Gegenereerd door AI via Proxuma Power BI MCP-server. Tijdregistratie-analyse per resource op basis van Autotask-capaciteit en tijdregistratiedata.
Gegenereerd door AI via Proxuma Power BI MCP-server. Tijdregistratie-analyse per resource op basis van Autotask-capaciteit en tijdregistratiedata.
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: Operations managers, service delivery leads, and MSP owners managing capacity
Hoe vaak: Wekelijks for scheduling, monthly for utilization reviews, quarterly for staffing decisions
Gegenereerd door AI via Proxuma Power BI MCP-server. Tijdregistratie-analyse per resource op basis van Autotask-capaciteit en tijdregistratiedata.
De algemene registratiequote van 6,4% weerspiegelt een grote cumulatieve dataset die meerdere periodes in de demo-omgeving beslaat. Voor actieve resources logden de beste technici tussen de 1.200 en 2.400 uur over de gevolgde periode. Resources met minder geregistreerde uren hebben de grootste ongeschreven kloof ten opzichte van hun individuele capaciteitstoewijzing.
EVALUATE
ROW(
"Total_Capacity", [Capacity Total (Autotask)],
"Total_Logged", [Total],
"Unwritten_Hours", [Unwritten (Autotask Capacity)],
"Unwritten_Pct", [Unwritten % (Autotask Capacity)],
"Total_Billable", [Billable],
"Time_Logging_Rate", [Analytics - Time Logging Rate],
"Missing_Hours_Summary", [Analytics - Missing Hours Summary]
)Totaal gewerkte uren, factureerbare uren en factuurpercentage per technicus — gesorteerd op totaal geregistreerde uren
| # | Resource | Uren Geregistreerd | Factureerb. Uren | Niet-Factureerb. | Factuur % |
|---|---|---|---|---|---|
| 1 | Dr. Amber Ayala DVM | 2.399,8 | 1.749,2 | 650,6 | 72,9% |
| 2 | James Li | 2.136,0 | 1.303,4 | 832,6 | 61,0% |
| 3 | Kevin Allen | 2.060,1 | 1.145,0 | 915,1 | 55,6% |
| 4 | Maxwell Reed | 2.050,3 | 1.837,7 | 212,6 | 89,6% |
| 5 | Andrew Roberts | 1.887,7 | 1.527,1 | 360,6 | 80,9% |
| 6 | David Hunt | 1.862,2 | 1.415,9 | 446,3 | 76,0% |
| 7 | Chelsea Thomas | 1.779,6 | 1.157,0 | 622,6 | 65,0% |
| 8 | Jennifer King | 1.584,5 | 1.228,0 | 356,5 | 77,5% |
| 9 | Jerry Mcfarland | 1.554,0 | 819,2 | 734,8 | 52,7% |
| 10 | Gregory Horn | 1.504,5 | 957,0 | 547,5 | 63,6% |
| 11 | Jeremy White | 1.492,5 | 1.093,8 | 398,7 | 73,3% |
| 12 | Elizabeth Ortega | 1.433,4 | 1.308,3 | 125,1 | 91,3% |
| 13 | Daniel Daniels | 1.418,4 | 1.343,6 | 74,8 | 94,7% |
| 14 | Brandon Bishop | 1.361,5 | 1.321,7 | 39,8 | 97,1% |
| 15 | Brandon Lynn | 1.343,7 | 1.087,2 | 256,5 | 80,9% |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
'BI_Autotask_Time_Entries',
'BI_Autotask_Time_Entries'[resource_name]
),
"Total_Hours", CALCULATE(
SUM('BI_Autotask_Time_Entries'[hours_worked])
),
"Billable_Hours", CALCULATE(
SUM('BI_Autotask_Time_Entries'[Billable Hours])
),
"Non_Billable_Hours", CALCULATE(
SUM('BI_Autotask_Time_Entries'[Non billable Hours])
)
)
ORDER BY [Total_Hours] DESCHoe factureerbare vs niet-factureerbare tijd verdeeld is binnen het team
Het teamgemiddelde voor factureerbaarheid ligt op 75,6% van de geregistreerde uren. De uitschieters boven aan de lijst, Daniel Daniels (94,7%) en Brandon Bishop (97,1%), registreren vrijwel alles op factureerbaar werk. Resources onder de 60% verwerken mogelijk meer interne projecten, escalaties of training, maar het verschil is de moeite waard om per geval te bekijken.
Jerry Mcfarland staat op 52,7% factureerbaarheid en heeft 1.554 uur geregistreerd, wat betekent dat 734 uur niet-factureerbaar was. Bij een tarief van €125/uur levert het omzetten van zelfs de helft van die niet-factureerbare tijd naar factureerbaar €45.875 aan herstelbare omzet op.
