Declarabele uren-analyse per resource, afgezet tegen het 80% target. Gebouwd op Autotask PSA time entries, gemeten op gelogde uren. Gegenereerd door AI via Proxuma Power BI MCP server.
Declarabele uren-analyse per resource, afgezet tegen het 80% target. Gebouwd op Autotask PSA time entries, gemeten op gelogde uren. 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: MSP owners, finance leads, and operations managers tracking profitability
Hoe vaak: Maandelijks for financial reviews, quarterly for strategic planning, op aanvraag for pricing decisions
Declarabele uren-analyse per resource, afgezet tegen het 80% target. Gebouwd op Autotask PSA time entries, gemeten op gelogde uren. Gegenereerd door AI via Proxuma Power BI MCP server.
Van de top 15 resources qua totaal gelogde uren halen er 8 het 80% declarabele target als je het meet tegen werkelijk gelogde uren. De overige 7 blijven achter, met gaps van 2,5 procentpunt tot meer dan 27 procentpunt.
De verdeling is bijna gelijk, maar de resources die het target missen doen dat met een flinke marge. Dat trekt de totale portfolio declarabele ratio omlaag naar 72,4%, ruim onder het 80% doel.
EVALUATE
SUMMARIZECOLUMNS(
'BI_Autotask_Time_Entries'[resource_name],
"BillablePct", [Billable % (Autotask Capacity)],
"AchievementBillable", [Target - Achievement - Billable]
)
ORDER BY [BillablePct] ASC| Resource | Total Hours | Billable | Rate |
|---|---|---|---|
| Dr. Amber Ayala DVM | 2,400 | 1,749 | 72.9% |
| James Li | 2,136 | 1,303 | 61.0% |
| Maxwell Reed | 2,050 | 1,838 | 89.6% |
| Andrew Roberts | 1,888 | 1,527 | 80.9% |
| Jennifer King | 1,585 | 1,228 | 77.5% |
| Gregory Horn | 1,505 | 957 | 63.6% |
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)De Autotask [Billable % (Autotask Capacity)] measure deelt declarabele uren door de totale beschikbare capaciteit per resource. Dat capaciteitscijfer omvat elk werkuur in de periode, of de resource nu tijd heeft gelogd of niet.
In de praktijk levert dit declarabele percentages op van minder dan 0,25% voor alle 77 resources. De "Target - Achievement - Billable" measure geeft waarden rond -0,80, wat betekent dat elke resource het 80% target met bijna de volledige 80% mist.
Dat is technisch correct, maar niet bruikbaar. Een resource die 40 uur per week logt waarvan 30 declarabel presteert op 75%. De capacity-based weergave zou diezelfde resource op 1,5% zetten omdat de noemer 2.080 jaarlijkse uren bevat.
De oplossing: gebruik DIVIDE(SUM([Billable Hours]), SUM([hours_worked])) om de ratio van declarabele versus gelogde uren te krijgen. Dit geeft je een bruikbaar percentage dat laat zien hoe elke persoon zijn daadwerkelijk gewerkte tijd besteedt.
Deze resources declareren consequent boven het 80% target. Zij vormen de benchmark waar je team naartoe moet werken.
| Resource | Totaal Uren | Declarabel % | Surplus |
|---|---|---|---|
| Resource N | 1.362 | 97,1% | +17,1pp |
| Resource M | 1.418 | 94,7% | +14,7pp |
| Resource L | 1.433 | 91,3% | +11,3pp |
| Resource D | 2.050 | 89,6% | +9,6pp |
| Resource E | 1.888 | 80,9% | +0,9pp |
| Resource O | 1.344 | 80,9% | +0,9pp |
Resource N springt eruit met 97,1% declarabel. Bijna elk uur dat ze loggen is klantgericht werk. Resources D en E verdienen ook erkenning: beide loggen hoge volumes (2.050 en 1.888 uur) terwijl ze hun declarabele ratio boven 80% houden.
EVALUATE
ROW(
"TotalHours", SUM('BI_Autotask_Time_Entries'[hours_worked]),
"BillableHours", SUM('BI_Autotask_Time_Entries'[Billable Hours]),
"BillableRatio", DIVIDE(
SUM('BI_Autotask_Time_Entries'[Billable Hours]),
SUM('BI_Autotask_Time_Entries'[hours_worked])
),
"ResourceCount", DISTINCTCOUNT('BI_Autotask_Time_Entries'[resource_name])
)Resources onder 60% declarabel besteden meer tijd aan intern werk dan aan klantgerichte taken. Dat is niet per se een probleem. Sommige rollen (teamleiders, projectmanagers, interne IT) hebben van nature een lagere declarabele ratio. Maar als deze resources geacht worden aan de tools te zitten, verdient de gap een gesprek.
| Resource | Totaal Uren | Declarabel % | Gap | Mogelijke Oorzaak |
|---|---|---|---|---|
| Resource C | 2.060 | 55,6% | -24,4pp | Hoog volume, lage declarabele ratio |
| Resource I | 1.554 | 52,7% | -27,3pp | Intern project load? |
Resource C logde 2.060 uur totaal maar slechts 55,6% ging naar declarabel werk. Dat is 916 uur intern werk. Als zelfs de helft van die uren naar declarabel werk kan verschuiven, is de omzet-impact aanzienlijk.
