Een uitgebreide analyse van 77 technici over 50.752 uren uit Autotask PSA time entries. Dit rapport rangschikt resources op declarabel percentage, ticketvolume, uren per ticket en klantdekking om toppresteerders te onderscheiden van collega's die coaching of werkherverdeling nodig hebben.
Een uitgebreide analyse van 77 technici over 50.752 uren uit Autotask PSA time entries. Dit rapport rangschikt resources op declarabel percentage, ticketvolume, uren per ticket en klantdekking om toppresteerders te onderscheiden van collega's die coaching of werkherverdeling nodig hebben.
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 uitgebreide analyse van 77 technici over 50.752 uren uit Autotask PSA time entries. Dit rapport rangschikt resources op declarabel percentage, ticketvolume, uren per ticket en klantdekking om toppresteerders te onderscheiden van collega's die coaching of werkherverdeling nodig hebben.
Belangrijkste workforce-metrics uit Autotask PSA time entries over 77 actieve resources.
Alle metrics naast elkaar. Kleurcodering op declarabel percentage: groen (75%+), oranje (60-75%), rood (onder 60%).
| Resource | Tickets | Avg FR (h) | FR Met | Res Met |
|---|---|---|---|---|
| Mr. David Cooper DDS | 21,438 | 2.67 | 9,206 (42.9%) | 16,800 (78.4%) |
| Tracy Fitzpatrick | 3,600 | 4.02 | 1,744 (48.4%) | 1,905 (52.9%) |
| Gregory Horn | 3,240 | 3.25 | 2,219 (68.5%) | 2,125 (65.6%) |
| Brandon Bishop | 2,641 | 5.04 | 1,518 (57.5%) | 1,661 (62.9%) |
| Jane Stewart | 2,628 | 14.42 | 334 (12.7%) | 933 (35.5%) |
| Daniel Daniels | 2,444 | 3.50 | 1,947 (79.7%) | 1,786 (73.1%) |
| Maxwell Reed | 1,906 | 2.80 | 1,407 (73.8%) | 1,246 (65.4%) |
| Andrew Roberts | 1,899 | 7.53 | 1,059 (55.8%) | 788 (41.5%) |
| Jonathon Burton | 1,680 | 3.10 | 921 (54.8%) | 894 (53.2%) |
| David Collins | 1,678 | 12.20 | 352 (21.0%) | 701 (41.8%) |
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Autotask_Tickets'[primary_resource_name], "TicketCount", COUNTROWS('BI_Autotask_Tickets'), "AvgFirstResponseHrs", AVERAGE('BI_Autotask_Tickets'[first_response_duration_hours]), "FirstResponseMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[first_response_met] + 0 = 1), "ResolutionMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[resolution_met] + 0 = 1)), [TicketCount], DESC)Alle 15 resources gesorteerd op declarabel percentage, van hoog naar laag. Het teamgemiddelde is 75,6%.
EVALUATE
ADDCOLUMNS(
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHours", CALCULATE(
SUM('BI_Autotask_Time_Entries'[hours_worked]),
'BI_Autotask_Time_Entries'[is_non_billable] = FALSE
)
),
"BillablePct", DIVIDE([BillableHours], [TotalHours])
)
ORDER BY [BillablePct] DESCDoor ticketvolume af te zetten tegen uren per ticket worden vier verschillende resourceprofielen zichtbaar. Veel tickets met weinig uren betekent snelle afhandeling. Weinig tickets met veel uren wijst op projectwerk.
De data splitst je technici in duidelijke groepen. Technicus N, M, D, E en J verwerken allemaal meer dan 2.000 tickets met gemiddeld minder dan 1 uur per ticket. Dit zijn je snelle-response technici: wachtwoord resets, quick fixes en first-touch resolution.
Aan de andere kant besteden Technicus L (84,32 uur/ticket), Technicus F (22,17) en Technicus C (20,81) veel meer tijd per ticket. Dat is niet per se een probleem. Deze resources werken waarschijnlijk aan projecten, infrastructuur of complexe escalaties. De kernvraag is of die uren gedeclareerd worden. Technicus L declareert 91,3% en Technicus F 76,0%, wat gezond is. Technicus C met 55,6% is het zorgpunt.
Technicus G zit in het midden met 11,95 uur per ticket en slechts 65,0% declarabel. Die combinatie van matige complexiteit en laag declarabel percentage verdient een nadere blik op hoe tijd wordt gecategoriseerd.
Hoe tickets verdeeld zijn over resource-tiers. Sommige technici verwerken duizenden tickets, terwijl anderen aan een handvol complexe items werken.
EVALUATE
ADDCOLUMNS(
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])
),
"Tier", SWITCH(
TRUE(),
[TicketCount] >= 2000, "High Volume",
[TicketCount] >= 400, "Mid Volume",
"Project / Low Volume"
)
)
ORDER BY [TicketCount] DESCHet aantal unieke klanten waarvoor elke resource heeft gewerkt. Brede dekking betekent dat de technicus veel accounts bedient; smalle dekking wijst op specialisatie of een dedicated toewijzing.
