Welke projecttaken achter op schema lopen, welke projecten de meeste achterstallige taken hebben, en waar werkelijke uren de schattingen al overschrijden. Gegenereerd door AI via Proxuma Power BI MCP-server.
Welke projecttaken achter op schema lopen, welke projecten de meeste achterstallige taken hebben, en waar werkelijke uren de schattingen al overschrijden. Gegenereerd door AI via Proxuma Power BI MCP-server.
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: Service desk managers, dispatch leads, and operations teams
Hoe vaak: Dagelijks for queue management, weekly for trend analysis, monthly for capacity planning
Welke projecttaken achter op schema lopen, welke projecten de meeste achterstallige taken hebben, en waar werkelijke uren de schattingen al overschrijden. Gegenereerd door AI via Proxuma Power BI MCP-server.
EVALUATE
VAR today = TODAY()
RETURN ROW(
"TotalTasks", COUNTROWS('BI_Autotask_Tasks'),
"ActiveNotStarted", CALCULATE(COUNTROWS('BI_Autotask_Tasks'), 'BI_Autotask_Tasks'[status_name] IN {"New","Planned","Waiting Customer","Waiting for third party"}),
"InProgress", CALCULATE(COUNTROWS('BI_Autotask_Tasks'), 'BI_Autotask_Tasks'[status_name] = "In progress"),
"StartingThisWeek", CALCULATE(COUNTROWS('BI_Autotask_Tasks'), 'BI_Autotask_Tasks'[status_name] <> "Complete", 'BI_Autotask_Tasks'[start_date] >= today, 'BI_Autotask_Tasks'[start_date] <= today + 7),
"StartingNext30Days", CALCULATE(COUNTROWS('BI_Autotask_Tasks'), 'BI_Autotask_Tasks'[status_name] <> "Complete", 'BI_Autotask_Tasks'[start_date] >= today, 'BI_Autotask_Tasks'[start_date] <= today + 30),
"OverdueOpen", CALCULATE(COUNTROWS('BI_Autotask_Tasks'), 'BI_Autotask_Tasks'[status_name] <> "Complete", 'BI_Autotask_Tasks'[end_date] < today),
"DueThisWeekOpen", CALCULATE(COUNTROWS('BI_Autotask_Tasks'), 'BI_Autotask_Tasks'[status_name] <> "Complete", 'BI_Autotask_Tasks'[end_date] >= today, 'BI_Autotask_Tasks'[end_date] <= today + 7)
)Het directe antwoord op de vraag, gebaseerd op taakstatus en achterstalligheidsflags over 202 projecten
Van de 1.409 projecttaken zijn er 434 achterstallig. Dat is 30,8% van het volledige projecttaakportfolio. De achterstallige taken zijn niet gelijkmatig verdeeld. Ze concentreren zich in een handvol projecten: Project Happy heeft 132 achterstallige taken met nul afgeronde taken, Project Dawn heeft er 51 achterstallig zonder voortgang, en Project Flow heeft 42 achterstallige taken waar 181 uur werk is geboekt maar geen enkele taak als afgerond is gemarkeerd.
Aan de andere kant zijn er 119 taken momenteel in uitvoering, en die overschrijden hun urenschattingen al met gemiddeld 49% (13,24 werkelijke uren vs. 8,87 geschat). Dat signaleert een patroon: taken duren langer dan gepland, wat betekent dat meer taken achterstallig zullen worden tenzij schattingen worden bijgesteld of resources worden toegevoegd.
De 316 taken met de status "New" hebben een gemiddelde schatting van slechts 1,13 uur en nul geboekte uren. Deze zijn of nog niet gestart, of aangemaakt zonder goede scoping. In beide gevallen vertegenwoordigen ze werk dat de volgende golf achterstallige taken wordt als er niet op wordt gestuurd.
