Een overzicht per technicus van declarabele versus niet-declarabele uren. Bekijk welke teamleden consequent hun utilization targets halen en waar capaciteit opgaat aan intern of niet-factureerbaar werk. Gegenereerd door AI via de Proxuma Power BI MCP server.
Een overzicht per technicus van declarabele versus niet-declarabele uren. Bekijk welke teamleden consequent hun utilization targets halen en waar capaciteit opgaat aan intern of niet-factureerbaar werk. Gegenereerd door AI via de 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: MSP owners, finance leads, and operations managers tracking profitability
Hoe vaak: Maandelijks for financial reviews, quarterly for strategic planning, op aanvraag for pricing decisions
Een overzicht per technicus van declarabele versus niet-declarabele uren. Bekijk welke teamleden consequent hun utilization targets halen en waar capaciteit opgaat aan intern of niet-factureerbaar werk. Gegenereerd door AI via de Proxuma Power BI MCP server.
Top 20 technici op totale uren, ingekleurd op declarabel percentage. Groen = boven 80%, oranje = 60-80%, rood = onder 60%.
EVALUATE ROW("TotalEntries", COUNTROWS('BI_Autotask_Time_Entries'), "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]), "NonBillable", SUM('BI_Autotask_Time_Entries'[Non billable Hours]), "ResourceCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[resource_name]))Vergelijking van de 5 hoogste en 5 laagste declarabele percentages binnen de top 20 op volume.
| Resource | Total Hours | Billable | Non-Billable | Rate |
|---|---|---|---|---|
| Dr. Amber Ayala DVM | 2,400 | 1,749 | 651 | 72.9% |
| James Li | 2,136 | 1,303 | 833 | 61.0% |
| Kevin Allen | 2,060 | 1,145 | 915 | 55.6% |
| Maxwell Reed | 2,050 | 1,838 | 213 | 89.6% |
| Andrew Roberts | 1,888 | 1,527 | 361 | 80.9% |
| David Hunt | 1,862 | 1,416 | 446 | 76.0% |
| Chelsea Thomas | 1,780 | 1,157 | 623 | 65.0% |
| Jennifer King | 1,585 | 1,228 | 357 | 77.5% |
| Jerry Mcfarland | 1,554 | 819 | 735 | 52.7% |
| Gregory Horn | 1,505 | 957 | 547 | 63.6% |
| Onderste 5 Performers | ||||
|---|---|---|---|---|
| Technicus | Totaal uren | Declarabel | Decl. % | Niet-decl. |
| Technicus B | 2.136 | 1.303 | 61,0% | 833 |
| Technicus S | 1.256 | 742 | 59,0% | 515 |
| Technicus T | 1.239 | 694 | 56,0% | 546 |
| Technicus C | 2.060 | 1.145 | 55,6% | 915 |
| Technicus I | 1.554 | 819 | 52,7% | 735 |
EVALUATE TOPN(15, SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]), "NonBillable", SUM('BI_Autotask_Time_Entries'[Non billable Hours]), "TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])), [TotalHours], DESC)Totale verdeling declarabel vs niet-declarabel, plus segmentatie per prestatie-tier.
Tier-verdeling binnen de top 20 technici:
Waar de niet-declarabele tijd geconcentreerd zit. Gesorteerd op niet-declarabele uren, aflopend.
EVALUATE
TOPN(20,
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"NonBillableHours", CALCULATE(
SUM('BI_Autotask_Time_Entries'[hours_worked]),
'BI_Autotask_Time_Entries'[is_non_billable] = TRUE
),
"BillablePct", DIVIDE(
CALCULATE(
SUM('BI_Autotask_Time_Entries'[hours_worked]),
'BI_Autotask_Time_Entries'[is_non_billable] = FALSE
),
SUM('BI_Autotask_Time_Entries'[hours_worked])
)
),
[NonBillableHours], DESC
)Hebben de drukste technici ook het beste declarabele percentage? Niet per se.
