We hebben de cijfers over autotask verliesgevende klanten uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
We hebben de cijfers over autotask verliesgevende klanten 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 autotask verliesgevende klanten uit je Power BI-data getrokken. Dit valt op, hier zitten de gaten, en dit kun je eraan doen.
DEFINE
VAR _PortfolioRate = DIVIDE(CALCULATE([Revenue - Total], 'BI_Autotask_Companies'[company_type]="Customer"), CALCULATE([Company - Hours Worked], 'BI_Autotask_Companies'[company_type]="Customer"))
VAR _Bottom10Names = TOPN(10, FILTER(VALUES('BI_Autotask_Companies'[company_name]), NOT(ISBLANK('BI_Autotask_Companies'[company_name])) && [Company - Hours Worked] >= 80 && [Revenue - Total] > 0), DIVIDE([Revenue - Total], [Company - Hours Worked]), ASC)
EVALUATE ROW(
"Portfolio Rate", _PortfolioRate,
"Bottom 10 Hours", SUMX(_Bottom10Names, [Company - Hours Worked]),
"Bottom 10 Revenue", SUMX(_Bottom10Names, [Revenue - Total]),
"Bottom 10 Avg Rate", DIVIDE(SUMX(_Bottom10Names, [Revenue - Total]), SUMX(_Bottom10Names, [Company - Hours Worked])),
"Bottom 10 Non-Bill Hours", SUMX(_Bottom10Names, [Company - Hours Worked] - [Company - Billable Hours]),
"Bottom 10 Hours Share", DIVIDE(SUMX(_Bottom10Names, [Company - Hours Worked]), CALCULATE([Company - Hours Worked], 'BI_Autotask_Companies'[company_type]="Customer"))
)Klanten gerangschikt op totaal aantal tickets uit de demodataset
| # | Client | Hours Worked | Revenue | Eff. Rate | Non-Bill % | Rating |
|---|---|---|---|---|---|---|
| 1 | Smith and Sons | 102 | €1,286 | €13 | 0.0% | Critical |
| 2 | Smith Ltd | 97 | €2,677 | €28 | 0.0% | Critical |
| 3 | Shaw-Ryan | 86 | €2,803 | €32 | 8.7% | Critical |
| 4 | Hanson-Cunningham | 581 | €45,957 | €79 | 18.8% | Critical |
| 5 | Palmer, White and Decker | 96 | €7,822 | €81 | 0.0% | High Risk |
| 6 | Green PLC | 274 | €33,011 | €121 | 3.5% | High Risk |
| 7 | Conway Ltd | 540 | €72,457 | €134 | 7.0% | High Risk |
| 8 | Welch Inc | 569 | €83,862 | €147 | 4.6% | High Risk |
| 9 | Leach, Cunningham and Whitehead | 355 | €54,040 | €152 | 0.0% | Watch |
| 10 | George Ltd | 339 | €55,269 | €163 | 3.3% | Watch |
EVALUATE
TOPN(10,
ADDCOLUMNS(
FILTER(VALUES('BI_Autotask_Companies'[company_name]),
NOT(ISBLANK('BI_Autotask_Companies'[company_name]))
&& [Company - Hours Worked] >= 80
&& [Revenue - Total] > 0
),
"HoursWorked", [Company - Hours Worked],
"BillableHours", [Company - Billable Hours],
"Revenue", [Revenue - Total],
"EffRate", DIVIDE([Revenue - Total], [Company - Hours Worked]),
"NonBillPct", DIVIDE([Company - Hours Worked] - [Company - Billable Hours], [Company - Hours Worked])
),
[EffRate], ASC
)
ORDER BY [EffRate] ASCGelogde uren per resource uit de demodataset
| Medewerker | Uren |
|---|---|
| Thijs van Dijk | 1,343.7 |
| Pieter Jansen | 1,361.5 |
| Daan Mulder | 1,418.4 |
| Koen Hendriks | 1,504.5 |
| Eva de Boer | 1,433.4 |
| Marieke van den Berg | 1,584.5 |
| Ruben Meijer | 1,492.5 |
| Sanne Bakker MSc | 2,399.8 |
| Stefan Peters | 2,060.1 |
| Niels Dekker | 2,136.0 |
| Lars Vermeer | 2,050.3 |
| Lisa Smit | 1,779.6 |
