Resource-level breakdown van billable en non-billable uren uit Autotask PSA. Gegenereerd door AI via Proxuma Power BI MCP server.
Resource-level breakdown van billable en non-billable uren uit Autotask PSA. 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
Resource-level breakdown van billable en non-billable uren uit Autotask PSA. Gegenereerd door AI via Proxuma Power BI MCP server.
BI_Autotask_Time_Entries tabel met DAX, en berekende billable vs non-billable totalen per resource. Alle cijfers komen direct uit je Autotask tijdregistraties. De queries staan in toggle-blokken door dit rapport zodat je ze zelf kunt verifieren of opnieuw kunt draaien.
Over alle 77 resources ging 75,6% van de gelogde uren naar klantgericht werk. De overige 24,4% was non-billable: interne projecten, admin, meetings, training en andere overhead. Een 75/25 verdeling valt binnen de normale range voor MSPs, maar er is ruimte om die verhouding richting 80/20 te schuiven met gerichte aanpassingen.
EVALUATE ROW("BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]), "NonBillableHours", SUM('BI_Autotask_Time_Entries'[Non billable Hours]), "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "BillableRatio", DIVIDE(SUM('BI_Autotask_Time_Entries'[Billable Hours]), SUM('BI_Autotask_Time_Entries'[hours_worked])))De tabel hieronder toont de top 15 resources op totaal uren. De spreiding is breed: Resource D besteedt 89,6% van de tijd aan klanten, terwijl Resource C op 55,6% zit. Beide zijn high-volume resources, dus zelfs kleine procentuele verschuivingen hebben een echte impact op capaciteit.
| Resource | Totaal | Billable | Intern | Klant % | Intern % |
|---|---|---|---|---|---|
| Resource A | 2.400 | 1.749 | 651 | 72,9% | 27,1% |
| Resource B | 2.136 | 1.303 | 833 | 61,0% | 39,0% |
| Resource C | 2.060 | 1.145 | 915 | 55,6% | 44,4% |
| Resource D | 2.050 | 1.838 | 213 | 89,6% | 10,4% |
| Resource E | 1.888 | 1.527 | 361 | 80,9% | 19,1% |
| Resource F | 1.862 | 1.416 | 446 | 76,0% | 24,0% |
| Resource G | 1.780 | 1.157 | 623 | 65,0% | 35,0% |
| Resource H | 1.585 | 1.228 | 357 | 77,5% | 22,5% |
| Resource I | 1.554 | 819 | 735 | 52,7% | 47,3% |
| Resource J | 1.505 | 957 | 547 | 63,6% | 36,4% |
| Resource K | 1.492 | 1.094 | 399 | 73,3% | 26,7% |
| Resource L | 1.433 | 1.308 | 125 | 91,3% | 8,7% |
| Resource M | 1.418 | 1.344 | 75 | 94,7% | 5,3% |
| Resource N | 1.362 | 1.322 | 40 | 97,1% | 2,9% |
| Resource O | 1.344 | 1.087 | 257 | 80,9% | 19,1% |
Top 10 resources op klantgericht %:
EVALUATE
ADDCOLUMNS(
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"InternalHours", SUM('BI_Autotask_Time_Entries'[Non billable Hours])
),
"ClientPct", DIVIDE([BillableHours], [TotalHours]),
"InternalPct", DIVIDE([InternalHours], [TotalHours])
)
ORDER BY [TotalHours] DESCVier resources besteden meer dan 35% van hun tijd aan intern werk: Resource C (44,4%), Resource B (39,0%), Resource I (47,3%) en Resource J (36,4%). Samen zijn die vier goed voor 3.030 non-billable uren. Dat is bijna een kwart van alle interne tijd over het hele team.
De opvallendste outlier zit buiten de top 15. Een resource logde 992 uur met 89,2% geclassificeerd als intern. Slechts 107 uur was billable. Dit profiel wijst op een managementrol, een interne projectleider, of een resource die verkeerd is geclassificeerd in Autotask. Hoe dan ook, het is de moeite waard om te bevestigen of de rol klopt.
Aan de andere kant logden verschillende resources bijna 99% klanttijd. Dit zijn meestal low-hour contractors of specialisten die exclusief op klantprojecten worden ingezet. Ze trekken het gemiddelde omhoog, maar zijn niet groot genoeg om het totaalcijfer te verschuiven.
Vijf resources zitten boven 80% klanttijd en loggen ook meer dan 1.000 uur. Dit zijn je werkpaarden: hoog volume, hoge benutting, minimale interne overhead. Resource D springt eruit met 89,6% op 2.050 uur. Resource N is de overall leider met 97,1%, al is dat op een kleiner volume van 1.362 uur.
De interessante middengroep zit tussen 70% en 80%. Resources A, F, K en H vallen hier allemaal. Ze zijn productief maar dragen genoeg interne last om een nadere blik waard te zijn. In veel gevallen levert een verbetering van 5 procentpunten in klant % voor een resource die 1.500+ uur logt, 75 of meer uren per jaar op.
Bijna uitsluitend klantgericht. Slechts 40 interne uren op 1.362 totaal. Deze resource heeft of nul admin-last of logt interne tijd elders.
