We hebben de cijfers over management prestatie-overzicht uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
We hebben de cijfers over management prestatie-overzicht 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 operations teams and service delivery managers
Hoe vaak: As needed for specific analysis or reporting requirements
We hebben de cijfers over management prestatie-overzicht uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
EVALUATE
ROW(
"Total Tickets Created", [Tickets - Count - Created],
"Total Tickets Completed", [Tickets - Count - Completed],
"Closure Rate", [Tickets - Closure Rate %],
"Hours Worked", [Tickets - Hours Worked],
"First Hour Fix Pct", [Tickets - First Hour Fix %],
"SLA Resolution Met Pct", [Tickets - Resolution Met %],
"Same Day Resolution Pct", [Tickets - Same Day Resolution %]
)Klanten gerangschikt op totaal aantal tickets uit de demodataset
| Company | Tickets |
|---|---|
| Rivers, Rogers and Mitchell | 6,381 |
| Craig-Huynh | 5,458 |
| Little Group | 5,290 |
| Martin Group | 2,775 |
| Wall PLC | 2,376 |
| Blanchard-Glenn | 2,364 |
| Price-Gomez | 2,180 |
| Thompson, Contreras and Rios | 1,803 |
| Lewis LLC | 1,758 |
| Ramos Group | 1,728 |
EVALUATE
TOPN(10,
GROUPBY(
'BI_Autotask_Tickets',
'BI_Autotask_Tickets'[company_name],
"Tickets", COUNTX(CURRENTGROUP(), 'BI_Autotask_Tickets'[ticket_id])
),
[Tickets], DESC
)
ORDER BY [Tickets] DESCGelogde uren per resource uit de demodataset
| Resource | Hours Worked |
|---|---|
| Dr. Amber Ayala DVM | 2,400 |
| James Li | 2,136 |
| Kevin Allen | 2,060 |
| Maxwell Reed | 2,050 |
| Andrew Roberts | 1,888 |
| David Hunt | 1,862 |
| Chelsea Thomas | 1,780 |
| Jennifer King | 1,585 |
| Jerry Mcfarland | 1,554 |
| Gregory Horn | 1,505 |
EVALUATE
TOPN(10,
GROUPBY(
'BI_Autotask_Time_Entries',
'BI_Autotask_Time_Entries'[resource_name],
"Total_Hours", SUMX(CURRENTGROUP(), 'BI_Autotask_Time_Entries'[hours_worked])
),
[Total_Hours], DESC
)
ORDER BY [Total_Hours] DESCMaandelijks ticketvolume over de gemeten periode
| Month | Tickets |
|---|---|
| 2024-07 | 288 |
| 2024-08 | 3,390 |
| 2024-09 | 2,867 |
| 2024-10 | 3,777 |
| 2024-11 | 3,407 |
| 2024-12 | 3,128 |
| 2025-01 | 4,562 |
| 2025-02 | 3,478 |
| 2025-03 | 3,766 |
| 2025-04 | 4,341 |
| 2025-05 | 3,639 |
| 2025-06 | 3,651 |
| 2025-07 | 6,613 |
| 2025-08 | 3,607 |
| 2025-09 | 4,563 |
| 2025-10 | 4,013 |
| 2025-11 | 3,327 |
| 2025-12 | 2,940 |
| 2026-01 | 2,164 |
EVALUATE
GROUPBY(
ADDCOLUMNS(
'BI_Autotask_Tickets',
"YearMonth", FORMAT('BI_Autotask_Tickets'[create_date], "YYYY-MM")
),
[YearMonth],
"Tickets", COUNTX(CURRENTGROUP(), 'BI_Autotask_Tickets'[ticket_id])
)
ORDER BY [YearMonth] ASCOmzetverdeling per bedrijf uit billingdata
| Company | Revenue |
|---|---|
| Craig-Huynh | $2,324,617 |
| Lewis LLC | $2,212,915 |
| Little Group | $1,431,177 |
| Martin Group | $637,092 |
| Lopez-Reyes | $589,694 |
| Wall PLC | $476,622 |
| Burke, Armstrong and Morgan | $469,660 |
| Patterson, Riley and Lawson | $416,450 |
| Richards, Bell and Christensen | $328,165 |
| Wu-Jackson | $321,669 |
EVALUATE
TOPN(10,
ADDCOLUMNS(
GROUPBY(
'BI_Autotask_Billing_Items',
'BI_Autotask_Billing_Items'[company_id],
"Total_Revenue", SUMX(CURRENTGROUP(), 'BI_Autotask_Billing_Items'[total_amount])
),
"Company", LOOKUPVALUE('BI_Autotask_Companies'[company_name], 'BI_Autotask_Companies'[company_id], 'BI_Autotask_Billing_Items'[company_id])
),
[Total_Revenue], DESC
)
ORDER BY [Total_Revenue] DESCWat 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.
Wolters-Kuipers genereert de meeste activiteit. Check of dit past bij hun contract scope en SLA-tier.
Richt een wekelijkse of maandelijkse review in van management prestatie-overzicht-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 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.
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