AI-GEGENEREERD RAPPORT

Je zocht naar:

Hoe verdeelt declarabele uren ratio zich per klant?

Declarabele Uren Ratio per Klant

We hebben de cijfers over declarabele uren ratio per klant uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.

Built from: Autotask PSA

Hoe dit rapport tot stand kwam

Autotask PSA

Multiple data sources combined

Proxuma Power BI

Voorgebouwd MSP semantisch model, 50+ measures

AI via MCP

Claude of ChatGPT schrijft DAX-queries, voert ze uit en formatteert de output

4
Dit Rapport
KPI's, uitsplitsingen, trends, aanbevelingen

                Klaar in < 15 min

Declarabele Uren Ratio per Klant

We hebben de cijfers over declarabele uren ratio per klant 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

Time saved

Building financial reports from PSA exports and spreadsheets is a full day of work. This report delivers it in minutes.

Margin visibility

Revenue numbers alone do not tell the story. This report connects revenue to cost for true profitability.

Pricing intelligence

Data-driven evidence for pricing adjustments, contract negotiations, and resource allocation.

RapportcategorieFinancial & Revenue

DatabronAutotask PSA · Datto RMM · Datto Backup · Microsoft 365 · SmileBack · HubSpot · IT Glue

RefreshReal-time via Power BI

GeneratietijdMinder dan 15 minuten

AI vereistClaude, ChatGPT or Copilot

DoelgroepMSP owners, finance leads

Waar vind je dit in Proxuma

Power BI › Financieel › Declarabele Uren Ratio per Klant

Dit rapport voor jouw MSP

Wat je kunt meten in dit rapport

Samenvatting

Ticketvolume per Bedrijf

Uren per Medewerker

Maandelijkse Tickettrend

Omzet per Bedrijf

Analyse

Aanbevolen Acties

Veelgestelde Vragen

TOTAAL TICKETS

MEESTE TICKETS

TOTAAL UREN

TOTALE OMZET

AI-gegenereerd Power BI Rapport

Declarabele Uren Ratio per Klant

We hebben de cijfers over declarabele uren ratio per klant uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.

Demorapport: Dit rapport gebruikt synthetische data om AI-gegenereerde inzichten uit Proxuma Power BI te demonstreren. De structuur, DAX-queries en analyses weerspiegelen echte MSP-datapatronen.

1.0 Samenvatting

TOTAAL TICKETS

75.6%

Portfolio billable ratio

MEESTE TICKETS

38,364h

Billable hours logged

TOTAAL UREN

12,388h

Non-billable hours

TOTALE OMZET

234

Clients with time entries

Bekijk DAX Query — Summary query

EVALUATE ROW(
  "TotalHours", SUM(BI_Autotask_Time_Entries[hours_worked]),
  "Billable", SUM(BI_Autotask_Time_Entries[Billable Hours]),
  "NonBillable", SUM(BI_Autotask_Time_Entries[Non billable Hours]),
  "BillableRatio",
    DIVIDE(
      SUM(BI_Autotask_Time_Entries[Billable Hours]),
      SUM(BI_Autotask_Time_Entries[hours_worked])
    ),
  "ClientsWithTime",
    CALCULATE(
      DISTINCTCOUNT(BI_Autotask_Time_Entries[company_id]),
      NOT(ISBLANK(BI_Autotask_Time_Entries[company_id]))
    )
)

Wat zijn deze DAX-queries? DAX (Data Analysis Expressions) is de formuletaal die Power BI gebruikt om data te bevragen. Elke openklapbare sectie hieronder toont de exacte query die de AI heeft geschreven en uitgevoerd.

1.0 Ticketvolume per Bedrijf

Klanten gerangschikt op totaal aantal tickets uit de demodataset

Wolters-Kuipers

1,002

Brouwer, Kok en Scholten

1,629

Janssen-Peeters

1,317

Hermans, Willems en Claes

1,684

De Vries ICT

1,758

Vermeulen, Jacobs en Maes

1,803

Pieters-Lemmens

1,481

Van Leeuwen, De Jong en H

6,381

Timmermans-Vos

2,364

Bakker & Zonen

2,775

Bedrijf	Tickets
Wolters-Kuipers	1,002
Brouwer, Kok en Scholten	1,629
Janssen-Peeters	1,317
Hermans, Willems en Claes	1,684
De Vries ICT	1,758
Vermeulen, Jacobs en Maes	1,803
Pieters-Lemmens	1,481
Van Leeuwen, De Jong en Hoekstra	6,381
Timmermans-Vos	2,364
Bakker & Zonen	2,775
Dijkstra-Postma	2,180
Jansen Groep	5,290
Van Dijk BV	2,376
Gerritsen-Kuiper	5,458
Smit Holding	1,728

