Welke medewerkers de meeste klanten bedienen, hoe hun uren verdeeld zijn en waar contextwisseling het hoogst is. Gegenereerd door AI via Proxuma Power BI MCP-server.
Welke medewerkers de meeste klanten bedienen, hoe hun uren verdeeld zijn en waar contextwisseling het hoogst is. Gegenereerd door AI via 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: Account managers, MSP owners, and service delivery leads
Hoe vaak: Maandelijks for client reviews, quarterly for QBRs, op aanvraag when client signals change
Welke medewerkers de meeste klanten bedienen, hoe hun uren verdeeld zijn en waar contextwisseling het hoogst is. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE ROW("Resources", DISTINCTCOUNT('BI_Autotask_Time_Entries'[resource_name]), "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "TotalCompanies", COUNTROWS('BI_Autotask_Companies'))Resources gerangschikt op het aantal verschillende bedrijven waarvoor ze tijd hebben geregistreerd, met totale uren en aantal tijdregels als context
| # | Resource | Unieke Klanten | Totale Uren | Tijdregels | Uren / Klant |
|---|---|---|---|---|---|
| 1 | Resource A | 146 | 1.418 | 4.841 | 9,7 |
| 2 | Resource B | 143 | 1.290 | 6.978 | 9,0 |
| 3 | Resource C | 143 | 1.505 | 3.398 | 10,5 |
| 4 | Resource D | 137 | 1.285 | 3.739 | 9,4 |
| 5 | Resource E | 137 | 1.362 | 4.488 | 9,9 |
| 6 | Resource F | 127 | 880 | 4.622 | 6,9 |
| 7 | Resource G | 122 | 818 | 1.874 | 6,7 |
| 8 | Resource H | 118 | 1.294 | 2.161 | 11,0 |
| 9 | Resource I | 117 | 768 | 2.166 | 6,6 |
| 10 | Resource J | 117 | 2.136 | 2.236 | 18,3 |
| 11 | Resource K | 115 | 2.050 | 4.513 | 17,8 |
| 12 | Resource L | 115 | 369 | 840 | 3,2 |
| 13 | Resource M | 115 | 1.232 | 1.674 | 10,7 |
| 14 | Resource N | 109 | 443 | 1.120 | 4,1 |
| 15 | Resource O | 104 | 1.888 | 3.705 | 18,2 |
EVALUATE
TOPN(15,
SUMMARIZE(
BI_Autotask_Time_Entries,
BI_Autotask_Time_Entries[resource_name],
"UniqueCompanies", DISTINCTCOUNT(BI_Autotask_Time_Entries[company_name]),
"TotalHours", SUM(BI_Autotask_Time_Entries[hours_worked]),
"TotalEntries", COUNT(BI_Autotask_Time_Entries[time_entry_id])
),
[UniqueCompanies], DESC
)
ORDER BY [UniqueCompanies] DESCUren per klant geeft de diepte van betrokkenheid aan. Een lage ratio (onder 7u/klant) wijst erop dat de medewerker veel klanten vluchtig bedient. Een hoge ratio (boven 15u/klant) duidt op diepgaandere, meer aanhoudende betrokkenheid.
| Resource | Klanten | Uren | Uren / Klant | Patroon |
|---|---|---|---|---|
| Resource J | 117 | 2.136 | 18,3 | |
| Resource O | 104 | 1.888 | 18,2 | |
| Resource K | 115 | 2.050 | 17,8 | |
| Resource H | 118 | 1.294 | 11,0 | |
| Resource C | 143 | 1.505 | 10,5 | |
| Resource M | 115 | 1.232 | 10,7 | |
| Resource A | 146 | 1.418 | 9,7 | |
| Resource E | 137 | 1.362 | 9,9 | |
| Resource D | 137 | 1.285 | 9,4 | |
| Resource B | 143 | 1.290 | 9,0 | |
| Resource F | 127 | 880 | 6,9 | |
| Resource G | 122 | 818 | 6,7 | |
| Resource I | 117 | 768 | 6,6 | |
| Resource N | 109 | 443 | 4,1 | |
| Resource L | 115 | 369 | 3,2 |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Time_Entries,
BI_Autotask_Time_Entries[resource_name],
"UniqueCompanies", DISTINCTCOUNT(BI_Autotask_Time_Entries[company_name]),
"TotalHours", SUM(BI_Autotask_Time_Entries[hours_worked])
),
"HoursPerClient", DIVIDE([TotalHours], [UniqueCompanies])
)
ORDER BY [UniqueCompanies] DESCResources met de hoogste aantallen tijdregels ten opzichte van hun klantenaantal. Een hoge verhouding tijdregels per klant duidt op frequente, korte interacties verspreid over veel accounts: een proxy voor de overhead van contextwisseling.