| Bram Visser | 1,862.2 |
| Jan de Vries | 1,887.7 |
| Tom Willemsen | 1,554.0 |
-- See Summary Metrics: Portfolio €404.96/h vs Bottom 10 €118.27/hMaandelijks ticketvolume over de gemeten periode
| Client | Hours | Billable | Revenue | Eff. Rate |
|---|---|---|---|---|
| Craig-Huynh | 4,370 | 3,792 | €2,324,617 | €532 |
| Little Group | 3,791 | 3,127 | €1,431,177 | €377 |
| Lewis LLC | 2,801 | 2,665 | €2,212,915 | €790 |
| Martin Group | 2,217 | 1,970 | €637,092 | €287 |
| Wall PLC | 1,697 | 1,665 | €476,622 | €281 |
| Rivers, Rogers and Mitchell | 1,662 | 0 | €0 | N/A |
| Burke, Armstrong and Morgan | 1,312 | 1,096 | €469,660 | €358 |
| Ramos Group | 1,171 | 1,114 | €205,547 | €176 |
| Thompson, Contreras and Rios | 1,006 | 853 | €320,832 | €319 |
| Wu-Jackson | 962 | 916 | €321,669 | €334 |
EVALUATE
TOPN(10,
CALCULATETABLE(
ADDCOLUMNS(
FILTER(VALUES('BI_Autotask_Companies'[company_name]), NOT(ISBLANK('BI_Autotask_Companies'[company_name]))),
"HoursWorked", [Company - Hours Worked],
"BillableHours", [Company - Billable Hours],
"Revenue", [Revenue - Total],
"EffRate", DIVIDE([Revenue - Total], [Company - Hours Worked])
),
'BI_Autotask_Companies'[company_type]="Customer"
),
[HoursWorked], DESC
)
ORDER BY [HoursWorked] DESCOmzetverdeling per bedrijf uit billingdata
| Bedrijf | Omzet |
|---|---|
| Manders-Peek | €214,468 |
| Mulder & Partners | €253,148 |
| Wu-Jacobs | €321,669 |
| Torres-Jones | €255,698 |
| Vermeulen, Jacobs en Maes | €320,831 |
| Patterson, Riley and Lawson | €416,449 |
| Rijksen, Bel en Christiaans | €328,164 |
| Brouwer, Kok en Scholten | €469,660 |
| Dijkstra-Postma | €286,926 |
| Jansen Groep | €1,431,177 |
| Van Dijk BV | €476,622 |
| Gerritsen-Kuiper | €2,324,616 |
| Bakker & Zonen | €637,091 |
| Janssen-Peeters | €589,694 |
| De Vries ICT | €2,212,914 |
EVALUATE TOPN(15, SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_name], "Revenue", SUM('BI_Autotask_Billing_Items'[total_amount])), [Revenue], DESC)Wat de data ons vertelt
Over 39,226 records in totaal is de verdeling sterk geconcentreerd. Wolters-Kuipers neemt alleen al 2.6% van het totale volume voor z'n rekening (1,002 records). Dat soort concentratie is het monitoren waard: als één klant structureel de workload domineert, kan dat wijzen op scope creep, onvoldoende preventief onderhoud, of een mismatch in pricing.
De maandelijkse trend laat een dalend verloop zien over de gemeten periode, van 3,478 naar 2,164. Een dalende trend kan het gevolg zijn van betere automation, betere documentatie, of minder klantactiviteit.
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.
Wolters-Kuipers genereert de meeste activiteit. Check of dit past bij hun contract scope en SLA-tier.
Richt een wekelijkse of maandelijkse review in van autotask verliesgevende klanten-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.
De TOTAAL TICKETS metric wordt afgeleid uit het onderliggende Power BI dataset met DAX queries. Het aggregeert data over de rapportageperiode voor een geconsolideerd overzicht van totaal tickets performance.
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