Resource I heeft de grootste gap: 27,3 procentpunt onder target. Check of deze resource interne projectverantwoordelijkheden draagt die de verdeling verklaren, of dat declarabel werk simpelweg niet naar hen gerouteerd wordt.
Alle 77 resources tonen declarabele percentages onder 0,25% gemeten tegen Autotask Capacity. Dit komt omdat de noemer het totaal beschikbare uren bevat, niet gelogde uren. Stap over naar de gelogde-uren ratio (DIVIDE(Billable Hours, hours_worked)) voor elk target-tracking dashboard of rapport.
Resources C en I vallen beiden onder 60% declarabel op gelogde uren. Samen logden ze meer dan 3.600 uur waarvan bijna de helft naar niet-declarabel werk ging. Als hun rollen declarabel horen te zijn, vertegenwoordigt die gap een substantieel omzetverlies. Als hun rollen bewust intern gericht zijn, moeten ze uitgesloten worden van het 80% target.
Resources D, E, L, M, N en O declareren allemaal boven 80%. Resource N leidt met 97,1%. Dit zijn je meest efficiente billers. Gebruik hun werkpatronen als referentie bij het coachen van resources die achterblijven. Let er ook op dat ze niet overbelast raken: een aanhoudend 95%+ declarabel percentage laat geen ruimte voor training, documentatie of procesverbetering.
1. Vervang de capacity-based declarabele measure in je dashboards. Gebruik DIVIDE(SUM([Billable Hours]), SUM([hours_worked])) als standaard. De huidige capacity-based weergave geeft de indruk dat iedereen faalt, wat de bruikbaarheid van de metric om zeep helpt.
2. Voer een gesprek met Resources C en I. Beide zitten onder 60% declarabel. Check of hun interne werk bewust is (teamleider-taken, interne projecten) of dat declarabele tickets simpelweg niet aan hen worden toegewezen. Herclassificeer niet-declarabele resources zodat je target tracking schoon blijft.
3. Zet een wekelijkse automatische check op. Draai de DAX query uit Sectie 3.0 elke maandagochtend. Elke resource die twee weken achter elkaar onder 70% zakt zou een one-on-one moeten krijgen om de workload-verdeling door te nemen.
4. Let op de resources boven 95% declarabel. Resources N en M zijn zeer efficient, maar aanhoudende percentages boven 95% betekenen doorgaans geen tijd voor vakontwikkeling, documentatie of mentoring. Zorg dat ze geplande niet-declarabele tijd krijgen voor die activiteiten.
5. Sluit niet-declarabele rollen uit van het target. Als bepaalde resources (dispatchers, managers, interne IT) niet geacht worden 80% te halen, sluit ze dan uit van de tracking. Een kleinere, schonere dataset levert betere inzichten op dan een dataset gevuld met mensen die nooit verwacht werden te declareren.
De ingebouwde Autotask Capacity measure deelt declarabele uren door de totaal beschikbare capaciteit (doorgaans 2.080 uur per jaar per resource). Als een resource 1.500 uur totaal logt en 1.100 daarvan declarabel is, toont Autotask 52,9% tegen capaciteit in plaats van 73,3% tegen gelogde uren. De gelogde-uren methode geeft je een bruikbaarder beeld van hoe tijd daadwerkelijk wordt besteed.
De meeste MSP's hanteren 75-85% declarabel voor technische resources. 80% is de meest voorkomende benchmark. Dit laat 20% over voor interne vergaderingen, training, documentatie en administratief werk. Resources in leidinggevende of puur interne rollen zouden een ander (of geen) declarabel target moeten hebben.
Voeg een datumfilter toe aan de DAX query met je Power BI datumtabel. Wrap de SUMMARIZECOLUMNS bijvoorbeeld in een CALCULATETABLE met een filter op de datumkolom. Voor wekelijkse tracking filter je op ISO weeknummer of een specifiek datumbereik. De queries in dit rapport gebruiken standaard het volledige beschikbare datumbereik.
Nee. Het meenemen van niet-declarabele rollen trekt het gemiddelde omlaag en geeft een misleidend beeld van de prestaties van je serviceteam. Sluit dispatchers, service managers en interne IT-medewerkers uit van het 80% target. Track hun productiviteit apart met andere metrics die bij hun werkelijke verantwoordelijkheden passen.
Ja. Koppel Proxuma Power BI aan je Autotask account, voeg een AI-tool toe (Claude, ChatGPT of Copilot) via MCP en stel dezelfde vraag. De AI schrijft de DAX queries, draait ze tegen je echte data en maakt een rapport zoals 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