Hoe vergelijkt de omzet per client zich maand over maand? 13-maanden trendanalyse met uitsplitsing per client. Gegenereerd door AI via Proxuma Power BI MCP server.
Hoe vergelijkt de omzet per client zich maand over maand? 13-maanden trendanalyse met uitsplitsing per client. 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: MSP owners, finance leads, and operations managers tracking profitability
Hoe vaak: Maandelijks for financial reviews, quarterly for strategic planning, op aanvraag for pricing decisions
Hoe vergelijkt de omzet per client zich maand over maand? 13-maanden trendanalyse met uitsplitsing per client. Gegenereerd door AI via Proxuma Power BI MCP server.
De omzet piekte op $1,34M in april 2025 en is sindsdien elke maand gedaald. Januari 2026 kwam uit op $770K, een daling van 42,6% ten opzichte van de piek. Acht van de tien clients lieten negatieve MoM-veranderingen zien in januari. Alleen Klant C en Client F toonden groei. Dit is geen seizoensgebonden dip. Acht opeenvolgende maanden van daling wijst op een structureel omzetprobleem dat onmiddellijke aandacht vereist.
EVALUATE ROW("TotalRevenue", SUM('BI_Autotask_Billing_Items'[total_amount]), "Contracts", COUNTROWS('BI_Autotask_Contracts'), "Companies", DISTINCTCOUNT('BI_Autotask_Contracts'[company_id]))Totale omzet per maand, januari 2025 tot en met januari 2026. De piek in april en de aanhoudende daling daarna zijn duidelijk zichtbaar.
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Contracts,
BI_Calendar[year_month]
),
"TotalRevenue", CALCULATE(
SUM(BI_Autotask_Contracts[contract_revenue])
)
)
ORDER BY BI_Calendar[year_month] ASCDecember 2025 vs januari 2026 omzet per client, gerangschikt op absolute verandering. Kleurgecodeerd om de grootste verschuivingen te markeren.
| Client | Dec 2025 | Jan 2026 | Verandering | % Verandering |
|---|---|---|---|---|
| Klant A | $136,721 | $109,533 | -$27,187 | -19.9% |
| Client E | $34,680 | $18,941 | -$15,739 | -45.4% |
| Klant B | $83,468 | $67,909 | -$15,560 | -18.6% |
| Client D | $50,966 | $42,297 | -$8,669 | -17.0% |
| Client H | $21,259 | $16,215 | -$5,044 | -23.7% |
| Client F | $28,030 | $32,027 | +$3,997 | +14.3% |
| Client I | $18,601 | $15,897 | -$2,704 | -14.5% |
| Klant C | $58,770 | $59,279 | +$509 | +0.9% |
| Client G | $29,982 | $29,604 | -$379 | -1.3% |
| Client J | $17,249 | $17,213 | -$36 | -0.2% |
EVALUATE
VAR _CurrentMonth = DATE(2026, 1, 1)
VAR _PreviousMonth = DATE(2025, 12, 1)
RETURN
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Contracts,
BI_Autotask_Contracts[company_name]
),
"DecRevenue", CALCULATE(
SUM(BI_Autotask_Contracts[contract_revenue]),
BI_Calendar[year_month] = _PreviousMonth
),
"JanRevenue", CALCULATE(
SUM(BI_Autotask_Contracts[contract_revenue]),
BI_Calendar[year_month] = _CurrentMonth
),
"AbsoluteChange", CALCULATE(
SUM(BI_Autotask_Contracts[contract_revenue]),
BI_Calendar[year_month] = _CurrentMonth
) - CALCULATE(
SUM(BI_Autotask_Contracts[contract_revenue]),
BI_Calendar[year_month] = _PreviousMonth
)
)
ORDER BY [AbsoluteChange] ASCGesplitst overzicht: 8 clients verloren omzet in januari, slechts 2 toonden groei. De verhouding spreekt voor zich.
Hoe snel daalt de omzet? Gemiddelde maandelijkse daling sinds de piek in april, en het versnellingspatroon.
Van april tot januari daalde de totale omzet met $571K over 9 maanden. Dat is een gemiddelde daling van ruwweg $63K per maand. Het tempo is echter niet constant. De daling van april naar mei was $261K (een enkele grote correctie), terwijl de maanden juni tot en met oktober relatief stabiel bleven rond $1M. De scherpere daling hervatte in november met een verlies van $75K, daarna $41K in december en nog eens $116K in januari.
De versnelling in de laatste drie maanden is het deel dat ertoe doet. Als de omzet simpelweg terugkeerde naar een basislijn na een piek in april, zou de daling inmiddels zijn afgevlakt. In plaats daarvan versnelt het. Bij de huidige snelheid zakt de totale maandelijkse omzet binnen 5 maanden onder de $500K, tenzij er iets verandert.