Bekijk DAX Query — Ticketvolume per Bedrijf query

DEFINE
  VAR ClientData =
    ADDCOLUMNS(
      SUMMARIZECOLUMNS(
        BI_Autotask_Time_Entries[company_id],
        "Hours", SUM(BI_Autotask_Time_Entries[hours_worked]),
        "Billable", SUM(BI_Autotask_Time_Entries[Billable Hours])
      ),
      "Ratio", DIVIDE([Billable], [Hours])
    )
  VAR WithBand =
    ADDCOLUMNS(
      FILTER(ClientData, [Hours] > 0 && NOT(ISBLANK([company_id]))),
      "Band",
        SWITCH(TRUE(),
          [Ratio] >= 0.95, "A: Elite (95%+)",
          [Ratio] >= 0.85, "B: Strong (85-95%)",
          [Ratio] >= 0.70, "C: Standard (70-85%)",
          [Ratio] >= 0.50, "D: Low (50-70%)",
          "E: Poor (<50%)")
    )
EVALUATE
GROUPBY(WithBand, [Band],
  "Clients", COUNTX(CURRENTGROUP(), [company_id]),
  "Hours", SUMX(CURRENTGROUP(), [Hours]),
  "Billable", SUMX(CURRENTGROUP(), [Billable]))
ORDER BY [Band]

2.0 Uren per Medewerker

Gelogde uren per resource uit de demodataset

Thijs van Dijk

1,343

Pieter Jansen

1,361

Daan Mulder

1,418

Koen Hendriks

1,504

Eva de Boer

1,433

Marieke van den Berg

1,584

Ruben Meijer

1,492

Sanne Bakker MSc

2,399

Stefan Peters

2,060

Niels Dekker

2,135

Client	Total hours	Billable	Non-billable	Billable ratio
Craig-Huynh	4,370	3,792	578	86.8%
Little Group	3,791	3,127	665	82.5%
Lewis LLC	2,801	2,665	136	95.2%
Martin Group	2,217	1,970	247	88.8%
Wall PLC	1,697	1,665	32	98.1%
Rivers, Rogers and Mitchell	1,662	0	1,662	0.0%
Burke, Armstrong and Morgan	1,312	1,096	216	83.5%
Ramos Group	1,171	1,114	57	95.1%
Thompson, Contreras and Rios	1,006	853	153	84.8%
Wu-Jackson	962	916	46	95.2%
Doyle-Contreras	962	954	8	99.1%

Bekijk DAX Query — Uren per Medewerker query

EVALUATE
TOPN(12,
  FILTER(
    ADDCOLUMNS(
      SUMMARIZECOLUMNS(
        BI_Autotask_Time_Entries[company_id],
        BI_Autotask_Time_Entries[company_name],
        "Hours", SUM(BI_Autotask_Time_Entries[hours_worked]),
        "Billable", SUM(BI_Autotask_Time_Entries[Billable Hours]),
        "NonBillable", SUM(BI_Autotask_Time_Entries[Non billable Hours])
      ),
      "BillableRatio", DIVIDE([Billable], [Hours])
    ),
    NOT(ISBLANK(BI_Autotask_Time_Entries[company_id]))
  ),
  [Hours], DESC
)
ORDER BY [Hours] DESC

3.0 Maandelijkse Tickettrend

Maandelijks ticketvolume over de gemeten periode

Client	Total hours	Billable hours	Non-billable
Rivers, Rogers and Mitchell	1,662	0	1,662

Bekijk DAX Query — Maandelijkse Tickettrend query

EVALUATE
FILTER(
  ADDCOLUMNS(
    SUMMARIZECOLUMNS(
      BI_Autotask_Time_Entries[company_id],
      BI_Autotask_Time_Entries[company_name],
      "Hours", SUM(BI_Autotask_Time_Entries[hours_worked]),
      "Billable", SUM(BI_Autotask_Time_Entries[Billable Hours]),
      "NonBillable", SUM(BI_Autotask_Time_Entries[Non billable Hours])
    ),
    "BillableRatio", DIVIDE([Billable], [Hours])
  ),
  [Hours] > 50 && (ISBLANK([Billable]) || [BillableRatio] < 0.50)
)
ORDER BY [NonBillable] DESC

