Een volledig overzicht van gewerkte uren, billable split en gefactureerde uren voor je top 10 resources uit Autotask PSA time entries. Bekijk wie het meeste logt, wie het hoogste billable percentage haalt en waar non-billable tijd zich opstapelt. Bron: PSA
Een volledig overzicht van gewerkte uren, billable split en gefactureerde uren voor je top 10 resources uit Autotask PSA time entries. Bekijk wie het meeste logt, wie het hoogste billable percentage haalt en waar non-billable tijd zich opstapelt. Bron: PSA
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
Een volledig overzicht van gewerkte uren, billable split en gefactureerde uren voor je top 10 resources uit Autotask PSA time entries. Bekijk wie het meeste logt, wie het hoogste billable percentage haalt en waar non-billable tijd zich opstapelt. Bron: PSA
Bedrijfsbrede time entry-metrics over alle resources in de Autotask PSA-dataset.
EVALUATE TOPN(15, SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]), "NonBillable", SUM('BI_Autotask_Time_Entries'[Non billable Hours]), "TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])), [TotalHours], DESC)Top 10 resources gerangschikt op totaal gewerkte uren. De segmented bar chart toont de billable vs non-billable verdeling per resource.
| Resource | Total Hours | Billable | Tickets |
|---|---|---|---|
| Dr. Amber Ayala DVM | 2,400 | 1,749 (72.9%) | 603 |
| James Li | 2,136 | 1,303 (61.0%) | 794 |
| Kevin Allen | 2,060 | 1,145 (55.6%) | 99 |
| Maxwell Reed | 2,050 | 1,838 (89.6%) | 2,613 |
| Andrew Roberts | 1,888 | 1,527 (80.9%) | 2,297 |
| David Hunt | 1,862 | 1,416 (76.0%) | 84 |
| Chelsea Thomas | 1,780 | 1,157 (65.0%) | 149 |
| Jennifer King | 1,585 | 1,228 (77.5%) | 763 |
| Jerry Mcfarland | 1,554 | 819 (52.7%) | 489 |
EVALUATE TOPN(15, SUMMARIZECOLUMNS('BI_Autotask_Time_Entries'[resource_name], "TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]), "BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]), "NonBillable", SUM('BI_Autotask_Time_Entries'[Non billable Hours]), "TicketCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[ticket_id])), [TotalHours], DESC)Resources gerangschikt op billable percentage. Hoe hoger de ratio, hoe meer van de gelogde tijd omzet genereert. De branchebenchmark voor MSP's ligt doorgaans tussen 65-75%.
EVALUATE
TOPN(10,
ADDCOLUMNS(
SUMMARIZE('BI_Autotask_Time_Entries', 'BI_Autotask_Time_Entries'[resource_name]),
"BillableRate", DIVIDE(SUM('BI_Autotask_Time_Entries'[Billable Hours]), SUM('BI_Autotask_Time_Entries'[hours_worked]), 0)
),
[BillableRate], DESC
)Met 1.838 billable uren van de 2.050 totaal werkt Resource D op een billable rate van 89,7%. Dat is 20 punten boven het teamgemiddelde en ruim boven de branchebenchmarks. Slechts 213 uur ging naar non-billable werk. Deze resource is ofwel sterk gespecialiseerd in klantgericht werk, ofwel heeft minimale interne overhead. Hoe dan ook, dit laat zien wat haalbaar is.
Resource I logt slechts 52,7% billable tijd (819 van 1.554 uur) en Resource C zit op 55,6% (1.145 van 2.060 uur). Samen zijn deze twee resources goed voor 1.650 non-billable uren. Dat is bijna 30% van alle non-billable tijd in de top 10. Onderzoek of deze resources interne projecten dragen, trainingen verzorgen, of dat er simpelweg classificatieproblemen zijn bij de tijdregistratie.
Bij 8 van de 10 resources ligt het aantal gefactureerde uren hoger dan het aantal gewerkte uren. Het totale verschil is 637 uur (19.457 gefactureerd vs 18.820 gewerkt). Dit is gebruikelijk bij fixed-fee of block-hour billing waar het gefactureerde bedrag de contractwaarde weerspiegelt in plaats van de daadwerkelijke tijdsbesteding. Toch de moeite waard om te checken: als de werkelijke tijd de gefactureerde tijd overschrijdt, is dat margeverlies. Als gefactureerde tijd structureel veel hoger ligt dan gewerkte tijd, zijn contracten mogelijk te hoog geprijsd ten opzichte van de inspanning.
De data vertelt een helder verhaal: je team werkt collectief op een billable rate van 69,8%. Dat plaatst je in de acceptabele range voor MSP's, maar er is ruimte voor verbetering. De spreiding tussen de meest efficiente resource (89,7%) en de minst efficiente (52,7%) is 37 procentpunten. Dat verschil wijst op inconsistente werkverdeling of rolgebonden verschillen die niet terugkomen in hoe tijd wordt gecategoriseerd.
Begin bij Resource I en Resource C. Samen vertegenwoordigen ze 3.614 gewerkte uren maar slechts 1.964 billable uren. Ga er niet vanuit dat deze resources onderpresteren. Check eerst of ze interne projecten, documentatie of trainingen afhandelen. Als hun non-billable tijd legitiem operationeel werk is, overweeg dan aparte tijdcategorieen aan te maken zodat het de billable metric niet naar beneden trekt. Als het daadwerkelijk verloren productiviteit is, dan is het een planning- of bezettingsprobleem.
Standaardiseer hoe "gefactureerde uren" zich verhouden tot "gewerkte uren". Het feit dat gefactureerde uren hoger liggen dan gewerkte uren is op zichzelf geen probleem, maar het maakt vergelijking lastiger. Als je billing model fixed-fee is, track dan "effectief uurtarief" (omzet / gewerkte uren) als aanvullende metric. Dit geeft een helderder beeld van welke resources de meeste waarde per uur genereren.
Stel een teamdoel van 72-75% billable rate. Dat is realistisch gezien het feit dat Resource D al op 89,7% zit en vijf anderen boven de 72%. De drie resources onder 65% trekken het gemiddelde omlaag. Een verbetering van 5 punten bij die drie zou het teamgemiddelde boven 72% tillen en ongeveer 400 billable uren per jaar opleveren.
Gewerkte uren is de totale tijd die een resource heeft gelogd in Autotask time entries, ongeacht de billing status. Gefactureerde uren is het aantal dat op facturen verschijnt of meetelt voor contractafspraken. Bij fixed-fee of block-hour overeenkomsten verschillen deze cijfers vaak, omdat facturatie gebaseerd is op contractvoorwaarden in plaats van werkelijke tijdsbesteding.
De meeste MSP-benchmarks plaatsen een gezonde billable rate tussen 65% en 75% voor technische resources. Onder 60% wijst doorgaans op te veel interne overhead of slechte tijdregistratiediscipline. Boven 80% is uitstekend, maar lastig vol te houden zonder je team te overbelasten of interne projecten te verwaarlozen.
Ja. Kopieer een query uit de toggles hierboven en plak deze in DAX Studio of de Power BI Desktop performance analyzer. De queries verwijzen naar standaard Proxuma-datamodeltabellen en measures die in elke Proxuma Power BI-deployment aanwezig zijn. In je eigen dataset verschijnen de echte resource-namen in plaats van de geanonimiseerde labels die hier gebruikt worden.
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