Gegenereerd door AI via Proxuma Power BI MCP-server. Totaal gewerkte uren per klant en maandtrend over 14 klanten, aug 2024 – jan 2026.
Gegenereerd door AI via Proxuma Power BI MCP-server. Totaal gewerkte uren per klant en maandtrend over 14 klanten, aug 2024 – jan 2026.
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
Gegenereerd door AI via Proxuma Power BI MCP-server. Totaal gewerkte uren per klant en maandtrend over 14 klanten, aug 2024 – jan 2026.
EVALUATE
TOPN(
15,
SUMMARIZECOLUMNS(
'BI_Autotask_Companies'[company_name],
"Total_Hours", [Company - Hours Worked]
),
[Total_Hours], DESC
)Alltime gelogde uren per klant in Autotask
EVALUATE
TOPN(
15,
SUMMARIZECOLUMNS(
'BI_Autotask_Companies'[company_name],
"Total_Hours", [Company - Hours Worked]
),
[Total_Hours], DESC
)Totale gelogde uren per maand over alle klanten, aug 2024 – jan 2026
| Maand | Uren | t.o.v. vorige maand |
|---|---|---|
| aug 2024 | 1.694u | Startpunt |
| sep 2024 | 1.700u | +6u |
| okt 2024 | 2.362u | +662u ↑ |
| nov 2024 | 1.970u | −392u |
| dec 2024 | 1.786u | −184u |
| jan 2025 | 2.299u | +513u ↑ |
| feb 2025 | 2.534u | +235u |
| mrt 2025 | 3.330u | +796u ↑ |
| apr 2025 | 3.588u | +258u |
| mei 2025 | 3.315u | −273u |
| jun 2025 | 3.198u | −117u |
| jul 2025 | 3.537u | +339u |
| aug 2025 | 2.686u | −851u |
| sep 2025 | 3.865u | +1.179u ↑ |
| okt 2025 | 4.003u | Piek ↑ |
| nov 2025 | 3.314u | −689u |
| dec 2025 | 3.247u | −67u |
| jan 2026 | 2.116u | Gedeeltelijke maand |
EVALUATE
SUMMARIZECOLUMNS(
'BI_Common_Dim_Date'[year],
'BI_Common_Dim_Date'[month],
'BI_Common_Dim_Date'[month_name],
"Total_Hours", [Company - Hours Worked]
)
ORDER BY
'BI_Common_Dim_Date'[year] ASC,
'BI_Common_Dim_Date'[month] ASCHet kernfeit is duidelijk: de totale supportlast is meer dan verdubbeld since het begin van de dataperiode. In augustus 2024 werden 1.694 uren gelogd over alle klanten. In oktober 2025 bedroeg dat getal 4.003 uur, een stijging van 136% in slechts 14 maanden. De sprong in maart 2025 (+796 uur maand-op-maand) is het meest significante kantelpunt en wijst waarschijnlijk op nieuwe klanten, een groot project of een wijziging in de manier waarop tijd werd bijgehouden.
Op klantniveau domineert Craig-Huynh met 4.370 uur over de gehele periode, gevolgd door Little Group (3.791u) en Lewis LLC (2.801u). Deze drie klanten zijn samen goed voor ongeveer 41% van alle bijgehouden uren. Als een van deze accounts op een vast maandtarief zit, wordt het effectieve uurtarief waarschijnlijk aangetast naarmate de last toeneemt zonder prijsaanpassingen.
De dip in augustus 2025 naar 2.686 uur, gevolgd door herstel naar 3.865 in september en 4.003 in oktober, duidt op seizoensgebonden variatie of een projectgedreven patroon en niet op een echte daling. De data van januari 2026 betreft een gedeeltelijke maand en mag niet worden gebruikt voor trendvergelijkingen.
Drie prioriteiten op basis van bovenstaande bevindingen
Deze drie klanten zijn samen goed voor 41% van alle supporturen. Als ze op vaste maandcontracten zitten, bereken dan het effectieve uurtarief (omzet gedeeld door uren). Als dat tarief onder uw kostentarief is gedaald, is een contractreview achterstallig. Gebruik het bijbehorende Winstgevendheidsrapport per Klant als aanvulling.
Een stijging van 796 uur in één maand (+31% maand-op-maand) is uitzonderlijk. Haal de tijdinvoeren voor maart 2025 op en identificeer of dit door een specifieke klant, project of verandering in registratiegedrag werd veroorzaakt. Zo begrijpt u of het terugkerend is en of de capaciteitsplanning moet worden bijgesteld.
Definieer per grote klant een maandelijkse urendrempel op basis van zijn contractniveau. Elke maand dat de uren meer dan 120% van de verwachte drempel overschrijden, moet intern worden beoordeeld. Power BI kan worden geconfigureerd om deze overschrijdingen automatisch zichtbaar te maken. Dit voorkomt dat contractoverschrijdingen maandenlang onopgemerkt ophopen.
Het sommeert alle uren uit tijdinvoeren in Autotask, gegroepeerd per klant. Dit omvat zowel factureerbare als niet-factureerbare uren. De measure is kant-en-klaar ingebouwd in het Proxuma Power BI semantisch model en gebruikt de tabel BI_Autotask_Time_Entries gekoppeld aan klantgegevens.
De data werd opgehaald in maart 2026. Januari 2026 toont alleen de uren die zijn gelogd tot het einde van die maand. Behandel altijd de meest recente maand met voorzichtigheid, omdat tijdinvoeren mogelijk nog niet zijn ingediend.
Ja. Voeg een CALCULATE-filter toe met 'BI_Autotask_Time_Entries'[billing_code_type] = "Billable" aan een query, of gebruik de kant-en-klare measure Billable Hours uit het Proxuma-model, die dit filter al bevat.
Neem het gemiddelde van de afgelopen drie maanden en vergelijk dat met de totale beschikbare capaciteit van uw team (bezetting vermenigvuldigd met werkuren per maand minus niet-klantgebonden tijd). Als de maandelijkse vraag regelmatig meer dan 80% van de capaciteit bedraagt, draait u te strak en moet u of uitbreiden of klanten met lage marge afstoten.
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