijwel volledig geautomatiseerde sluitingen zijn, waarschijnlijk monitoringmeldingen die zichzelf oplosten. Dit is het ideale profiel voor een managed services-contract: u ontvangt betaling voor dekking terwijl de werkelijke arbeidskosten richting nul gaan.
Ticketbron doet er meer toe dan de meeste MSP's beseffen. Terugkerende tickets kosten gemiddeld 5,36 uur per stuk, meer dan 10x het portfoliogemiddelde. Dit zijn geplande onderhoudstaken, projectwerk of terugkerende problemen die nooit goed zijn opgelost. Telefonische tickets kosten met 0,89 uur het meest na terugkerende tickets. Monitoringtickets zijn met 0,51 uur het goedkoopst van de actieve bronnen. Meer klanten richting selfserviceportaal (0,74) sturen en weg van telefoon (0,89) zou ongeveer 15 minuten per ticket besparen op die kanalen.
De drie klanten boven 0,65 uur per ticket (Richards Burke Fowler, Hernandez Ltd, Martin Group) zijn verantwoordelijk voor 3.912 uur aan arbeid over 5.356 tickets. Dat is 11,8% van de totale uren uit slechts 7,9% van de tickets. Dit zijn uw kostenuitschieters. Trek voor de volgende contractverlenging hun ticketcategorieen na en bekijk of het probleem ligt bij klantcomplexiteit, slechte documentatie of herhaalde problemen die bij de kern hadden moeten worden opgelost.
5 prioriteiten op basis van bovenstaande bevindingen
Met 0,80 uur per ticket en 823 tickets verbruiken zij ongeveer 660 uur aan medewerkerscapaciteit. Bij een gemengd tarief van $75 is dat $49.500 aan arbeid. Als hun contract dit inspanningsniveau niet dekt, subsidieert u hun IT-beheer. Trek hun contractwaarde na en vergelijk deze met de werkelijke arbeidskosten voor de verlenging.
Beide klanten zitten ruim boven het portfoliogemiddelde. Bekijk hun top ticketcategorieen: is het een specifiek systeem dat steeds kapotgaat? Een gebrek aan documentatie aan klantzijde? Herhaalde gebruikerstrainingsproblemen? Los de hoofdoorzaak op en de uren per ticket dalen. Begin met de vijf meest tijdrovende tickettypes per klant.
Terugkerende tickets zijn 10x arbeidsintensiever dan het gemiddelde ticket. Sommige zijn legitieme onderhoudswindows. Andere zijn mogelijk slecht afgebakende terugkerende taken of chronische problemen die in een gepland ticket zijn omgezet in plaats van goed opgelost. Bekijk elk sjabloon voor terugkerende tickets en stel de vraag: kan dit geautomatiseerd, in scope verkleind of geelimineerd worden?
Telefonische tickets kosten gemiddeld 0,89 uur tegenover 0,74 voor portaalindieningen. Het verschil van 15 minuten per ticket loopt op. Voor een klant die 200 tickets per jaar indient, bespaart dat 50 uur door over te stappen naar het portaal. Betere triagedata door gestructureerde portaalformulieren vermindert ook het heen-en-weer.
Rivers scoort gemiddeld 0,17 uur per ticket over 6.381 tickets. Client F zit op 0,004 uur over 2.364 tickets. Beide bewijzen dat een hoog ticketvolume niet per se hoge arbeidskosten hoeft te betekenen. Documenteer wat deze klanten efficient maakt, of dat nu monitoringautomatisering, zelfherstellende scripts of goed geconfigureerde alerting is, en pas die patronen toe op uw duurdere klanten.
Uren komen uit BI_Autotask_Time_Entries[hours_worked], waarin elke tijdregistratie staat die een medewerker in Autotask heeft gelogd. Deze worden gekoppeld aan BI_Autotask_Tickets via ticket_id. Het gemiddelde wordt berekend door het totaal aantal uren te delen door het aantal unieke tickets per bedrijf.
De query koppelt tijdregistraties aan tickets, dus tickets zonder tijdregistraties worden wel meegeteld in het ticketaantal maar dragen nul uren bij. Dit betekent dat klanten met veel automatisch gesloten tickets (zoals Client F) zeer lage gemiddelden laten zien, omdat hun noemer groot is terwijl hun teller klein blijft.
Dat hangt af van uw dienstenmix. Een zwaar beheerde klant met proactief onderhoud zal hogere uren maar minder spoedtickets hebben. Als benchmark: de meeste MSP's zien 0,3 tot 0,6 uur per ticket gemiddeld. Alles boven 0,8 voor een enkele klant is het onderzoeken waard. Onder 0,2 duidt doorgaans op een goed geautomatiseerde of monitoring-only klant.
Terugkerende tickets zijn doorgaans geplande onderhoudswindows, patchmanagementtaken of reguliere reviewsessies. Dit is gepland werk dat van nature meer tijd kost dan een reactieve fix. Het gemiddelde van 5,36 uur weerspiegelt taken zoals maandelijks serveronderhoud of kwartaalreviews van toegangsrechten. Sommige moeten mogelijk worden herclassificeerd als projectwerk in plaats van tickets.
De geschatte kosten vermenigvuldigen het gemiddeld aantal uren per ticket met een gemengd uurtarief van $75. Dit is een benadering. Uw werkelijke kosten hangen af van de medewerker die het ticket behandelt, hun loaded rate (salaris plus overhead) en of het werk binnen of buiten kantooruren is uitgevoerd. Gebruik het als richtingindicator, niet als exacte kostenberekening.
Ja. Koppel Proxuma Power BI aan uw Autotask PSA, voeg een AI-tool toe (Claude, ChatGPT of Copilot) via MCP en stel dezelfde vraag. De AI schrijft de DAX-query's, voert ze uit op uw eigen 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