Een marge-voor-marge analyse van 280 omzet-genererende klanten uit Autotask PSA billing data. Dit rapport beantwoordt de vraag: "Wat is onze winstmarge per klant over de afgelopen 12 maanden?" en laat zien waar je beste en slechtste marges werkelijk zitten.
Een marge-voor-marge analyse van 280 omzet-genererende klanten uit Autotask PSA billing data. Dit rapport beantwoordt de vraag: "Wat is onze winstmarge per klant over de afgelopen 12 maanden?" en laat zien waar je beste en slechtste marges werkelijk zitten.
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
Een marge-voor-marge analyse van 280 omzet-genererende klanten uit Autotask PSA billing data. Dit rapport beantwoordt de vraag: "Wat is onze winstmarge per klant over de afgelopen 12 maanden?" en laat zien waar je beste en slechtste marges werkelijk zitten.
Belangrijkste marge-KPI's over 280 omzet-genererende klanten uit Autotask PSA billing data.
Top 10 klanten op winstmarge, gefilterd op klanten met meer dan $50K omzet.
| # | Client | Revenue | Cost | Profit | Margin |
|---|---|---|---|---|---|
| 1 | Craig-Huynh | €2,324,617 | €1,013,970 | €1,310,647 | 56.4% |
| 2 | Lewis LLC | €2,212,915 | €894,222 | €1,318,693 | 59.6% |
| 3 | Little Group | €1,431,177 | €603,420 | €827,758 | 57.8% |
| 4 | Martin Group | €637,092 | €248,212 | €388,880 | 61.0% |
| 5 | Lopez-Reyes | €589,694 | €645,574 | -€55,879 | -9.5% |
| 6 | Wall PLC | €476,622 | €214,395 | €262,227 | 55.0% |
| 7 | Burke, Armstrong and Morgan | €469,660 | €224,394 | €245,267 | 52.2% |
| 8 | Patterson, Riley and Lawson | €416,450 | €206,868 | €209,582 | 50.3% |
| 9 | Richards, Bell and Christensen | €328,165 | €107,091 | €221,073 | 67.4% |
| 10 | Wu-Jackson | €321,669 | €121,483 | €200,186 | 62.2% |
| 11 | Thompson, Contreras and Rios | €320,832 | €141,416 | €179,416 | 55.9% |
| 12 | Price-Gomez | €286,926 | €120,188 | €166,739 | 58.1% |
| 13 | Torres-Jones | €255,698 | €46,812 | €208,887 | 81.7% |
| 14 | Hahn Group | €253,148 | €133,138 | €120,010 | 47.4% |
| 15 | Montgomery-Peck | €214,469 | €133,755 | €80,714 | 37.6% |
| 16 | Ramos Group | €205,547 | €126,248 | €79,299 | 38.6% |
| 17 | Kelley-Walsh | €203,888 | €131,810 | €72,077 | 35.4% |
| 18 | Lee-Dalton | €198,503 | €69,709 | €128,794 | 64.9% |
| 19 | Buchanan, Acosta and Chambers | €188,912 | €93,716 | €95,196 | 50.4% |
| 20 | Clements, Pham and Garcia | €175,507 | €71,242 | €104,264 | 59.4% |
Klant D genereert de meeste omzet in deze groep met $256K, en houdt toch een marge van 81,7%. Die combinatie van volume en marge is de gouden standaard voor je klantportfolio.
EVALUATE
TOPN(20, SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_name],
"Revenue",[Revenue - Total],"Cost",[Cost - Total],"Profit",[Profit - total],"ProfitMargin",[Profit - total - percentage]),
[Revenue],DESC) ORDER BY [Revenue] DESCDe 10 klanten met de slechtste winstmarge, gefilterd op minimaal $10K omzet om micro-accounts uit te sluiten.
Klant K draait op -288% marge bij $23K omzet. De kosten zijn bijna 4x wat deze klant betaalt. Klant N is het gevaarlijkst qua impact in euro's: bij $590K omzet met een -9,5% marge is het absolute verlies veel groter dan dat van Klant K. Zes van de onderste 10 hebben nog positieve marges, maar zitten ruim onder het portfoliogemiddelde van 53%.
EVALUATE
VAR Clients = FILTER(ADDCOLUMNS(VALUES('BI_Autotask_Companies'[company_name]),
"Rev",[Revenue - Total],"Margin",[Profit - total - percentage]),[Rev]>0)
RETURN UNION(
ROW("Band","Negative (<0%)","Count",COUNTROWS(FILTER(Clients,[Margin]<0))),
ROW("Band","Low (0-20%)","Count",COUNTROWS(FILTER(Clients,[Margin]>=0 && [Margin]<0.20))),
ROW("Band","Moderate (20-40%)","Count",COUNTROWS(FILTER(Clients,[Margin]>=0.20 && [Margin]<0.40))),
ROW("Band","Healthy (40-60%)","Count",COUNTROWS(FILTER(Clients,[Margin]>=0.40 && [Margin]<0.60))),
ROW("Band","Strong (60-80%)","Count",COUNTROWS(FILTER(Clients,[Margin]>=0.60 && [Margin]<0.80))),
ROW("Band","Excellent (80%+)","Count",COUNTROWS(FILTER(Clients,[Margin]>=0.80)))
)Hoe 280 omzet-genererende klanten verdeeld zijn over vijf margebanden.
52% van de klanten zit boven de 50% margelijn. Dat is een gezonde basis. Maar 90 klanten (32%) vallen in de 20-50% range, en nog eens 44 klanten (16%) zitten op dunne of negatieve marges. De 15 klanten met negatieve marges zorgen voor een gecombineerd verlies dat het ongewogen gemiddelde naar 33,5% trekt, terwijl het gewogen cijfer op 53% staat.
