Een cross-source analyse van HiBob-personeelsbestand tegen Autotask PSA factureerbare benutting, over 75 medewerkers, 9 afdelingen en 50.752 gewerkte uren.
Een cross-source analyse van HiBob-personeelsbestand tegen Autotask PSA factureerbare benutting, over 75 medewerkers, 9 afdelingen en 50.752 gewerkte uren.
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
Een cross-source analyse van HiBob-personeelsbestand tegen Autotask PSA factureerbare benutting, over 75 medewerkers, 9 afdelingen en 50.752 gewerkte uren.
Medewerkerverdeling over 9 afdelingen vanuit HiBob
| Afdeling | Medewerkers | Managers | Gem. Dienstverband |
|---|---|---|---|
| Support | 20 | 2 | 2,1 jr |
| Engineering | 9 | 1 | 7,1 jr |
| Operations | 8 | 0 | 4,0 jr |
| IT | 6 | 1 | 3,7 jr |
| Leadership | 5 | 0 | 11,8 jr |
| Finance | 5 | 1 | 4,2 jr |
| Product | 4 | 1 | 0,0 jr |
| Sales | 4 | 2 | 1,0 jr |
| Marketing | 4 | 1 | 5,0 jr |
EVALUATE
SUMMARIZECOLUMNS(
'BI_HiBob_Employee'[department],
"EmpCount", COUNTROWS('BI_HiBob_Employee'),
"Managers", CALCULATE(
COUNTROWS('BI_HiBob_Employee'),
'BI_HiBob_Employee'[is_manager] = TRUE()
),
"AvgTenure", AVERAGE('BI_HiBob_Employee'[tenure_years])
)
ORDER BY [EmpCount] DESCTop 8 engineers op basis van totaal gelogde uren, met factureerbaar percentage en ticketaantal
| Engineer | Totaal Uren | Factureerbaar | Factureerbaar % | Tickets |
|---|---|---|---|---|
| Engineer A | 2.400 | 1.749 | 72,9% | 603 |
| Engineer B | 2.136 | 1.303 | 61,0% | 794 |
| Engineer C | 2.060 | 1.145 | 55,6% | 99 |
| Engineer D | 2.050 | 1.838 | 89,6% | 2.613 |
| Engineer E | 1.888 | 1.527 | 80,9% | 2.297 |
| Engineer F | 1.862 | 1.416 | 76,0% | 84 |
| Engineer G | 1.780 | 1.157 | 65,0% | 149 |
| Engineer H | 1.585 | 1.228 | 77,5% | 763 |
Engineer D en Engineer E vallen op. Beiden zitten boven de 80% factureerbaar en verwerken ieder meer dan 2.000 tickets. Die combinatie van hoge benutting en hoog ticketvolume betekent dat zij een groot deel van het frontlijnwerk doen. Engineer C daarentegen logde 2.060 uren maar slechts 55,6% factureerbaar over 99 tickets. Dat wijst op een projectmatige of interne rol in plaats van een klantgerichte.
EVALUATE
TOPN(15,
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHrs", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"NonBillableHrs", SUM('BI_Autotask_Time_Entries'[Non billable Hours]),
"TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])
),
[TotalHours], DESC
)
ORDER BY [TotalHours] DESCVergelijking van feitelijke output met theoretische capaciteit voor 75 medewerkers
Het factureerbare percentage van 75,6% ziet er gezond uit, en dat is het ook -- voor de uren die daadwerkelijk worden gelogd. Het probleem is dat slechts 32,5% van de theoretische capaciteit (75 medewerkers × 2.080 uur/jaar = 156.000 uren) wordt geregistreerd. Dat betekent dat de meeste medewerkers geen tijd loggen, of dat een groot deel van het personeelsbestand bewust in niet-factureerbare rollen zit.
De gap met het factureerbare doel is nog groter: het bedrijf zou 109.200 factureerbare uren nodig hebben om een benutting van 70% te halen op volledige capaciteit, maar er werden slechts 38.364 factureerbare uren gelogd. Dat is een tekort van 64,9% ten opzichte van het theoretische doel.
