We hebben de cijfers over contract winstgevendheid uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
We hebben de cijfers over contract winstgevendheid uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
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 owners, finance leads, and operations managers tracking profitability
Hoe vaak: Maandelijks for financial reviews, quarterly for strategic planning, op aanvraag for pricing decisions
We hebben de cijfers over contract winstgevendheid uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
EVALUATE ROW(
"ProjectsTotal", DISTINCTCOUNT(BI_Autotask_Projects[project_id]),
"ProjectsWithRevenue",
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Projects[project_id]),
FILTER(VALUES(BI_Autotask_Projects[project_id]), [Project Total Revenue] > 0)
),
"ProjectsUnprofitable",
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Projects[project_id]),
FILTER(VALUES(BI_Autotask_Projects[project_id]), [Project Profit] < 0)
),
"TotalProjectRevenue", [Project Total Revenue],
"TotalProjectCost", [Project Total Cost],
"TotalProjectProfit", [Project Profit]
)Verdeling van contracten per type
| Project | Client | Revenue | Cost | Profit |
|---|---|---|---|---|
| Project Eye | Patterson, Riley and Lawson | €0 | €3,046 | –€3,046 |
| Project Today | Shaw-Ryan | €0 | €1,889 | –€1,889 |
| Project Price | Craig-Huynh | €0 | €775 | –€775 |
| Project Do | Little Group | €0 | €468 | –€468 |
| Project Quite | Little Group | €0 | €263 | –€263 |
| Project Camera | Fox, Conner and West | €0 | €118 | –€118 |
| Project Best | Marks PLC | €0 | €4 | –€4 |
EVALUATE
TOPN(8,
FILTER(
ADDCOLUMNS(
SUMMARIZECOLUMNS(
BI_Autotask_Projects[project_id],
BI_Autotask_Projects[project_name],
BI_Autotask_Projects[company_name],
"Revenue", [Project Total Revenue],
"Cost", [Project Total Cost],
"Profit", [Project Profit]
),
"Margin", DIVIDE([Profit], [Revenue])
),
[Profit] < 0
),
[Profit], ASC
)
ORDER BY [Profit] ASCOmzetverdeling per bedrijf uit billingdata
| Project | Client | Revenue | Profit | Margin % |
|---|---|---|---|---|
| Project Environment | Lewis LLC | €227,918 | €101,632 | 44.6% |
| Project Along | Doyle-Contreras | €77,269 | €41,830 | 54.1% |
| Project Leave | Clements, Pham and Garcia | €59,583 | €32,284 | 54.2% |
| Project Somebody | Craig-Huynh | €88,995 | €26,485 | 29.8% |
| Project Though | Burke, Armstrong and Morgan | €49,122 | €23,392 | 47.6% |
| Project Number | Little Group | €42,903 | €22,601 | 52.7% |
| Project Feel | Wu-Jackson | €39,867 | €21,359 | 53.6% |
| Project Anyone | Ramos Group | €26,162 | €15,510 | 59.3% |
EVALUATE
TOPN(8,
FILTER(
ADDCOLUMNS(
SUMMARIZECOLUMNS(
BI_Autotask_Projects[project_id],
BI_Autotask_Projects[project_name],
BI_Autotask_Projects[company_name],
"Revenue", [Project Total Revenue],
"Cost", [Project Total Cost],
"Profit", [Project Profit]
),
"Margin", DIVIDE([Profit], [Revenue])
),
[Revenue] > 0
),
[Profit], DESC
)
ORDER BY [Profit] DESCMaandelijkse omzettrend over de gemeten periode
| Project outcome | Count |
|---|---|
| Profitable (revenue > cost) | 207 |
| Loss-making (cost > revenue) | 7 |
| No billing yet (no rev, no cost) | 65 |
EVALUATE
ADDCOLUMNS(
{ "Profitable", "Breakeven (no rev)", "Active no billing" },
"Projects",
SWITCH([Value],
"Profitable",
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Projects[project_id]),
FILTER(VALUES(BI_Autotask_Projects[project_id]), [Project Profit] > 0)
),
"Breakeven (no rev)",
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Projects[project_id]),
FILTER(VALUES(BI_Autotask_Projects[project_id]), [Project Profit] < 0)
),
"Active no billing",
CALCULATE(
DISTINCTCOUNT(BI_Autotask_Projects[project_id]),
FILTER(VALUES(BI_Autotask_Projects[project_id]), [Project Total Revenue] = 0 && [Project Total Cost] = 0)
)
)
)Wat de data ons vertelt
De bovenstaande data geeft een beeld van contract winstgevendheid binnen je MSP-operations. Zoek naar patronen, uitschieters en trends die aandacht verdienen. Elke sectie bevat de gebruikte DAX-query, zodat je dieper kunt graven in elke metric die opvalt.
Richt een wekelijkse of maandelijkse review in van contract winstgevendheid-metrics. Trends zijn belangrijker dan momentopnames. Gebruik de DAX-queries in dit rapport als startpunt.
Dit rapport gebruikt demodata. Koppel Proxuma Power BI aan je eigen Autotask PSA om deze analyse op je echte cijfers los te laten.
De TOTALE OMZET metric wordt afgeleid uit het onderliggende Power BI dataset met DAX queries. Het aggregeert data over de rapportageperiode voor een geconsolideerd overzicht van totale omzet performance.
Dit rapport haalt operationele data op uit Autotask PSA, Datto RMM, Datto Backup via de Proxuma Power BI integratie. De analyse dekt de standaard rapportageperiode en bevat alle actieve records die aan de rapportcriteria voldoen.
Bekijk de specifieke datapunten in deze sectie en vergelijk ze met je operationele context. Gebruik het rapport als startpunt voor teamdiscussies en prioritering van vervolgacties.
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