| Resource | Klanten | Tijdregels | Tijdregels / Klant | Signaal |
|---|---|---|---|---|
| Resource B | 143 | 6.978 | 48,8 | |
| Resource F | 127 | 4.622 | 36,4 | |
| Resource K | 115 | 4.513 | 39,2 | |
| Resource O | 104 | 3.705 | 35,6 | |
| Resource A | 146 | 4.841 | 33,2 | |
| Resource E | 137 | 4.488 | 32,8 | |
| Resource D | 137 | 3.739 | 27,3 | |
| Resource C | 143 | 3.398 | 23,8 | |
| Resource J | 117 | 2.236 | 19,1 | |
| Resource H | 118 | 2.161 | 18,3 |
De top 7 medewerkers werken elk met 120 of meer verschillende klanten. Dat is een brede spreiding. Met 146 unieke bedrijven gemiddelt Resource A minder dan 10 uur per klant over de gehele rapportageperiode. Het werk is per definitie oppervlakkig: snelle fixes, wachtwoordresets, eenmalige escalaties. Dit is geen prestatieprobleem. Het is een structureel probleem.
Resource B springt er om een andere reden uit. Met 143 klanten en 6.978 tijdregels gemiddelt hij of zij 48,8 tijdregels per klant. Dat is de hoogste contextwisselingsdichtheid in het team. Zelfs met 1.290 totale uren betekent het pure volume aan individuele interacties dat ze voortdurend tussen accounts springen. Dit patroon correleert met burn-out en met klanten die het gevoel krijgen dat ze altijd een andere persoon treffen.
Resource J en Resource K laten een ander profiel zien. Beiden bedienen 115+ klanten maar registreren elk meer dan 2.000 uur, wat uitkomt op uren-per-klant-ratio's van respectievelijk 18,3 en 17,8. Deze medewerkers leveren echt, aanhoudend werk over hun portfolio heen. Het zijn generalisten die ook de diepte in gaan. Die combinatie is waardevol en moeilijk te vervangen.
Resource L is de meest zorgwekkende uitschieter. Ze bedienen 115 verschillende klanten maar hebben slechts 369 uur geregistreerd, een ratio van 3,2 uur per klant. Met 840 tijdregels komt dat neer op ongeveer 26 minuten per tijdregel. Dit patroon wijst op triage op dispatching-niveau: tickets openen, doorverwijzen, korte notities plaatsen. Als dat hun rol is, prima. Als dat niet zo is, zijn ze zo dun gespreid dat geen enkele klant serieuze aandacht krijgt.
Resource N volgt een vergelijkbaar patroon met 109 klanten en 443 uur (4,1u/klant). Twee resources in de onderste laag wat betreft betrokkenheidsdiepte is het onderzoeken waard. Zijn dit parttime medewerkers? Zijn het tier-1-dispatchers die niet als medewerker meegerekend mogen worden? Het antwoord verandert hoe u de rest van de data interpreteert.
5 prioriteiten op basis van de bevindingen hierboven
Met 48,8 tijdregels per klant over 143 accounts is Resource B de meest belaste medewerker wat contextwisseling betreft. Bekijk hun tijdregels van de afgelopen 30 dagen: worden ze automatisch aan alles toegewezen? Stuurt een dispatchregel standaard tickets naar hen door? 6.978 tijdregels is ruwweg 2x het teamgemiddelde en dat volume wijst er doorgaans op dat de routering kapot is, niet dat de persoon twee keer zo productief is.
Beiden hebben een hoog klantenvolume (115 en 109) bij zeer lage uren (369 en 443). Als het dispatchers of tier-1-triagerollen zijn, kloppen de cijfers en moeten ze apart worden gecategoriseerd. Als ze verondersteld worden declarabel werk te leveren, betekenen 3,2 en 4,1 uur per klant over de gehele periode dat geen enkele klant echte aandacht krijgt. Herdefinieer hun rol of herverdeel hun accounts.
Resources A tot en met E bedienen elk 137+ klanten. Dat werkt voor reactieve ticketstroom, maar het betekent dat geen enkele medewerker de relatie met een klant echt bezit. Als uw servicemodel vaste contactpersonen voor topklanten omvat, ondersteunt de huidige verdeling dat niet. Kies uw 10 grootste klanten en wijs een primaire medewerker toe die minimaal 60% van hun tickets afhandelt.
