Een analyse van capacity utilization rates over 50.752 gewerkte uren en 38.364 declarabele uren uit Autotask PSA. Dit rapport vergelijkt twee capaciteitsmodellen en splitst de benutting per resource uit om te laten zien waar de tijd van je team werkelijk naartoe gaat. Bron: PSA
Een analyse van capacity utilization rates over 50.752 gewerkte uren en 38.364 declarabele uren uit Autotask PSA. Dit rapport vergelijkt twee capaciteitsmodellen en splitst de benutting per resource uit om te laten zien waar de tijd van je team werkelijk naartoe gaat. Bron: PSA
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 analyse van capacity utilization rates over 50.752 gewerkte uren en 38.364 declarabele uren uit Autotask PSA. Dit rapport vergelijkt twee capaciteitsmodellen en splitst de benutting per resource uit om te laten zien waar de tijd van je team werkelijk naartoe gaat. Bron: PSA
Totale capaciteitsbenutting over twee berekeningsmethoden.
EVALUATE
ROW(
"UtilizationAutotask", [Capacity Utilization Rate (Autotask)],
"UtilizationProxuma", [Capacity Utilization Rate (Proxuma)],
"TotalHours", [Total],
"BillableTotal", [Billable],
"CapacityAutotask", [Capacity Total (Autotask)],
"CapacityProxuma", [Capacity Total (Proxuma)]
)Top 10 resources gerangschikt op totaal gewerkte uren. Benuttingspercentages getoond voor beide capaciteitsmodellen.
| Resource | Uren | Declarabel | Benutting (Proxuma) | Benutting (Autotask) |
|---|---|---|---|---|
| Resource A | 2.400 | 1.749 | 1,9% | 0,3% |
| Resource B | 2.136 | 1.303 | 1,7% | 0,3% |
| Resource C | 2.060 | 1.145 | 1,6% | 0,3% |
| Resource D | 2.050 | 1.838 | 1,6% | 0,3% |
| Resource E | 1.888 | 1.527 | 1,5% | 0,2% |
| Resource F | 1.862 | 1.416 | 1,5% | 0,2% |
| Resource G | 1.780 | 1.157 | 1,4% | 0,2% |
| Resource H | 1.585 | 1.228 | 1,2% | 0,2% |
| Resource I | 1.554 | 819 | 1,2% | 0,2% |
| Resource J | 1.505 | 957 | 1,2% | 0,2% |
EVALUATE
TOPN(10,
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"UtilizationAutotask", [Capacity Utilization Rate (Autotask)],
"UtilizationProxuma", [Capacity Utilization Rate (Proxuma)],
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours])
),
[TotalHours], DESC
)Waarom de twee benuttingspercentages zo sterk verschillen, en welke je moet gebruiken.
Het verschil tussen 6,4% (Autotask) en 39,7% (Proxuma) komt neer op hoe elk systeem "capaciteit" definieert. Autotask hanteert een brede berekening: het telt alle kalenderuren voor elke resource die ooit actief is geweest in het systeem. Dat omvat weekenden, feestdagen, vakantiedagen en uren buiten werktijd. Het resultaat is een capaciteitspool van 787.858 uur, waardoor elk stuk echt werk eruitziet als een afrondingsverschil.
Proxuma pakt het anders aan. Het gebruikt de geconfigureerde werkuren per resource, doorgaans 40 uur per week minus feestdagen en verlof. Dat brengt de capaciteitspool terug naar 127.800 uur. Als je dezelfde 50.752 gewerkte uren deelt door deze kleinere (en nauwkeurigere) noemer, kom je uit op 39,7% in plaats van 6,4%.
Voor dagelijkse besluitvorming geldt: gebruik het Proxuma-percentage. Het laat zien hoeveel van de werkbare tijd van je team gevuld wordt met gelogde werkzaamheden. Het Autotask-percentage is technisch correct, maar praktisch onbruikbaar voor personeelsbeslissingen.
Nog iets om in gedachten te houden: deze cijfers zijn lifetime totalen. Ze beslaan de volledige datasetperiode, wat betekent dat ze inwerkperiodes, seizoensdalingen en periodes waarin resources maar deels actief waren meenemen. Filter voor personeelsbeslissingen op een recente maand of kwartaal om een momentopname te krijgen die de huidige werkdruk weerspiegelt.