Hoe de totale winstmarge per kwartaal is bewogen sinds Q3 2024.
Q2 2025 was het dieptepunt met 44,4%. Dat kwartaal had de hoogste kosten-omzetverhouding in de dataset. Q1 2026 laat een sterk herstel zien naar 68,2%, al is dit een onvolledig kwartaal met lager volume. De totale trend is stabiel rond 52-56% met een opvallende dip die nader onderzoek verdient.
EVALUATE
SUMMARIZECOLUMNS('BI_Common_Dim_Date'[month_name], 'BI_Common_Dim_Date'[year], 'BI_Common_Dim_Date'[month],
TREATAS({2025, 2026}, 'BI_Common_Dim_Date'[year]),
"Revenue",[Revenue - Total],"Cost",[Cost - Total],"Margin",[Profit - total - percentage])
ORDER BY 'BI_Common_Dim_Date'[year], 'BI_Common_Dim_Date'[month]Waarom de totale marge er gezond uitziet op 53%, maar het per-klant gemiddelde slechts 33,5% is.
Het verschil van 19,5 procentpunt tussen deze twee cijfers vertelt een belangrijk verhaal. Als je weegt op omzet, domineren de grote klanten met sterke marges de berekening. Je topklanten zijn over het algemeen goed geprijsd en efficient om te bedienen.
Het ongewogen gemiddelde behandelt elke klant gelijk. Kleine klanten met dunne of negatieve marges trekken dit getal omlaag. Een klant die $2K genereert met -50% marge telt net zo zwaar als een $500K klant met 80% marge. Daarom staat het ongewogen cijfer op slechts 33,5%.
Beide cijfers zijn relevant. De gewogen marge vertelt hoe je bedrijf als geheel presteert. Het ongewogen gemiddelde vertelt hoe consistent je pricing werkt over de hele klantbasis. Als je dit gat wilt dichten, richt je dan op het verhogen van marges bij de long tail van kleinere klanten.
Actiegerichte inzichten uit de margedata.
Dit is je 5e of 6e grootste klant op omzet, maar deze verliest geld. Bij $590K aan billing vertaalt zelfs een kleine negatieve marge zich in een flink verlies in euro's. De contractpricing of scope sluit niet aan bij de werkelijke leveringskosten.
Met $23K omzet en -288% marge liggen de kosten rond $89K tegenover $23K aan billing. Dit is waarschijnlijk een scopingprobleem waarbij uren ver boven het contract uitkomen. Heronderhandel of beoordeel of dit account de moeite waard is.
Alle andere kwartalen zitten tussen 52-60%, maar Q2 2025 zakte naar 44,4%. Dit ging waarschijnlijk samen met hogere kosten dan normaal of een groot project met dunne marges. Duik in de billingmix van dat kwartaal om herhaling te voorkomen.
Meer dan de helft van de omzet-genererende klanten zit in de gezonde zone. 50 klanten halen marges boven 70%, wat uitstekend is. Onderzoek wat hen anders maakt: contractstructuur, servicemix, of simpelweg lagere complexiteit. Dit zijn de accounts om te beschermen en na te bootsen.
Concrete stappen om de margeprestatie over het portfolio te verbeteren.
Haal gedetailleerde uurregistraties en billing items op voor de 4 klanten met negatieve marge: K, L, M en N. Vergelijk gecontracteerde uren met werkelijke uren. Zoek naar scope creep, ongefactureerd projectwerk, of tarifaire afwijkingen. Klant N moet als eerste vanwege de omzetomvang.
Klanten met 0-20% marge zijn een slechte maand verwijderd van negatief draaien. Bouw een Power BI alert die elke klant flagged die onder 15% marge zakt op een rollende 3-maandsbasis. Vang problemen op voordat ze verliezen worden.
De 50 klanten boven 70% marge laten zien hoe goed eruit ziet. Vergelijk hun contractstructuren, uurtarieven en servicepakketten met het onderste kwartiel. Pas die pricingpatronen toe op verlengingen en nieuwe deals.
Gewogen marge berekent totale winst gedeeld door totale omzet over alle klanten, waardoor grote klanten het getal meer beinvloeden. Ongewogen marge middelt het margepercentage van elke klant gelijk, ongeacht omzetomvang. Het gewogen cijfer (53%) vertelt over de algehele bedrijfsgezondheid; het ongewogen cijfer (33,5%) vertelt over pricing-consistentie.
Negatieve marges betekenen dat kosten de omzet overtreffen. Dit gebeurt meestal wanneer de werkelijk bestede tijd aan een klant flink boven het gecontracteerde valt. Veelvoorkomende oorzaken: scope creep, te laag geprijsde fixed-fee contracten, of grote hoeveelheden reactieve support die niet in het tarief waren meegenomen.
Marge = (Omzet - Kosten) / Omzet, uitgedrukt als percentage. Omzet komt uit het total_amount veld en Kosten uit het our_cost veld in Autotask billing items. De berekening gebruikt de [Profit - total - percentage] measure uit het Proxuma datamodel.
Branchebenchmarks verschillen, maar de meeste MSP's mikken op 50%+ bruto marge op managed services. Marges onder 30% worden doorgaans als te dun beschouwd om overhead te dekken. De 70%+ categorie in dit rapport vertegenwoordigt best-in-class pricing en leveringsefficiency.
Zonder omzetfilter zouden de lijsten gedomineerd worden door micro-accounts. Een klant met $200 omzet en 95% marge is in zakelijk opzicht niet echt "hoge marge". De drempels van $50K en $10K zorgen ervoor dat resultaten klanten met echte financiele impact vertegenwoordigen.
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 datamodel-tabellen en measures die in elke Proxuma Power BI deployment bestaan.
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