We hebben de cijfers over project winstgevendheid uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
We hebben de cijfers over project winstgevendheid 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
We hebben de cijfers over project winstgevendheid uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
EVALUATE ROW(
"TotalProjects", COUNTROWS('BI_Autotask_Projects'),
"InProgress", CALCULATE(COUNTROWS('BI_Autotask_Projects'), 'BI_Autotask_Projects'[project_status_name] = "In Progress"),
"LaborRevenue", SUM('BI_Autotask_Projects'[Labour Revenue]),
"LaborCost", SUM('BI_Autotask_Projects'[Labour Cost]),
"ChargesRevenue", SUM('BI_Autotask_Projects'[Charges Revenue]),
"ChargesCost", SUM('BI_Autotask_Projects'[Charges Cost]),
"MilestoneRevenue", SUM('BI_Autotask_Projects'[Milestone Revenue]),
"EstimatedHours", SUM('BI_Autotask_Projects'[estimated_hours]),
"WorkedHours", SUM('BI_Autotask_Projects'[worked_hours])
)Actieve projecten gerangschikt op gelogde uren
| Status | Projects | Share |
|---|---|---|
| Complete | 198 | 71.0% |
| In progress | 43 | 15.4% |
| New | 15 | 5.4% |
| Waiting to start | 12 | 4.3% |
| On Hold | 7 | 2.5% |
| Live | 2 | 0.7% |
| Inactive | 1 | 0.4% |
| Waiting for material | 1 | 0.4% |
EVALUATE
ADDCOLUMNS(
VALUES('BI_Autotask_Projects'[project_status_name]),
"count", CALCULATE(COUNTROWS('BI_Autotask_Projects'))
)
ORDER BY [count] DESCGelogde uren per resource uit de demodataset
| # | Client | Projects | Revenue | Cost | Worked Hours | Margin |
|---|---|---|---|---|---|---|
| 1 | Lewis LLC | 4 | $228,933 | $126,812 | 1,594.9h | 44.6% |
| 2 | Craig-Huynh | 10 | $111,811 | $73,207 | 795.3h | 34.5% |
| 3 | Little Group | 29 | $99,535 | $46,640 | 741.0h | 53.1% |
| 4 | Doyle-Contreras | 3 | $89,641 | $41,346 | 625.0h | 53.9% |
| 5 | Rivers, Rogers and Mitchell | 10 | $81,714 | $32,485 | 571.3h | 60.2% |
| 6 | Clements, Pham and Garcia | 2 | $69,025 | $32,011 | 491.8h | 53.6% |
| 7 | Burke, Armstrong and Morgan | 3 | $53,226 | $27,706 | 369.0h | 47.9% |
| 8 | Wu-Jackson | 5 | $52,652 | $24,467 | 372.0h | 53.5% |
| 9 | Ramos Group | 4 | $40,194 | $18,134 | 295.7h | 54.9% |
| 10 | Conway Ltd | 3 | $35,828 | $17,200 | 252.0h | 52.0% |
| 11 | Lee-Dalton | 9 | $34,536 | $18,285 | 242.1h | 47.1% |
| 12 | Wall PLC | 9 | $31,239 | $20,805 | 218.0h | 33.4% |
| 13 | Welch Inc | 6 | $26,950 | $12,710 | 189.8h | 52.8% |
| 14 | George Ltd | 1 | $26,556 | $11,651 | 185.2h | 56.1% |
| 15 | Green PLC | 3 | $26,039 | $11,898 | 180.3h | 54.3% |
EVALUATE
TOPN(15,
ADDCOLUMNS(
SUMMARIZE('BI_Autotask_Projects','BI_Autotask_Projects'[company_name]),
"Projects", CALCULATE(COUNTROWS('BI_Autotask_Projects')),
"Revenue", CALCULATE(SUM('BI_Autotask_Projects'[Labour Revenue]) + SUM('BI_Autotask_Projects'[Charges Revenue]) + SUM('BI_Autotask_Projects'[Milestone Revenue])),
"Cost", CALCULATE(SUM('BI_Autotask_Projects'[Labour Cost]) + SUM('BI_Autotask_Projects'[Charges Cost])),
"WorkedHours", CALCULATE(SUM('BI_Autotask_Projects'[worked_hours]))
),
[Revenue], DESC
)Maandelijkse urentrend over de gemeten periode
| Maand | Uren |
|---|---|
| 202502 | 2,534.3 |
| 202503 | 3,330.5 |
| 202504 | 3,588.0 |
| 202505 | 3,314.9 |
| 202506 | 3,198.0 |
| 202507 | 3,536.6 |
| 202508 | 2,686.4 |
| 202509 | 3,864.6 |
| 202510 | 4,003.3 |
| 202511 | 3,314.2 |
| 202512 | 3,247.4 |
| 202601 | 2,115.7 |
EVALUATE TOPN(12, SUMMARIZECOLUMNS('BI_Common_Dim_Date'[year_month], "Hours", SUM('BI_Autotask_Time_Entries'[hours_worked])), 'BI_Common_Dim_Date'[year_month], DESC)Wat de data ons vertelt
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.
Richt een wekelijkse of maandelijkse review in van project winstgevendheid-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.
Dit inzicht benadrukt een patroon in je data dat aandacht verdient. Het Project Winstgevendheid rapport detecteert dit via geautomatiseerde analyse van de onderliggende dataset.
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