Is dit een cyclische dip of een structureel probleem? Vergelijking van het huidige traject met typische MSP-omzetseizoensinvloeden.
MSP-omzet volgt doorgaans een mild seizoenspatroon. Q1 is vaak wat zachter doordat clients budgetten afronden. Q2 en Q3 trekken aan met projectwerk. Q4 kan beide kanten op, afhankelijk van jaar-einde inkopen. Een dip van 5-10% van piek naar dal is normaal.
Wat hier gebeurt is niet normaal. Een opeenvolgende daling van 8 maanden van in totaal 42,6% gaat ver voorbij seizoensgebonden variatie. Seizoenspatronen corrigeren zichzelf binnen 2-3 maanden. Dit heeft zich niet gecorrigeerd. De data wijst op een of meer van de volgende structurele oorzaken:
| Signaal | Seizoensdip | Structurele Daling | Jouw Data |
|---|---|---|---|
| Duur | 2-3 maanden | 5+ maanden | 8 maanden |
| Omvang | 5-10% vanaf piek | 20%+ vanaf piek | 42.6% |
| Clientbereik | 1-2 clients getroffen | Meerderheid van clients | 8 van 10 dalend |
| Herstelpatroon | Herstel zichtbaar | Geen omkering | Geen herstel |
| Versnelling | Vlak of vertragend | Versnellend | Versnellend |
De omzet is elke maand gedaald sinds april 2025. De totale daling is 42,6%, van $1,34M naar $771K. Het dalingstempo versnelt in de laatste drie maanden in plaats van af te nemen. Dit is het meest urgente signaal in de gehele dataset.
Van $34.680 in december naar $18.941 in januari. Een daling van deze omvang in een enkele maand betekent bijna altijd dat een contract is opgezegd, verlaagd of niet verlengd. Dit vereist een onmiddellijk gesprek met de accounteigenaar.
Klant A is je grootste account met $109K/maand. Een daling van 19,9% bij je grootste client heeft een onevenredig grote impact op de totale omzet. Als Klant A in dit tempo blijft dalen, verlies je volgende maand nog eens $22K.
Client F is het sterkste groeiverhaal in de portefeuille. Van $28K naar $32K is betekenisvol, zeker wanneer elk ander account vlak is of daalt. Het is de moeite waard om te begrijpen wat er veranderde: nieuw project? Contractuitbreiding? Upsell die landde?
1. Voer een gerichte beoordeling uit van alle hoog-risico entiteiten binnen 2 weken. Documenteer de hoofdoorzaak voor elke entiteit en stel een herstelplan op met duidelijke deadlines en verantwoordelijke eigenaren.
2. Implementeer geautomatiseerde monitoring voor de matig-risico groep. Stel drempels in die een melding triggeren wanneer prestaties 5 procentpunten onder het streefniveau zakken, zodat vroege interventie mogelijk is.
3. Plan dit rapport maandelijks in als onderdeel van het QBR-proces. Gebruik de trenddata om te verifiteren dat verbeteringsinitiatieven daadwerkelijk resultaat opleveren over meerdere kwartalen.
Omzetdata wordt opgehaald uit Autotask PSA contractfacturatierecords via het Proxuma Power BI semantic model. Het omvat terugkerende contractomzet, time and materials facturatie en vaste-prijs projectomzet. De AI bevraagt deze data via de MCP server en berekent maand-over-maand veranderingen per client.
Beide. De omzetcijfers omvatten alle facturatie uit Autotask: managed service agreements, block hours, tijdregistraties en projectmijlpalen. Als je terugkerende omzet wilt scheiden van projectomzet, kun je de DAX queries filteren op contracttype.
De formule is (Omzet Huidige Maand - Omzet Vorige Maand) / Omzet Vorige Maand. Een client die $100K factureerde in december en $80K in januari toont een verandering van -20%. De berekening gebruikt de twee meest recente volledige maanden in de dataset.
Dertien maanden geeft je een volledige jaar-op-jaar vergelijking voor de meest recente maand. Januari 2025 vs januari 2026 toont het jaarlijkse traject. Twaalf maanden zou het vergelijkingspunt afsnijden. Het maakt seizoenspatronen ook makkelijker te herkennen omdat je dezelfde maand in twee verschillende jaren kunt zien.
Ja. Verbind Proxuma Power BI met je Autotask PSA-instantie, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP en stel dezelfde vraag. De AI schrijft de DAX queries, draait ze op je echte facturatiedata en produceert een rapport als dit in minder dan 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