4.0 Omzet per Bedrijf

Omzetverdeling per bedrijf uit billingdata

Manders-Peek

214,468

Mulder & Partners

253,148

Wu-Jacobs

321,669

Torres-Jones

255,698

Vermeulen, Jacobs en Maes

320,831

Patterson, Riley and Laws

416,449

Rijksen, Bel en Christiaa

328,164

Brouwer, Kok en Scholten

469,660

Dijkstra-Postma

286,926

Jansen Groep

1,431,177

Client	Total hours	Non-billable	Non-billable share
Rivers, Rogers and Mitchell	1,662	1,662	100.0%
Little Group	3,791	665	17.5%
Craig-Huynh	4,370	578	13.2%
Martin Group	2,217	247	11.2%
Burke, Armstrong and Morgan	1,312	216	16.5%
Thompson, Contreras and Rios	1,006	153	15.2%
Lewis LLC	2,801	136	4.8%
Hanson-Cunningham	581	109	18.8%
Hahn Group	710	105	14.8%
Thomas-Watson	464	103	22.3%

Bekijk DAX Query — Omzet per Bedrijf query

EVALUATE
TOPN(10,
  FILTER(
    ADDCOLUMNS(
      SUMMARIZECOLUMNS(
        BI_Autotask_Time_Entries[company_id],
        BI_Autotask_Time_Entries[company_name],
        "Hours", SUM(BI_Autotask_Time_Entries[hours_worked]),
        "NonBillable", SUM(BI_Autotask_Time_Entries[Non billable Hours])
      ),
      "NonBillShare", DIVIDE([NonBillable], [Hours])
    ),
    [Hours] > 20 && NOT(ISBLANK(BI_Autotask_Time_Entries[company_id]))
  ),
  [NonBillable], DESC
)
ORDER BY [NonBillable] DESC

6.0 Analyse

Wat de data ons vertelt

Over 39,226 records in totaal is de verdeling sterk geconcentreerd. Wolters-Kuipers neemt alleen al 2.6% van het totale volume voor z'n rekening (1,002 records). Dat soort concentratie is het monitoren waard: als één klant structureel de workload domineert, kan dat wijzen op scope creep, onvoldoende preventief onderhoud, of een mismatch in pricing.

De maandelijkse trend laat een dalend verloop zien over de gemeten periode, van 3,478 naar 2,164. Een dalende trend kan het gevolg zijn van betere automation, betere documentatie, of minder klantactiviteit.

Het team heeft 25,868 uur gelogd over 15 resources, gemiddeld 1,724 uur per persoon. Let op uitschieters aan beide kanten: engineers die veel meer loggen zijn mogelijk overbelast, terwijl lage uren kunnen wijzen op problemen met logging compliance.

7.0 Aanbevolen Acties

1. Onderzoek Volume Wolters-Kuipers

Wolters-Kuipers genereert de meeste activiteit. Check of dit past bij hun contract scope en SLA-tier.

✓

2. Plan een Terugkerende Review

Richt een wekelijkse of maandelijkse review in van declarabele uren ratio per klant-metrics. Trends zijn belangrijker dan momentopnames. Gebruik de DAX-queries in dit rapport als startpunt.

✓

3. Koppel je Eigen Data

Dit rapport gebruikt demodata. Koppel Proxuma Power BI aan je eigen Autotask PSA om deze analyse op je echte cijfers los te laten.

8.0 Veelgestelde Vragen

Hoe wordt TOTAAL TICKETS berekend in het Declarabele Uren Ratio per Klant rapport?

De TOTAAL TICKETS metric wordt afgeleid uit het onderliggende Power BI dataset met DAX queries. Het aggregeert data over de rapportageperiode voor een geconsolideerd overzicht van totaal tickets performance.

Welke data uit Autotask PSA, Datto RMM, Datto Backup is opgenomen in deze analyse?

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.

Welke actie moet ik ondernemen naar aanleiding van de "Onderzoek Volume Wolters-Kuipers" aanbeveling?

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.

Declarabele Uren Ratio per Klant

Declarabele Uren Ratio per Klant

1. Onderzoek Volume Wolters-Kuipers

2. Plan een Terugkerende Review

3. Koppel je Eigen Data

Genereer rapporten als deze vanuit je eigen data