Technicus C logt 2.060 uur maar declareert slechts 55,6%. Dat zijn 915 niet-declarabele uren. Technicus I is nog lager met 52,7% en 735 niet-declarabele uren. Samen is dat 1.650 uur ongedeclareerd werk. Tegen zelfs een conservatief tarief van 100 euro per uur vertegenwoordigt dat 165.000 euro aan misgelopen omzet. Deze twee resources hebben direct een time entry audit nodig.
Met slechts 17 tickets en 1.433 totale uren is Technicus L duidelijk een projectresource. Het declarabel percentage van 91,3% is uitstekend, dus dit is geen factureringsprobleem. Maar 84 uur per ticket roept wel de vraag op: zijn deze tickets goed afgebakend? Worden time entries tegen te weinig tickets geboekt? Als een project 200 uur kost, moet het waarschijnlijk opgesplitst worden in subtaken.
Technicus N, M, D, E en J verwerken samen 13.422 van de 17.806 tickets in de top 15. Die concentratie vormt een risico: als een van deze vijf vertrekt of een burn-out krijgt, verdwijnt een groot deel van de ticketcapaciteit. Overweeg cross-training voor mid-tier resources (Technicus B, H, K) om overflow op te vangen.
Technicus N draait op 97,1% declarabel over 3.275 tickets en 137 klanten. Technicus M zit op 94,7% over 3.220 tickets en 146 klanten. Beiden combineren hoog volume, hoge declarabiliteit en brede klantdekking. Dit zijn je voorbeeldresources. Bestudeer wat zij anders doen en gebruik hun patronen als trainingsnorm.
Smalle klantdekking gecombineerd met 52,7% declarabel wijst erop dat Technicus I mogelijk te veel tijd besteedt aan interne taken, training of administratief werk. Het kan ook zijn dat deze resource is toegewezen aan een kleine groep klanten met zware niet-declarabele supportverplichtingen. Hoe dan ook, deze resource heeft een werklastreview nodig.
Concrete stappen om teambenutting te verbeteren en werklasten te balanceren.
Trek de volledige time entry breakdown voor beide resources. Categoriseer elke niet-declarabele entry: interne meetings, training, admin, reistijd of verkeerd gecategoriseerd declarabel werk. Doel: identificeer minimaal 200 uur per resource die ofwel herclassificeerd moet worden als declarabel, ofwel geëlimineerd via procesverbeteringen. Review binnen 30 dagen.
84 uur per ticket maakt het bijna onmogelijk om voortgang te tracken of scope creep te signaleren. Werk samen met Technicus L om lopende projecten te herstructureren in kleinere, trackbare tickets. Dit geeft beter zicht op waar tijd naartoe gaat en maakt het makkelijker om te signaleren wanneer een project over budget gaat.
Technicus N, M, D, E en J verwerken 75% van het ticketvolume. Maak een kennisdelingsprogramma waarbij mid-tier technici (B, H, K) twee weken meelopen met de toppresteerders. Doel: verhoog het aantal resources dat 1.000+ tickets per jaar aankan van 5 naar 8, waardoor het single-point-of-failure risico afneemt.
Het declarabel percentage wordt berekend als Declarabele Uren gedeeld door Totale Uren. Declarabele uren zijn time entries waarbij is_non_billable FALSE is in de BI_Autotask_Time_Entries tabel. Een resource die 1.500 declarabele uren logt van de 2.000 totale uren heeft een declarabel percentage van 75%.
Branchebenchmarks variëren, maar de meeste MSP's mikken op 70-80% voor servicedesk technici en 60-70% voor senior engineers die ook interne projecten doen. Resources onder 60% hebben doorgaans een werklastreview nodig om te begrijpen waar niet-declarabele tijd naartoe gaat.
Dit is een demorapport met synthetische data. In je eigen deployment toont Proxuma Power BI de daadwerkelijke resource-namen uit Autotask. De geanonimiseerde labels (Technicus A, Technicus B, etc.) zijn alleen placeholders voor publieke demonstratie.
Technicus L verwerkt slechts 17 tickets over 1.433 totale uren, wat wijst op projectmatig werk. Langlopende infrastructuurmigraties, deployments of consultancy-opdrachten hebben vaak weinig tickets maar veel uren per stuk. De metric is niet per definitie slecht, maar de ticketstructuur moet wel gereviewed worden voor betere granulariteit.
Ja. Voeg een datumfilter toe aan de DAX-queries via de kolom date_worked in BI_Autotask_Time_Entries. Je kunt ook filteren op resource_role of queue_name om per afdeling te segmenteren. Het Proxuma Power BI model ondersteunt alle standaard Autotask-dimensies.
Ja. Kopieer een query uit de toggles hierboven en plak deze in DAX Studio of de Power BI Desktop performance analyzer. De queries verwijzen naar standaard Proxuma data model tabellen en measures die in elke Proxuma Power BI deployment aanwezig zijn.
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