2.050 uur totaal met slechts 213 intern. De beste combinatie van volume en efficiency in de dataset.
1.433 uur met slechts 125 non-billable. Consistente presteerder met minimale overhead.
EVALUATE
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"BillablePct", [Billable % (Autotask Capacity)],
"UnwrittenPct", [Unwritten % (Autotask Capacity)],
"InternalPct", [Internal % (Autotask Capacity)]
)
ORDER BY [BillablePct] ASCDe cijfers in de tabel hierboven zijn gebaseerd op alleen gelogde uren. Ze houden geen rekening met capaciteit, wat betekent dat ze de derde categorie missen: ongeschreven tijd. Een resource kan 75% klant en 25% intern laten zien, maar als ze maar 60% van hun beschikbare capaciteit loggen, is het echte plaatje anders.
De capaciteitsgebaseerde DAX measures (Toggle 3 hierboven) splitsen de beschikbare uren van elke resource in drie buckets: billable %, intern % en ongeschreven %. Resources met hoge ongeschreven percentages loggen of niet al hun werk, of hebben echte idle capaciteit. Beide zijn het onderzoeken waard.
Voor context: als 77 resources elk 1.800 uur jaarlijkse capaciteit hebben, is de totale pool ongeveer 138.600 uur. Slechts 50.752 werd gelogd. Dat laat een significant gat over, al is niet alles verloren. Sommige resources zijn parttime, sommige begonnen halverwege het jaar, en sommige rollen vereisen geen volledige tijdregistratie.
Resources B, C, I en J besteden 36-47% van hun tijd aan intern werk. Gecombineerd is dat 3.030 uur non-billable tijd. Als zelfs de helft daarvan reduceerbaar is, vertegenwoordigt dat 1.500 uur potentiele billable capaciteit per jaar.
Een resource buiten de top 15 logde 992 uur met slechts 107 billable. Dit is waarschijnlijk een manager, trainer of interne projectleider. Als de rol correct is, moet de classificatie worden bijgewerkt. Als de rol is veranderd, moet de werklast opnieuw worden verdeeld.
Resources D, E, L, M, N en O handhaven allemaal boven 80% klanttijd op betekenisvol volume. Dit is de benchmark om naar te streven. Hun werkpatronen zijn het bestuderen waard voor de rest van het team.
Haal de daadwerkelijke tijdregistraties op voor deze vier resources en categoriseer het interne werk. Scheid onvermijdbare overhead (teamvergaderingen, verplichte training) van reduceerbare taken (handmatige rapportage, herhaald troubleshooten op interne systemen). Stel een doel om elke resource 5-10 procentpunten richting klantwerk te verschuiven binnen 90 dagen.
Bevestig of de rol van deze persoon opzettelijk intern-gericht is. Zo ja, werk de Autotask-rol of afdeling bij zodat ze geen utilisatierapporten vertekenen. Zo nee, onderzoek wat hun tijd opslokt en of iets ervan gedelegeerd of geautomatiseerd kan worden.
Gebruik de toppresteerders als bewijs dat 80%+ haalbaar is op schaal. Deel dit rapport met teamleads en stel een kwartaaldoel. Volg de voortgang met de capaciteitsmetingen (Toggle 3) die ook ongeschreven tijd meenemen.
Elke tijdregistratie in Autotask die als non-billable is geclassificeerd. Dit omvat interne projecten, admintaken, teamvergaderingen, training en alles wat is gelogd tegen een intern bedrijf of non-billable werktype. De classificatie komt rechtstreeks uit je Autotask-instellingen.
De meeste MSPs mikken op 75-80% klantgerichte tijd over het hele team. Onder 70% wijst meestal op te veel overhead of een logprobleem. Boven 85% voor het hele team is ongebruikelijk en kan betekenen dat intern werk niet wordt bijgehouden.
Dit zijn meestal contractors of parttime specialisten die alleen tijd loggen tegen klanttickets. Ze doen niet mee aan interne meetings of adminwerk, of ze loggen die tijd in een ander systeem. Hun ratio's zijn accuraat voor wat ze loggen, maar weerspiegelen niet de realiteit van een fulltime medewerker.
De hoofdtabel toont percentages gebaseerd op alleen gelogde uren. De capaciteitsmetingen (Toggle 3) voegen een derde dimensie toe: ongeschreven tijd. Een resource die 75% klant en 25% intern logt, kan op slechts 60% capaciteitsbenutting zitten, wat betekent dat 40% van hun beschikbare uren niet is verantwoord.
Ja. Voeg een datumfilter toe aan de DAX queries met CALCULATETABLE en een filter op de datumkolom. Filter bijvoorbeeld op de laatste 90 dagen om recente trends te zien, of vergelijk Q1 met Q2 om seizoenspatronen te spotten.
Ja. Koppel Proxuma Power BI aan je Autotask-account, voeg een AI-tool toe (Claude, ChatGPT of Copilot) via MCP, en stel dezelfde vraag. De AI schrijft de DAX queries, draait ze tegen je echte data, en produceert een rapport zoals dit in onder 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