This report provides a detailed breakdown of meest vs. minst productieve technici for managed service providers.
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: MSP operations teams and service delivery managers
Hoe vaak: As needed for specific analysis or reporting requirements
-- Afgesloten tickets per technicus
EVALUATE
ADDCOLUMNS(
TOPN(25,
SUMMARIZE(
'BI_Autotask_Tickets',
'BI_Autotask_Tickets'[primary_resource_name]
),
[Tickets - Count - Completed], DESC
),
"Afgesloten tickets", [Tickets - Count - Completed]
)
ORDER BY [Afgesloten tickets] DESCDe beste presteerders combineren een hoog ticketvolume met sterke declarabele output. Dit scorecard sluit één uitbijteraccount uit dat 21.279 afgesloten tickets toont. Dat is 6 keer zoveel als de volgende technicus en wijst op een dispatch-wachtrij of geautomatiseerde tickettoewijzing in plaats van een individuele medewerker. De echte ranglijst begint bij Tracy Fitzpatrick met 3.585 afgesloten tickets.
| # | Technicus | Afgesloten tickets | Declarabele uren | Declarabel % | Beoordeling |
|---|---|---|---|---|---|
| 1 | Tracy Fitzpatrick | 3.585 | 1.254 | 97,2% | Uitzonderlijk |
| 2 | Gregory Horn | 3.234 | 957 | 63,6% | Declaratiegat |
| 3 | Brandon Bishop | 2.632 | 1.322 | 97,1% | Uitzonderlijk |
| 4 | Jane Stewart | 2.614 | — | n.v.t. | Alleen tickets |
| 5 | Daniel Daniels | 2.427 | 1.344 | 94,7% | Uitzonderlijk |
| 6 | Maxwell Reed | 1.899 | 1.838 | 89,6% | Hoogste omzet |
| 7 | Andrew Roberts | 1.871 | 1.527 | 80,9% | Sterk |
| 8 | David Collins | 1.672 | — | n.v.t. | Alleen tickets |
| 9 | Jonathon Burton | 1.665 | 1.213 | 94,4% | Uitzonderlijk |
| 10 | Stephen Nelson | 1.336 | — | n.v.t. | Gedeeltelijke data |
Opmerking: "—" in declarabele uren betekent dat de technicus niet in de top 25 tijdregistraties op volume stond. Urencijfers dekken de 25 meest actieve resources op basis van tijdinvoer.
Vier technici onderscheiden zich als werkelijk uitzonderlijk door een hoog ticketvolume te combineren met hoge declarabelpercentages. Dit zijn de resources die de meeste waarde leveren per werkdag, omdat elk gelogd uur ook omzet genereert.
Gregory Horn is het duidelijkste voorbeeld van een productiviteitskloof in deze dataset. Hij staat tweede op ticketaantal met 3.234 afgesloten tickets, maar zijn declarabelheid is 63,6%, ruim onder het teamgemiddelde van 75,6%. Ondanks het hoge volume genereert een substantieel deel van zijn tijd geen clientomzet. Bij de gemiddelde MSP-tariefstructuur zou het terugwinnen van 10 procentpunten declarabelheid op 1.505 uur al zo'n 150 extra declarabele uren per jaar opleveren.
Meerdere resources tonen een extreem laag aantal afgesloten tickets. Een deel daarvan is verwacht: deeltijdrollen, escalatiespecialisten of interne medewerkers die geen primaire ticketeigenaar zijn. Andere gevallen kunnen wijzen op resources die niet actief betrokken zijn bij de ticketwachtrij. De onderstaande tabel toont de laagste 8 op afgesloten tickets, exclusief de resource met nul-datapunt.
| Technicus | Afgesloten tickets | vs. gem. (567) | Mogelijke verklaring |
|---|---|---|---|
| Mr. Corey Griffin | 1 | -99,8% | Waarschijnlijk nieuwe medewerker, interne rol of gegevensfout |
| Michael Macdonald | 3 | -99,5% | Waarschijnlijk specialist of niet-standaard rol |
| Stephen Castillo | 6 | -98,9% | Controleer wachtrij-toegang en toewijzingsregels |
| Michael Ayers | 6 | -98,9% | Controleer wachtrij-toegang en toewijzingsregels |
| Christopher Garcia | 8 | -98,6% | Controleer of dispatch tickets aan deze resource stuurt |
| Sean Castillo | 9 | -98,4% | Zeer laag. Waarschijnlijk specialist of off-queue rol |
| Jaime Weaver | 15 | -97,4% | Bekijk werklast en actieve toewijzingen |
| Virginia Combs | 16 | -97,2% | Logt 932 uur in tijdregistraties, mogelijk projectgericht werk |
Beide combineren hoge ticketoutput (3.585 en 2.632 respectievelijk) met bijna 97% declarabelheid. Die combinatie is zeldzaam en moeilijk vol te houden. Deze twee zouden deel moeten uitmaken van elk gesprek over best practices rond tijdregistratie, ticketafhandeling en categorisering van klantwerk. Begrijpen hoe zij hun dag structureren kan het teamgemiddelde omhoog helpen.