EVALUATE
TOPN(20,
ADDCOLUMNS(
SUMMARIZE(
'BI_Autotask_Time_Entries',
'BI_Autotask_Time_Entries'[resource_name]
),
"Billable_Pct", DIVIDE(
CALCULATE(SUM('BI_Autotask_Time_Entries'[Billable Hours])),
CALCULATE(SUM('BI_Autotask_Time_Entries'[hours_worked])),
0
)
),
[Billable_Pct], DESC
)Over de volledige dataset werden slechts 50.752 van de 787.858 beschikbare capaciteitsuren geregistreerd. Hoewel dit historische periodes omvat waarbij resources inmiddels het team verlaten hebben, laat elke actieve resource die minder dan 80% van zijn individuele capaciteit registreert onbetaalbare tijd onzichtbaar voor het management.
James Li en Kevin Allen registreerden elk meer dan 2.000 uur, maar hun factuurpercentages zijn respectievelijk 61% en 55,6%. Vergelijk dat met Brandon Bishop, die 1.362 uur registreerde tegen 97,1% factureerbaar. Het volume van tijdregistratie alleen geeft geen beeld van productiviteit of omzetgeneratie.
Daniel Daniels (94,7%) en Brandon Bishop (97,1%) laten zien wat een uitstekende tijdregistratiediscipline inhoudt. Hun bijna-complete factuurpercentages betekenen dat vrijwel elk uur dat ze werken wordt vastgelegd en verrekenbaar is. Dit zijn de benchmarks die je voor het hele team kunt stellen.
Als de 15 actieve resources in dit voorbeeld elk gemiddeld 200 niet-geregistreerde uren per jaar hebben, verliest het team bij een gemiddeld tarief van €125/uur toegang tot €375.000 aan potentieel factureerbare omzet per jaar. Niet door te weinig te leveren, maar door te weinig te registreren. De oplossing kost niets, behalve bewustwording en gedragsverandering.
-- Ongeschreven uren = capaciteit minus totaal geregistreerd
-- Gebruik bij voorkeur gefilterd per resource in een rapportvisualisatie:
EVALUATE
ROW(
"Unwritten_Hours", [Unwritten (Autotask Capacity)],
"Unwritten_Pct", [Unwritten % (Autotask Capacity)],
"Missing_Summary", [Analytics - Missing Hours Summary],
"Logging_Rate", [Analytics - Time Logging Rate]
)
-- Per resource: gebruik als tabelvisualisatie met resource-slicer
-- of voeg resourcefiltercontext toe:
-- CALCULATE(
-- [Unwritten (Autotask Capacity)],
-- 'BI_Autotask_Time_Entries'[resource_name] = "Naam Resource"
-- )Ongeschreven uren zijn het verschil tussen de geplande capaciteit van een technicus (zoals ingesteld in Autotask) en de uren die daadwerkelijk zijn geregistreerd. Als iemand een 40-urige werkweek heeft maar slechts 32 uur tijdsinvoeren boekt, zijn 8 uur "ongeschreven." Die uren zijn mogelijk wel gewerkt, maar nooit geregistreerd. Daarmee zijn ze onzichtbaar voor facturering, rapportage en prestatiebeoordeling.
Nee, maar ze kunnen het wel zijn. Een deel van de niet-geregistreerde tijd is oprecht niet-factureerbaar: administratie, vergaderingen, training. De zorg is dat factureerbaar werk wordt gedaan maar nooit geregistreerd, zodat de klant er nooit een factuur voor ontvangt. Dit rapport signaleert de kloof zodat je kunt onderzoeken of de ontbrekende uren factureerbaar werk bevatten dat door de mazen is geglipt.
Het percentage van 6,4% weerspiegelt de volledige cumulatieve dataset, inclusief capaciteitsregels voor alle resources over meerdere jaren. Actieve resources die 1.200 tot 2.400 uur registreerden over de gevolgde periode presteren goed ten opzichte van een standaard jaarlijkse capaciteit van 1.760 uur per jaar. De lage algemene quote is een artefact van de datadekking, geen aanwijzing dat jouw team niet registreert.
In Autotask wordt capaciteit per resource ingesteld in de module Personen via het werkschema van elke resource. Het semantisch model van Proxuma in Power BI leest dit uit de tabel BI_Autotask_Capacity, die dagelijkse capaciteitsuren per resource bevat. Als capaciteit niet is ingesteld, geven de Unwritten-measures standaard teamtotalen terug in plaats van uitsplitsingen per resource.
De meeste MSP's streven naar 85 tot 95% tijdregistratie-naleving voor actieve factureerbare resources. Een technicus met een 40-urige werkweek zou idealiter 34 tot 38 uur moeten registreren. Resources die structureel onder de 80% zitten verdienen een gesprek over wat er met hun tijd gebeurt en of er drempels zijn voor registratie, zoals complexe ticketstructuren of ontbrekende factuurcodes.
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