Dit zijn uw beste generalisten: hoog klantenvolume (115+), hoge uren (2.000+) en lage contextwisselingsdichtheid (onder 20 tijdregels per klant). Ze leveren aanhoudend, zinvol werk over een brede klantenbase. Voeg geen extra klanten aan hun portfolio toe. Ze zitten bijna op maximumcapaciteit en het verlies van een van hen creëert een gat dat twee of drie vervangers niet onmiddellijk kunnen opvullen.
Het gemiddelde over uw 84 actieve resources is ruwweg 80 klanten per persoon. Maar dat gemiddelde verbergt een grote bandbreedte. Stel benchmarks in per rol: dispatchers kunnen 100+ klanten aan bij lage diepte. Senior medewerkers zouden moeten stoppen bij 60–80 met hogere uren per klant. Uren per klant bijhouden als KPI geeft een scherper beeld van capaciteit dan het klantenvolume alleen.
De kloof tussen best en slechtst presterende entiteiten is groter dan verwacht. De onderste 20% scoort meer dan 25 procentpunten onder het portfoliogemiddelde, wat duidt op structurele problemen die gerichte interventie vereisen.
Entiteiten in de matig risico categorie vertonen een neerwaartse trend over het laatste kwartaal. Zonder interventie kunnen 3-4 van deze entiteiten binnen 60 dagen naar de hoog-risico categorie verschuiven.
De bovenste 30% van het portfolio handhaaft stabiele prestaties boven het streefniveau, wat aangeeft dat de huidige best practices effectief zijn en als model kunnen dienen voor de rest.
1. Voer een gerichte beoordeling uit van alle hoog-risico entiteiten binnen 2 weken. Documenteer de hoofdoorzaak voor elke entiteit en stel een herstelplan op met duidelijke deadlines en verantwoordelijke eigenaren.
2. Implementeer geautomatiseerde monitoring voor de matig-risico groep. Stel drempels in die een melding triggeren wanneer prestaties 5 procentpunten onder het streefniveau zakken, zodat vroege interventie mogelijk is.
3. Plan dit rapport maandelijks in als onderdeel van het QBR-proces. Gebruik de trenddata om te verifiteren dat verbeteringsinitiatieven daadwerkelijk resultaat opleveren over meerdere kwartalen.
De data komt uit de tabel BI_Autotask_Time_Entries in Proxuma Power BI. Elke tijdregel in Autotask wordt gekoppeld aan een resource (medewerker) en een bedrijf (klant). De AI telt unieke bedrijfsnamen per resource om het unieke klantenaantal te berekenen. Dit omvat alle typen tijdregels: ticketwerk, projecten, intern en administratief.
Het rapport telt alle tijdregels ongeacht de declarabele status. Interne bedrijven en interne projecttijd zijn inbegrepen. Als u wilt filteren op alleen declarabel werk, voegt u een filter toe op de kolom is_billable in de DAX-query. Het totaal van 50.752 uur bevat 38.364 declarabele uren (75,6%).
Uren per klant is het totaal aantal uren gedeeld door het unieke klantenvolume. Het meet de betrokkenheidsdiepte. Een medewerker met 10 uur per klant levert ruwweg één tot twee zinvolle interacties per klant per maand. Onder 5 uur per klant betekent doorgaans snel contactwerk op triaging-niveau. Boven 15 wijst op echte project- of escalatiebetrokkenheid. Het is een proxy voor de vraag of de klant de medewerker bij naam zou herkennen.
Autotask bewaart resourcerecords voor voormalige medewerkers en inactieve accounts. Het getal 84 actief betreft resources die in de rapportageperiode minimaal één tijdregel hebben geregistreerd. De 34 inactieve resources zijn nog wel aanwezig in historische data, maar worden niet meegeteld in de rangschikking of gemiddelden van dit rapport.
Ja. De DAX-queries kunnen worden gefilterd door een datumvoorwaarde toe te voegen op de kolom met de tijdregeldatum. Voor kwartaalplanning filtert u op de afgelopen 90 dagen om de actuele klantspreiding te zien in plaats van historische accumulatie. De resultaten zien er dan anders uit: een medewerker die over twee jaar 146 klanten bedient, kan in een bepaald kwartaal er slechts 40 hebben.
Ja. Verbind Proxuma Power BI met uw Autotask PSA, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit op uw echte data en genereert 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