We hebben de cijfers over msp onboarding & offboarding risico uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
We hebben de cijfers over msp onboarding & offboarding risico 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: Account managers, MSP owners, and service delivery leads
Hoe vaak: Maandelijks for client reviews, quarterly for QBRs, op aanvraag when client signals change
We hebben de cijfers over msp onboarding & offboarding risico uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
EVALUATE ROW(
"Total Customers", CALCULATE(COUNTROWS('BI_Autotask_Companies'), 'BI_Autotask_Companies'[company_type]="Customer"),
"Active Customers", CALCULATE(COUNTROWS('BI_Autotask_Companies'), 'BI_Autotask_Companies'[company_type]="Customer", 'BI_Autotask_Companies'[status]=TRUE()),
"Inactive Customers", CALCULATE(COUNTROWS('BI_Autotask_Companies'), 'BI_Autotask_Companies'[company_type]="Customer", 'BI_Autotask_Companies'[status]=FALSE()),
"New Last 12 Months", CALCULATE(COUNTROWS('BI_Autotask_Companies'), 'BI_Autotask_Companies'[company_type]="Customer", 'BI_Autotask_Companies'[create_datetime] >= EDATE(TODAY(),-12)),
"Cancellations", CALCULATE(COUNTROWS('BI_Autotask_Companies'), 'BI_Autotask_Companies'[company_type]="Cancellation"),
"Active Pct", DIVIDE([Active Customers], [Total Customers])
)Klanten gerangschikt op totaal aantal tickets uit de demodataset
| Month | New Clients |
|---|---|
| Nov 2025 | 1 |
| Oct 2025 | 3 |
| Sep 2025 | 3 |
| Aug 2025 | 1 |
| Jul 2025 | 4 |
| Jun 2025 | 2 |
| May 2025 | 1 |
| Mar 2025 | 3 |
| Feb 2025 | 6 |
| Jan 2025 | 5 |
| Dec 2024 | 2 |
| Nov 2024 | 3 |
| Oct 2024 | 10 |
| Sep 2024 | 3 |
| Aug 2024 | 6 |
EVALUATE
TOPN(15,
GROUPBY(
SELECTCOLUMNS(
FILTER('BI_Autotask_Companies', 'BI_Autotask_Companies'[company_type]="Customer" && NOT(ISBLANK('BI_Autotask_Companies'[create_datetime]))),
"Yr", YEAR('BI_Autotask_Companies'[create_datetime]),
"Mo", MONTH('BI_Autotask_Companies'[create_datetime])
),
[Yr], [Mo],
"New Customers", COUNTX(CURRENTGROUP(), 1)
),
[Yr], DESC, [Mo], DESC)
ORDER BY [Yr] DESC, [Mo] DESCTotaal gelogde uren per bedrijf
| Month | Revenue | Prev. Month | MoM Change |
|---|---|---|---|
| Jan 2026 | €770,581 | €886,025 | -13.0% |
| Dec 2025 | €886,025 | €927,538 | -4.5% |
| Nov 2025 | €927,538 | €1,005,914 | -7.8% |
| Oct 2025 | €1,005,914 | €1,002,077 | +0.4% |
| Sep 2025 | €1,002,077 | €1,058,617 | -5.3% |
| Aug 2025 | €1,058,617 | €1,044,399 | +1.4% |
| Jul 2025 | €1,044,399 | €1,029,880 | +1.4% |
| Jun 2025 | €1,029,880 | €1,080,551 | -4.7% |
| May 2025 | €1,080,551 | €1,341,196 | -19.4% |
| Apr 2025 | €1,341,196 | €1,104,901 | +21.4% |
| Mar 2025 | €1,104,901 | €1,049,714 | +5.3% |
| Feb 2025 | €1,049,714 | €939,565 | +11.7% |
| Jan 2025 | €939,565 | €929,768 | +1.1% |
| Dec 2024 | €929,768 | €842,790 | +10.3% |
| Nov 2024 | €842,790 | €867,544 | -2.9% |
EVALUATE
TOPN(15,
ADDCOLUMNS(
FILTER(
SUMMARIZECOLUMNS('BI_Common_Dim_Date'[year], 'BI_Common_Dim_Date'[month],
TREATAS({"Customer"}, 'BI_Autotask_Companies'[company_type]),
"MonthRevenue", [Revenue - Total]),
[MonthRevenue] > 0),
"PrevMonthRev",
VAR _yr='BI_Common_Dim_Date'[year] VAR _mo='BI_Common_Dim_Date'[month]
VAR _prevYr=IF(_mo=1,_yr-1,_yr) VAR _prevMo=IF(_mo=1,12,_mo-1)
RETURN CALCULATE([Revenue - Total], TREATAS({"Customer"},'BI_Autotask_Companies'[company_type]),
'BI_Common_Dim_Date'[year]=_prevYr, 'BI_Common_Dim_Date'[month]=_prevMo,
REMOVEFILTERS('BI_Common_Dim_Date'))
),
'BI_Common_Dim_Date'[year], DESC, 'BI_Common_Dim_Date'[month], DESC)
ORDER BY 'BI_Common_Dim_Date'[year] DESC, 'BI_Common_Dim_Date'[month] DESCOmzetverdeling per bedrijf uit billingdata
| Company Type | Count | Share |
|---|---|---|
| Customer | 328 | 59.6% |
| Vendor | 133 | 24.2% |
| Prospect | 77 | 14.0% |
| Cancellation | 11 | 2.0% |
| Lead | 1 | 0.2% |
DEFINE VAR _total = COUNTROWS('BI_Autotask_Companies')
EVALUATE
ADDCOLUMNS(
SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_type], "Cnt", COUNTROWS('BI_Autotask_Companies')),
"Pct", DIVIDE([Cnt], _total))
ORDER BY [Cnt] 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.
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 msp onboarding & offboarding risico-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