Met 39,7% geeft het Proxuma-capaciteitspercentage een bruikbaar beeld. Het betekent dat ongeveer 40% van de geconfigureerde werkuren van je team gevuld is met gelogd werk. Het Autotask-percentage van 6,4% is wiskundig correct, maar opgeblazen door kalenderuren die nooit beschikbaar waren voor werk. Gebruik het Proxuma-percentage voor alle gesprekken over bezetting en planning.
Zelfs met het Proxuma-model heeft 60,3% van de geconfigureerde werkuren geen tijdregistraties. Een deel hiervan is te verwachten (vergaderingen, administratie, pauzes), maar als je streefbenutting 65-75% is, is er ruimte om meer klantwerk aan te nemen of het personeelsbestand te verlagen. Filter op recente maanden om te bevestigen of dit gat stabiel is of kleiner wordt.
Van de 50.752 gewerkte uren zijn er 38.364 declarabel. Dat is een declarabel-totaal ratio van 75,6%, wat solide is voor een MSP. Het betekent dat de tijd die je team wel logt grotendeels omzetgenererend is. Het verschil tussen benutting (39,7%) en declarabel ratio (75,6%) laat zien dat het probleem niet de declarabiliteit is, maar het totale volume gelogde uren ten opzichte van de capaciteit.
De stap met de meeste impact is om benutting te filteren op een specifieke periode. Lifetime totalen zijn nuttig om langetermijntrends te ontdekken, maar ze vlakken precies die pieken en dalen uit die je nodig hebt voor personeelsbeslissingen. Stel een maandelijks of wekelijks benuttingsoverzicht in Power BI in, zodat je kunt beantwoorden "hebben we nu te veel personeel?" in plaats van "hadden we gemiddeld te veel personeel over de afgelopen paar jaar?"
Ten tweede: vergelijk de benutting per resource op maandbasis. De cijfers per resource in sectie 2.0 lijken uniform laag omdat de capaciteitsnoemer de volledige dataset beslaat. Een resource die 2.400 uur werkt over drie jaar heeft een heel ander benuttingsprofiel dan iemand die 2.400 uur doet in 18 maanden. Maandelijkse uitsplitsing brengt die verschillen aan het licht.
Ten derde: definieer een streefbereik voor benutting. De meeste MSP's mikken op 65-75% benutting (Proxuma-model) als de sweet spot tussen het team bezighouden en ruimte laten voor reactief werk, training en interne projecten. Zodra je een doel hebt, kun je in Power BI alerts instellen die een melding geven als een resource in een bepaalde maand onder de 50% zakt of boven de 85% uitkomt.
EVALUATE
ROW(
"StatusAutotask", [Capacity Utilization Status (Autotask)],
"StatusProxuma", [Capacity Utilization Status (Proxuma)]
)Autotask berekent capaciteit op basis van alle kalenderuren voor elke actieve resource, inclusief nachten, weekenden en feestdagen. Proxuma gebruikt het geconfigureerde werkrooster (doorgaans 40 uur/week minus verlof). Het Autotask-getal beantwoordt "welk percentage van alle mogelijke tijd is gebruikt?" terwijl het Proxuma-getal beantwoordt "welk percentage van de werktijd is gebruikt?" Voor personeelsbeslissingen is het Proxuma-percentage het enige dat ertoe doet.
Omdat het gewerkte uren deelt door alle kalenderuren, niet alleen werkuren. Een jaar heeft 8.760 uur. Als een resource 1.800 uur per jaar werkt, ziet Autotask dat als 20,5% van de kalendertijd. Maar niemand werkt 24/7. Het Proxuma-model gebruikt ~2.080 uur (40u x 52 weken) als noemer, wat voor diezelfde resource een realistisch percentage van 86,5% oplevert. Het Autotask-percentage zal altijd een fractie zijn van het Proxuma-percentage.
Met het Proxuma-model (geconfigureerde werkuren) mikken de meeste MSP's op 65-75% benutting. Onder de 60% wijst meestal op overcapaciteit of een gat in de tijdregistratie. Boven de 80% draait het team op volle toeren met weinig ruimte voor reactieve tickets, training of interne projecten. De sweet spot hangt af van je dienstenmix: reactief-zware MSP's moeten lager mikken (60-65%) om pieken op te vangen, terwijl projectgerichte organisaties richting 75% kunnen gaan.
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