Dit is de duidelijkste productiviteitskloof in de dataset. Een hoog ticketaantal gecombineerd met een laag declarabelpercentage wijst op een categoriefout in Autotask, onjuiste tijdregistratie, of intern werk dat gemengd is met zijn ticketwachtrij. Een korte analyse van zijn tijdregistratiewerktypes tegen zijn afgesloten ticketcategorieën zou de oorzaak waarschijnlijk binnen één beoordelingssessie boven water brengen.
Dit is vrijwel zeker een systeemaccount, dispatchingwachtrij of automatisch toewijzingsresource en geen menselijke technicus. Dit account zonder melding opnemen in productiviteitsrapportages zou gemiddelden kunstmatig opblazen en vergelijkingen vertekenen. Controleer de resourceconfiguratie in Autotask en zorg dat het account wordt uitgesloten van rapportages of als wachtrij wordt gelabeld in plaats van als individuele medewerker.
Ondanks een zesde plek op ticketaantal genereert Maxwell Reed 1.838 declarabele uren op 89,6%. Dat zijn de hoogste declarabele uren van de gehele groep en het resultaat van een combinatie van hoog volume en sterke conversie. Hij is de grootste enkelvoudige omzetbijdrager van het team. Dat maakt hem het beschermen waard tegen overbelasting, te veel niet-declarabel werk of het risico op uitputting door constante overbelasting van zijn planning.
Gedeeltelijk. Afgesloten tickets zijn een sterk signaal voor doorstroming: hoeveel werk een technicus door het systeem beweegt. Maar het legt complexiteit of tijdsinvestering niet vast. Een technicus die 3.000 eenvoudige wachtwoordresets oplost, produceert mogelijk minder waarde dan iemand die 500 complexe netwerkproblemen oplost. Daarom combineert dit rapport ticketaantallen met declarabele uren en het declarabelpercentage voor een completer beeld.
De declarabele urendata dekt de top 25 resources op volume in de tijdregistratietabel. Sommige technici die veel tickets sluiten staan niet in de top 25 op tijdregistraties. Dit kan voorkomen wanneer tickets bulksgewijs worden toegewezen of automatisch worden gesloten zonder bijbehorende tijdinvoer. Het is de moeite waard om te controleren of deze resources tijd registreren op hun afgesloten tickets in Autotask.
Begin met data, niet met conclusies. Toon de technicus zijn specifieke cijfers naast het teamgemiddelde. Stel open vragen: aan wat voor werk besteed je het grootste deel van je tijd? Zijn er ticketcategorieën die je behandelt en die doorgaans niet-declarabel zijn? Zijn er blokkades in je wachtrij die je vertragen? Onderpresteren heeft vaak een structurele oorzaak die de technicus zelf snel kan identificeren zodra hij de data ziet.
Ja. De DAX-query's in dit rapport kunnen worden uitgebreid met CALCULATE en extra filterargumenten op kolommen zoals queue_name, team_name of ticket_category in BI_Autotask_Tickets. Het live Power BI-dashboard dat bovenaan deze pagina is gekoppeld, bevat beide filters standaard als slicers.
Vergelijk dit rapport met het capaciteitsbenutt rapport. Als een technicus 2.000+ uur logt op 97% declarabel en het volume kwartaal na kwartaal stijgt, is dat een signaal. De juiste reactie is niet direct minder toewijzen, maar de wachtrij-routing bekijken. Is deze technicus de standaard escalatiepad? Kunnen andere technici met minder tickets en een goede declarabelheid een deel van de last overnemen?
De cijfers hier komen uit twee Autotask-tabellen: tickets en tijdregistraties. De AI stelde één vraag, draaide vijf DAX-query's over beide tabellen, vergeleek de resultaten kruislings en bouwde dit rapport in minder dan twee minuten. Met jouw eigen Proxuma Power BI-koppeling draait dezelfde analyse op aanvraag tegen jouw live data.
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