Vergelijking van de twee grootste teams: Support (20 personen) vs Engineering (9 personen)
Support heeft meer dan twee keer zoveel medewerkers als Engineering, maar het gemiddelde dienstverband vertelt een ander verhaal. Supportmedewerkers zitten gemiddeld 2,1 jaar bij het bedrijf, terwijl Engineering gemiddeld op 7,1 jaar zit. Dat verschil is fors. Het wijst op hoger verloop bij Support, wat meer tijd kost aan onboarding en minder opgebouwde domeinkennis per persoon oplevert.
Als je kijkt naar de individuele benuttingsdata in sectie 3.0, verwerken de meest factureerbare engineers (Engineer D op 89,6%, Engineer E op 80,9%) ieder duizenden tickets. Als Support het grootste team is qua bezetting maar de engineers nieuwer zijn en minder productief per persoon, zullen de kosten per factureerbaar uur hoger liggen dan bij Engineering. Dat is niet per se een probleem -- Support heeft vaak een opleidingspipeline -- maar het is de moeite waard om per kwartaal te volgen.
EVALUATE
ROW(
"TotalCIs", COUNTROWS('BI_Autotask_Configuration_Items'),
"TotalTickets", COUNTROWS('BI_Autotask_Tickets'),
"TotalTimeEntries", COUNTROWS('BI_Autotask_Time_Entries'),
"TotalHoursWorked", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"TotalBillableHrs", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"TotalNonBillableHrs", SUM('BI_Autotask_Time_Entries'[Non billable Hours])
)Hoe jouw cijfers zich verhouden tot gangbare MSP-branchedoelen
| Metriek | Jouw Waarde | Branchedoel | Status |
|---|---|---|---|
| Factureerbare benutting (van gewerkte uren) | 75,6% | 65-75% | Op doel |
| Gelogde uren per medewerker (jaar) | 677 | 1.600-1.800 | Onder doel |
| Factureerbare uren per medewerker (jaar) | 512 | 1.100-1.300 | Onder doel |
| Manager-medewerkersverhouding | 1:5,4 | 1:6 tot 1:8 | Iets hoog |
| Capaciteitsbenutting (werkelijk vs theoretisch) | 32,5% | 75-85% | Ruim onder |
Het factureerbare percentage van de gelogde uren is solide met 75,6%. Het echte probleem is dat er te weinig uren worden gelogd. Met 677 uren per medewerker per jaar zit je ruim onder de 1.600-1.800 die de meeste MSP's nastreven. Dit kan betekenen dat de tijdregistratie onvolledig is, dat een groot deel van de medewerkers in rollen zit waar geen tijdregistratie vereist is, of allebei.
De managerverhouding van 1:5,4 is wat dicht op elkaar. Brancherichtlijnen suggereren 1:6 tot 1:8 voor MSP's. Met 14 managers over 75 medewerkers is er ruimte om de structuur platter te maken, als sommige van die managers ook individueel werk doen.
Met 75 medewerkers en 2.080 beschikbare uren per persoon heb je 156.000 uren theoretische capaciteit. Er werden slechts 50.752 uren daadwerkelijk gelogd. Of een groot deel van het personeel registreert geen tijd, of er is een structurele reden waarom het meeste niet wordt vastgelegd. Zolang dit gat niet begrepen wordt, is elke benuttingsmetriek op basis van personeelsaantallen onbetrouwbaar.
20 medewerkers met een gemiddeld dienstverband van 2,1 jaar betekent dat ruwweg de helft van het team er minder dan twee jaar zit. Dat is een flinke onboardingbelasting. Vergelijk dit met Engineering: 7,1 jaar gemiddeld dienstverband over 9 personen. Het Supportteam besteedt waarschijnlijk een groter deel van de tijd aan inwerken en opschalen, wat niet als factureerbaar werk verschijnt maar wel geld kost.
Voor de uren die worden gelogd is het factureerbare percentage sterk. Het team besteedt driekwart van de geregistreerde tijd aan factureerbaar werk, wat boven het gangbare MSP-doel van 65-75% ligt. Dat betekent dat de mensen die tijd loggen productief zijn. De uitdaging is om meer van het personeelsbestand in de data te vangen.
