AI-GEGENEREERD RAPPORT

Je zocht naar:

Hoeveel omzet levert elke medewerker op?

Omzet per Medewerker

We hebben de cijfers over omzet per medewerker 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

Omzet per Medewerker

We hebben de cijfers over omzet per medewerker 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 › Omzet per Medewerker

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

Omzet per Medewerker

We hebben de cijfers over omzet per medewerker 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

$209,604

84 active resources

MEESTE TICKETS

$17.61M

53.0% overall margin

TOTAAL UREN

$111,118

After direct cost

TOTALE OMZET

457 h

Utilisation 75.6%

Bekijk DAX Query — Summary query

EVALUATE ROW(
  "TotalRevenue", SUM('BI_Autotask_Billing_Items'[total_amount]),
  "TotalCost", SUM('BI_Autotask_Billing_Items'[our_cost]),
  "TotalResources", COUNTROWS('BI_Autotask_User_Details'),
  "ActiveResources", CALCULATE(COUNTROWS('BI_Autotask_User_Details'), 'BI_Autotask_User_Details'[autotask_status] = "Active"),
  "BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
  "NonBillableHours", SUM('BI_Autotask_Time_Entries'[Non billable Hours])
)

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

Metric	Per Total (118)	Per Active (84)	Difference
Revenue per resource	$149,210	$209,604	+40.5%
Cost per resource	$70,109	$98,486	+40.5%
Profit per resource	$79,101	$111,118	+40.5%
Billable hours per resource	325.1h	456.7h	+40.5%

Bekijk DAX Query — Ticketvolume per Bedrijf query

EVALUATE ROW(
  "TotalRevenue", SUM('BI_Autotask_Billing_Items'[total_amount]),
  "TotalCost", SUM('BI_Autotask_Billing_Items'[our_cost]),
  "TotalResources", COUNTROWS('BI_Autotask_User_Details'),
  "ActiveResources", CALCULATE(COUNTROWS('BI_Autotask_User_Details'), 'BI_Autotask_User_Details'[autotask_status] = "Active"),
  "BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
  "NonBillableHours", SUM('BI_Autotask_Time_Entries'[Non billable Hours])
)

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

#	Resource	Total Hours	Billable	Non-Billable	Tickets Touched	Utilisation
1	Dr. Amber Ayala DVM	2,399.8h	1,749.2h	650.6h	603	72.9%
2	James Li	2,136.0h	1,303.4h	832.6h	794	61.0%
3	Kevin Allen	2,060.1h	1,145.0h	915.1h	99	55.6%
4	Maxwell Reed	2,050.3h	1,837.7h	212.6h	2,613	89.6%
5	Andrew Roberts	1,887.7h	1,527.1h	360.6h	2,297	80.9%
6	David Hunt	1,862.2h	1,415.9h	446.3h	84	76.0%
7	Chelsea Thomas	1,779.6h	1,157.0h	622.6h	149	65.0%
8	Jennifer King	1,584.5h	1,228.0h	356.5h	763	77.5%
9	Jerry Mcfarland	1,554.0h	819.2h	734.8h	489	52.7%
10	Gregory Horn	1,504.5h	957.0h	547.5h	2,017	63.6%

Bekijk DAX Query — Uren per Medewerker query

EVALUATE
TOPN(10,
  ADDCOLUMNS(
    SUMMARIZE('BI_Autotask_Time_Entries','BI_Autotask_Time_Entries'[resource_name]),
    "TotalHours", CALCULATE(SUM('BI_Autotask_Time_Entries'[Billable Hours]) + SUM('BI_Autotask_Time_Entries'[Non billable Hours])),
    "BillableHours", CALCULATE(SUM('BI_Autotask_Time_Entries'[Billable Hours])),
    "NonBillable", CALCULATE(SUM('BI_Autotask_Time_Entries'[Non billable Hours])),
    "Tickets", CALCULATE(DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])),
    "Utilization", DIVIDE(CALCULATE(SUM('BI_Autotask_Time_Entries'[Billable Hours])), CALCULATE(SUM('BI_Autotask_Time_Entries'[Billable Hours]) + SUM('BI_Autotask_Time_Entries'[Non billable Hours])))
  ),
  [TotalHours], DESC
)

3.0 Maandelijkse Tickettrend

Maandelijks ticketvolume over de gemeten periode

Month	Revenue
2024-04	$0
2024-05	$1,777
2024-06	$502
2024-07	$19,255
2024-08	$850,721
2024-09	$827,356
2024-10	$872,119
2024-11	$846,378
2024-12	$933,099
2025-01	$942,444
2025-02	$1,051,887
2025-03	$1,106,651
2025-04	$1,341,613
2025-05	$1,080,822
2025-06	$1,033,307
2025-07	$1,045,558
2025-08	$1,058,862
2025-09	$1,002,352
2025-10	$1,006,189
2025-11	$927,813
2025-12	$887,195
2026-01	$770,865

Bekijk DAX Query — Maandelijkse Tickettrend query

EVALUATE
ADDCOLUMNS(
  SUMMARIZE('BI_Autotask_Billing_Items', 'BI_Common_Dim_Date'[year_month]),
  "MonthlyRevenue", CALCULATE(SUM('BI_Autotask_Billing_Items'[total_amount]))
)
ORDER BY 'BI_Common_Dim_Date'[year_month] ASC

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

Contract Type	Revenue	Cost	Margin	Contracts	Share of Revenue
Recurring Service	$15,724,070	$7,067,810	55.1%	1,207	89.31%
Time & Materials	$1,840,111	$1,163,629	36.8%	504	10.45%
Fixed Price	$17,210	$4,311	75.0%	5	0.10%
Block Hours	$7,502	$3,628	51.6%	173	0.04%

Bekijk DAX Query — Omzet per Bedrijf query

EVALUATE
VAR Types = VALUES('BI_Autotask_Contracts'[contract_type_name])
RETURN
ADDCOLUMNS(
  Types,
  "Revenue", VAR Ids = CALCULATETABLE(VALUES('BI_Autotask_Contracts'[contract_id]), 'BI_Autotask_Contracts'[contract_type_name] = EARLIER('BI_Autotask_Contracts'[contract_type_name]))
             RETURN CALCULATE(SUM('BI_Autotask_Billing_Items'[total_amount]), TREATAS(Ids, 'BI_Autotask_Billing_Items'[contract_id])),
  "Cost", VAR Ids = CALCULATETABLE(VALUES('BI_Autotask_Contracts'[contract_id]), 'BI_Autotask_Contracts'[contract_type_name] = EARLIER('BI_Autotask_Contracts'[contract_type_name]))
          RETURN CALCULATE(SUM('BI_Autotask_Billing_Items'[our_cost]), TREATAS(Ids, 'BI_Autotask_Billing_Items'[contract_id])),
  "ContractCount", CALCULATE(COUNTROWS('BI_Autotask_Contracts'), 'BI_Autotask_Contracts'[contract_type_name] = EARLIER('BI_Autotask_Contracts'[contract_type_name]))
)
ORDER BY [Revenue] 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 omzet per medewerker-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 Omzet per Medewerker 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.

Omzet per Medewerker

Omzet per Medewerker

1. Onderzoek Volume Wolters-Kuipers

2. Plan een Terugkerende Review

3. Koppel je Eigen Data

Genereer rapporten als deze vanuit je eigen data