We hebben de cijfers over engineer productiviteit uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
We hebben de cijfers over engineer productiviteit uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
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: Operations managers, service delivery leads, and MSP owners managing capacity
Hoe vaak: Wekelijks for scheduling, monthly for utilization reviews, quarterly for staffing decisions
We hebben de cijfers over engineer productiviteit uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
EVALUATE ROW("Active Engineers", CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[resource_name]), 'BI_Autotask_Time_Entries'[hours_worked] > 0), "Total Hours", [Total], "Tickets Resolved", [Tickets - Count - Resolved], "Avg Hours per Ticket", [Tickets - Avg Hours Per Ticket], "Portfolio Billable %", [Billable % (Proxuma Capacity)])Klanten gerangschikt op totaal aantal tickets uit de demodataset
| Engineer | Hours |
|---|---|
| Dr. Amber Ayala DVM | 2,399.8 |
| James Li | 2,136.0 |
| Kevin Allen | 2,060.1 |
| Maxwell Reed | 2,050.3 |
| Andrew Roberts | 1,887.7 |
| David Hunt | 1,862.2 |
| Chelsea Thomas | 1,779.6 |
| Jennifer King | 1,584.5 |
| Jerry Mcfarland | 1,554.0 |
| Gregory Horn | 1,504.5 |
| Jeremy White | 1,492.5 |
| Elizabeth Ortega | 1,433.4 |
| Daniel Daniels | 1,418.4 |
| Brandon Bishop | 1,361.5 |
| Brandon Lynn | 1,343.7 |
EVALUATE TOPN(15, FILTER(SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "Hours", SUM('BI_Autotask_Time_Entries'[hours_worked])), [Hours] > 0), [Hours], DESC) ORDER BY [Hours] DESCGelogde uren per resource uit de demodataset
| Engineer | Tickets | Hours |
|---|---|---|
| Tracy Fitzpatrick | 4,802 | 1,290.4 |
| Brandon Bishop | 3,274 | 1,361.5 |
| Daniel Daniels | 3,219 | 1,418.4 |
| Maxwell Reed | 2,612 | 2,050.3 |
| Jonathon Burton | 2,456 | 1,284.9 |
| Andrew Roberts | 2,296 | 1,887.7 |
| Gregory Horn | 2,016 | 1,504.5 |
| John Mahoney | 1,795 | 879.9 |
| Rose Russell | 1,508 | 768.2 |
| Ronald Smith | 1,420 | 818.3 |
| Paula Lewis MD | 1,418 | 1,293.8 |
| Mr. Craig Peck | 1,220 | 1,232.2 |
| Jane Stewart | 1,167 | 696.1 |
| Sean White | 1,165 | 592.0 |
| Nathan Curtis | 1,019 | 318.1 |
EVALUATE TOPN(15, FILTER(SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "TicketsResolved", CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]), 'BI_Autotask_Time_Entries'[ticket_id] <> BLANK()), "Hours", SUM('BI_Autotask_Time_Entries'[hours_worked])), [TicketsResolved] > 0), [TicketsResolved], DESC) ORDER BY [TicketsResolved] DESCMaandelijks ticketvolume over de gemeten periode
| Engineer | Hours | Tickets | Avg Hrs / Ticket |
|---|---|---|---|
| Chelsea Thomas | 1,779.6 | 148 | 12.02 |
| Dr. Amber Ayala DVM | 2,399.8 | 602 | 3.99 |
| Darren Alexander | 1,224.2 | 308 | 3.97 |
| Jerry Mcfarland | 1,554.0 | 488 | 3.18 |
| James Li | 2,136.0 | 793 | 2.69 |
| Brandon Lynn | 1,343.7 | 577 | 2.33 |
| Stephanie Clay | 1,062.9 | 492 | 2.16 |
| Jennifer King | 1,584.5 | 762 | 2.08 |
| Jeremy White | 1,492.5 | 723 | 2.06 |
| Paul Hoffman | 991.9 | 530 | 1.87 |
| Marie Fisher | 1,256.4 | 672 | 1.87 |
| Nancy Johnson | 187.7 | 107 | 1.75 |
| Ross Stephens | 579.7 | 390 | 1.49 |