4 prioriteiten op basis van bovenstaande bevindingen
Het capaciteitsbenuttingspercentage van 32,5% is een datakwaliteitsprobleem voordat het een bezettingsprobleem is. Stel vast welke afdelingen en rollen geen tijd loggen. Als Finance, Leadership en Marketing bewust zijn vrijgesteld, sluit ze dan uit van capaciteitsberekeningen. Als Support- of Engineering-medewerkers te weinig loggen, los eerst de tracking op voordat je conclusies trekt over bezetting.
Een gemiddeld dienstverband van 2,1 jaar in een team van 20 personen duidt op verloop. Bereken de kosten van werving, onboarding en het opschalen van een nieuwe Support-engineer. Als het 3-6 maanden duurt om volledig productief te worden, verlies je iedere keer dat iemand vertrekt flink wat capaciteit. Overweeg retentiebonussen voor Supportmedewerkers die de 2-jaargrens passeren.
Sales heeft 2 managers voor 4 medewerkers (verhouding 1:2). Support heeft 2 managers voor 20 medewerkers (verhouding 1:10). Die scheefgroei is het onderzoeken waard. Sales is mogelijk overmanaged voor zijn omvang, en Support kan baat hebben bij een extra teamlead, zeker gezien het lage dienstverband en de hoge bezetting.
Voer dezelfde cross-source query ieder kwartaal uit. De kernmetrieken om te volgen: capaciteitsbenutting stijgend (vanuit 32,5%), dienstverband Support stijgend (vanuit 2,1 jaar) en factureerbare uren per medewerker stijgend (vanuit 512). Als je de tijdregistratienaleving verbetert, zul je waarschijnlijk al in het eerste kwartaal een flinke sprong zien.
Personeelsaantallen, afdelingstoewijzingen, dienstverband en managerstatus worden opgehaald uit de BI_HiBob_Employee-tabel in Proxuma Power BI. HiBob is het HR-systeem van record. De data wordt automatisch gesynchroniseerd en weerspiegelt de huidige stand van het personeelsbestand.
Theoretische capaciteit gaat ervan uit dat iedere medewerker 2.080 uur per jaar logt (40 uur/week voor 52 weken). In de praktijk houden veel rollen geen tijd bij in het PSA-systeem: leadership, finance, marketing en delen van operations. Het cijfer van 32,5% is niet per se slecht -- het betekent dat ruwweg een derde van de medewerkers factureerbare tijd logt. Maar het is de moeite waard om te auditen of er geen factureerbaar personeel door de mazen glipt.
Branchebenchmarks voor MSP's richten zich doorgaans op 65-75% factureerbare benutting voor technisch personeel. Boven 75% is sterk. Boven 85% is een waarschuwing voor burn-out. Jouw 75,6% zit in het gezonde bereik voor de uren die daadwerkelijk worden gelogd. De sleutel is dat de noemer (totaal uren) klopt.
Alle individuele namen zijn vervangen door anonieme labels (Engineer A, Engineer B, etc.) in de gepubliceerde versie van dit rapport. Als je deze query draait op je eigen data in Proxuma Power BI verschijnen de echte namen. De anonimisering geldt alleen voor de demoversie.
Proxuma Power BI laadt zowel HiBob als Autotask in hetzelfde semantische model. De koppeling gebeurt op rapportniveau via overeenkomende medewerkernamen of -ID's. De DAX-queries in dit rapport halen onafhankelijk uit beide tabellen en de resultaten worden in de analysesecties vergeleken.
Ja. De DAX-queries kunnen worden aangepast met filters op afdeling of datumperiode. Voeg een FILTER-clausule toe aan de SUMMARIZECOLUMNS-functie om de resultaten te beperken. In Power BI kun je ook slicers toepassen op dashboardniveau zonder de onderliggende DAX te wijzigen.
Ja. Koppel Proxuma Power BI aan je Autotask PSA- en HiBob-accounts, voeg een AI-tool toe (Claude, ChatGPT of Copilot) via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, draait ze op je echte 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