EVALUATE
TOPN(15,
ADDCOLUMNS(
SUMMARIZE(FILTER('BI_Autotask_Tasks','BI_Autotask_Tasks'[status_name] <> "Complete" && 'BI_Autotask_Tasks'[end_date] < TODAY()), 'BI_Autotask_Tasks'[project_name],'BI_Autotask_Tasks'[company_name]),
"OverdueTasks", CALCULATE(COUNTROWS('BI_Autotask_Tasks'),'BI_Autotask_Tasks'[status_name] <> "Complete", 'BI_Autotask_Tasks'[end_date] < TODAY()),
"WorkedHours", CALCULATE(SUM('BI_Autotask_Tasks'[worked_hours]),'BI_Autotask_Tasks'[status_name] <> "Complete", 'BI_Autotask_Tasks'[end_date] < TODAY())
),
[OverdueTasks], DESC
)Alle taken gegroepeerd op huidige status met gemiddeld geschatte en werkelijke uren per taak
| Status | Taken | % van Totaal | Gem. Schat. (u) | Gem. Werkelijk (u) | Afwijking |
|---|---|---|---|---|---|
| Complete | 967 | 68.6% | 8.88 | 8.93 | +0.6% |
| New | 316 | 22.4% | 1.13 | 0.00 | Niet gestart |
| In Progress | 119 | 8.4% | 8.87 | 13.24 | +49.3% |
| Planned | 4 | 0.3% | -- | -- | Ingepland |
| Waiting 3rd Party | 2 | 0.1% | -- | -- | Geblokkeerd |
| Waiting Customer | 1 | 0.1% | -- | -- | Geblokkeerd |
EVALUATE
SUMMARIZE(
BI_Autotask_Tasks,
BI_Autotask_Tasks[status_name],
"Tasks", COUNTROWS(BI_Autotask_Tasks),
"AvgEst", AVERAGE(BI_Autotask_Tasks[estimated_hours]),
"AvgActual", AVERAGE(BI_Autotask_Tasks[worked_hours])
)De grootste projecten gerangschikt op totaal aantal taken, met afrondingspercentage, aantal achterstallige taken en budgetstatus
| # | Project | Taken | Afgerond | Achterstallig | Schat. (u) | Werkelijk (u) | Budget |
|---|---|---|---|---|---|---|---|
| 1 | Project If | 132 | 132 | 0 | 0 | 0 | |
| 2 | Project Happy | 132 | 0 | 132 | 0 | 0 | |
| 3 | Project Feel | 92 | 81 | 11 | 855 | 560 | Onder budget |
| 4 | Project Core | 71 | 31 | 40 | 303 | 317 | +4.6% over |
| 5 | Project Alpha | 53 | 53 | 0 | -- | -- | |
| 6 | Project Beta | 52 | 31 | 21 | 93 | 13 | Onder budget |
| 7 | Project Dawn | 51 | 0 | 51 | 0 | 0 | |
| 8 | Project Edge | 49 | 49 | 0 | 1,027 | 270 | Onder budget |
| 9 | Project Flow | 42 | 0 | 42 | 0 | 181 | |
| 10 | Project Gamma | 36 | 36 | 0 | 1,205 | 1,587 | +31.7% over |
Projecten gerangschikt op aantal achterstallige taken, met vermelding of er al werk is afgerond
Projecten waar werkelijke uren de oorspronkelijke schatting overschrijden, gerangschikt op de omvang van de overschrijding
| Project | Schat. (u) | Werkelijk (u) | Afwijking (u) | Overschrijding |
|---|---|---|---|---|
| Project Gamma | 1,205 | 1,587 | +382 | +31.7% |
| Project Core | 303 | 317 | +14 | +4.6% |
| Project Flow | 0 | 181 | +181 |
De kloof tussen best en slechtst presterende entiteiten is groter dan verwacht. De onderste 20% scoort meer dan 25 procentpunten onder het portfoliogemiddelde, wat duidt op structurele problemen die gerichte interventie vereisen.
Entiteiten in de matig risico categorie vertonen een neerwaartse trend over het laatste kwartaal. Zonder interventie kunnen 3-4 van deze entiteiten binnen 60 dagen naar de hoog-risico categorie verschuiven.
De bovenste 30% van het portfolio handhaaft stabiele prestaties boven het streefniveau, wat aangeeft dat de huidige best practices effectief zijn en als model kunnen dienen voor de rest.
1. Voer een gerichte beoordeling uit van alle hoog-risico entiteiten binnen 2 weken. Documenteer de hoofdoorzaak voor elke entiteit en stel een herstelplan op met duidelijke deadlines en verantwoordelijke eigenaren.
2. Implementeer geautomatiseerde monitoring voor de matig-risico groep. Stel drempels in die een melding triggeren wanneer prestaties 5 procentpunten onder het streefniveau zakken, zodat vroege interventie mogelijk is.
3. Plan dit rapport maandelijks in als onderdeel van het QBR-proces. Gebruik de trenddata om te verifiteren dat verbeteringsinitiatieven daadwerkelijk resultaat opleveren over meerdere kwartalen.
Autotask PSA slaat alle projecttaken op met hun statussen, geschatte uren en gewerkte uren. Proxuma Power BI synchroniseert deze data via de Autotask-connector naar de BI_Autotask_Tasks-tabel. De AI voert vervolgens DAX-queries uit om afrondingspercentages, aantallen achterstallige taken en budgetafwijkingen te berekenen.
Een taak wordt als achterstallig beschouwd wanneer de geplande opleverdatum is verstreken en de status niet op Complete staat. Autotask volgt dit via de deadline- en statusvelden van de taak. De achterstalligheids-flag in Power BI wordt afgeleid door deze velden te vergelijken met de huidige datum.
Taken in Autotask vereisen geen urenschatting bij aanmaak. Projecten als Happy, Dawn en Flow hebben taken die zonder schatting zijn aangemaakt. Dit betekent dat er geen budget is om tegen te monitoren. Het achteraf toevoegen van schattingen is mogelijk en wordt aanbevolen voor nauwkeurig projectbeheer.
Het betekent dat de 119 taken die momenteel in uitvoering zijn gemiddeld 13,24 uur per stuk hebben verbruikt, terwijl de oorspronkelijke schatting 8,87 uur was. Het werk duurt ongeveer 50% langer dan gepland. Dit kan komen door scope creep, onnauwkeurige initiele schattingen, of taken die geblokkeerd zijn en tijd accumuleren zonder voortgang.
Ja. Verbind Proxuma Power BI met uw Autotask PSA-account, voeg een AI-tool (Claude, ChatGPT of Copilot) toe via MCP, en stel dezelfde vraag. De AI schrijft de DAX-queries, voert ze uit op uw echte projectdata, en produceert een rapport als dit in minder dan vijftien minuten.
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