| Maria Brown | 241.5 | 168 | 1.44 |
| Stephen Joyce | 362.6 | 294 | 1.23 |
EVALUATE TOPN(15, FILTER(SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "Hours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "Tickets", CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]), 'BI_Autotask_Time_Entries'[ticket_id] <> BLANK()), "AvgHrsPerTicket", DIVIDE(SUM('BI_Autotask_Time_Entries'[hours_worked]), CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id]), 'BI_Autotask_Time_Entries'[ticket_id] <> BLANK()))), [Tickets] >= 100), [AvgHrsPerTicket], DESC) ORDER BY [AvgHrsPerTicket] DESCOmzetverdeling per bedrijf uit billingdata
| Bedrijf | Omzet |
|---|---|
| Manders-Peek | €214,468 |
| Mulder & Partners | €253,148 |
| Wu-Jacobs | €321,669 |
| Torres-Jones | €255,698 |
| Vermeulen, Jacobs en Maes | €320,831 |
| Patterson, Riley and Lawson | €416,449 |
| Rijksen, Bel en Christiaans | €328,164 |
| Brouwer, Kok en Scholten | €469,660 |
| Dijkstra-Postma | €286,926 |
| Jansen Groep | €1,431,177 |
| Van Dijk BV | €476,622 |
| Gerritsen-Kuiper | €2,324,616 |
| Bakker & Zonen | €637,091 |
| Janssen-Peeters | €589,694 |
| De Vries ICT | €2,212,914 |
EVALUATE TOPN(15, SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_name], "Revenue", SUM('BI_Autotask_Billing_Items'[total_amount])), [Revenue], DESC)Wat de data ons vertelt
Over 39,226 records in totaal is de verdeling sterk geconcentreerd. Wolters-Kuipers neemt alleen al 2.6% van het totale volume voor z'n rekening (1,002 records). Dat soort concentratie is het monitoren waard: als één klant structureel de workload domineert, kan dat wijzen op scope creep, onvoldoende preventief onderhoud, of een mismatch in pricing.
De maandelijkse trend laat een dalend verloop zien over de gemeten periode, van 3,478 naar 2,164. Een dalende trend kan het gevolg zijn van betere automation, betere documentatie, of minder klantactiviteit.
Het team heeft 25,868 uur gelogd over 15 resources, gemiddeld 1,724 uur per persoon. Let op uitschieters aan beide kanten: engineers die veel meer loggen zijn mogelijk overbelast, terwijl lage uren kunnen wijzen op problemen met logging compliance.
Wolters-Kuipers genereert de meeste activiteit. Check of dit past bij hun contract scope en SLA-tier.
Richt een wekelijkse of maandelijkse review in van engineer productiviteit-metrics. Trends zijn belangrijker dan momentopnames. Gebruik de DAX-queries in dit rapport als startpunt.
Dit rapport gebruikt demodata. Koppel Proxuma Power BI aan je eigen Autotask PSA om deze analyse op je echte cijfers los te laten.
De TOTAAL TICKETS metric wordt afgeleid uit het onderliggende Power BI dataset met DAX queries. Het aggregeert data over de rapportageperiode voor een geconsolideerd overzicht van totaal tickets performance.
Dit rapport haalt operationele data op uit Autotask PSA, Datto RMM, Datto Backup via de Proxuma Power BI integratie. De analyse dekt de standaard rapportageperiode en bevat alle actieve records die aan de rapportcriteria voldoen.
Bekijk de specifieke datapunten in deze sectie en vergelijk ze met je operationele context. Gebruik het rapport als startpunt voor teamdiscussies en prioritering van vervolgacties.
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