| Technicus | Totaal uren | Decl. % | Niet-decl. | Status |
|---|---|---|---|---|
| Technicus A | 2.400 | 72,9% | 651 | Oranje |
| Technicus B | 2.136 | 61,0% | 833 | Oranje |
| Technicus C | 2.060 | 55,6% | 915 | Rood |
| Technicus D | 2.050 | 89,6% | 213 | Groen |
| Technicus E | 1.888 | 80,9% | 361 | Groen |
| Technicus F | 1.862 | 76,0% | 446 | Oranje |
| Technicus G | 1.780 | 65,0% | 623 | Oranje |
| Technicus H | 1.585 | 77,5% | 357 | Oranje |
| Technicus I | 1.554 | 52,7% | 735 | Rood |
| Technicus J | 1.505 | 63,6% | 547 | Oranje |
| Technicus K | 1.492 | 73,3% | 399 | Oranje |
| Technicus L | 1.433 | 91,3% | 125 | Groen |
| Technicus M | 1.418 | 94,7% | 75 | Groen |
| Technicus N | 1.362 | 97,1% | 40 | Groen |
| Technicus O | 1.344 | 80,9% | 257 | Groen |
| Technicus P | 1.294 | 65,7% | 444 | Oranje |
| Technicus Q | 1.290 | 97,2% | 36 | Groen |
| Technicus R | 1.284 | 94,4% | 72 | Groen |
| Technicus S | 1.256 | 59,0% | 515 | Rood |
| Technicus T | 1.239 | 56,0% | 546 | Rood |
Technicus Q (97,2%), Technicus N (97,1%), Technicus M (94,7%), Technicus R (94,4%), Technicus L (91,3%), Technicus D (89,6%), Technicus E (80,9%) en Technicus O (80,9%) zitten allemaal op of boven de 80%-grens. Deze acht technici leveren samen 10.923 declarabele uren op een totaal van 12.169 uur. Dat is een gemiddelde van 89,8% voor deze groep.
Technicus C registreerde 2.060 uur, maar slechts 55,6% was declarabel. Dat zijn 915 niet-declarabele uren van een enkel persoon. Technicus B laat hetzelfde patroon zien: 2.136 uur, maar slechts 61,0% declarabel, met 833 niet-factureerbare uren. Deze twee technici zijn samen goed voor 1.748 niet-declarabele uren. Als hun percentages op het teamgemiddelde (75,6%) zouden liggen, levert dat zo'n 420 extra declarabele uren op.
Acht technici zitten in het 60-80% bereik. Samen vertegenwoordigen ze 14.455 totale uren. Als je deze groep van gemiddeld 69,4% naar 80% brengt, levert dat zo'n 1.530 extra declarabele uren op. Dat is bijna de jaarlijkse output van een fulltime technicus, zonder iemand aan te nemen.
Technicus A heeft de meeste totale uren (2.400) maar zit op slechts 72,9% declarabel. Technicus Q logde maar 1.290 uur en haalde 97,2% declarabel. De drukste mensen zijn niet per definitie de meest winstgevende. Dit wijst op een probleem in werkverdeling en urenregistratie, niet in inzet of capaciteit.
Stappen om het declarabele percentage van het team richting de 80%-target te tillen.
Deze drie technici zijn samen verantwoordelijk voor 2.483 niet-declarabele uren. Bekijk hun uren per werktype en zoek naar patronen: interne projecten, admin overhead, reistijd of verkeerd geclassificeerde entries. Als je 10-15% van hun niet-declarabele uren kunt herclassificeren, verschuift het totale teampercentage al met een vol procentpunt.
De 8 technici tussen 60-80% zijn de beste kandidaten voor quick wins. Stel individuele weekdoelen, bespreek voortgang in 1-op-1's en volg de trend. Een stijging van 5 procentpunt voor deze groep levert meer dan 700 extra declarabele uren per jaar op.
Technicus Q, N, M en R halen allemaal boven de 94% declarabel. Bekijk hun klantenmix, tickettypes en hoe ze uren loggen. Als ze vooral op declarabele contracten werken met weinig context-switching, dan is dat een model om breder toe te passen in het team.
Het declarabele percentage is de som van uren waar is_non_billable = FALSE gedeeld door de totale hours_worked per resource. De data komt uit de BI_Autotask_Time_Entries tabel in het Proxuma Power BI datamodel.
De meeste MSP's mikken op 70-80% declarabele utilization voor technici. Senior engineers of mensen met managementtaken zitten vaak op 60-70%. Alles consistent onder de 60% verdient onderzoek.
Veelvoorkomende oorzaken zijn intern projectwerk, trainingsverantwoordelijkheden, teamleadtaken, pre-sales activiteiten, of uren die als niet-declarabel zijn geboekt terwijl ze declarabel hadden moeten zijn. De oplossing hangt af van welke reden van toepassing is.
De gedetailleerde breakdown toont de top 20 op totale uren. De KPI's bovenaan dekken alle 77 actieve resources. Je kunt de DAX-query zonder TOPN-wrapper draaien om elke resource te zien.
Voeg de work_type of task_category kolom uit BI_Autotask_Time_Entries toe aan de SUMMARIZECOLUMNS query. Dan zie je of niet-declarabele uren naar interne projecten, admin, training of andere categorien gaan.
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 datamodel tabellen en measures die in elke Proxuma Power BI deployment bestaan.
Maandelijks is ideaal om trends te volgen. Wekelijkse steekproeven op de achterblijvers helpen om terugval vroeg te signaleren. De top performers hebben zelden interventie nodig, dus focus je reviewtijd op de oranje en rode zones.
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