Dit rapport kruist N-able RMM apparaatdata met de HiBob teamstructuur om te bepalen welke technici en teams een onevenredig hoog aantal endpoints beheren - en waar het risico op overbelasting het grootst is.
Dit rapport kruist N-able RMM apparaatdata met de HiBob teamstructuur om te bepalen welke technici en teams een onevenredig hoog aantal endpoints beheren - en waar het risico op overbelasting het grootst is.
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: NOC teams, asset managers, and service delivery leads
Hoe vaak: Wekelijks for fleet reviews, monthly for lifecycle planning, quarterly for budgeting
Dit rapport kruist N-able RMM apparaatdata met de HiBob teamstructuur om te bepalen welke technici en teams een onevenredig hoog aantal endpoints beheren - en waar het risico op overbelasting het grootst is.
EVALUATE ROW("TotalDevices", COUNTROWS('BI_Datto_Rmm_Devices'), "Resources", DISTINCTCOUNT('BI_Autotask_Time_Entries'[resource_name]), "DevicePerTech", DIVIDE(COUNTROWS('BI_Datto_Rmm_Devices'), DISTINCTCOUNT('BI_Autotask_Time_Entries'[resource_name])))Onderstaande tabel toont de apparaat-tot-technicus ratio per individuele medewerker. Technici met een ratio boven 120 worden rood gemarkeerd - zij lopen het grootste risico op gemiste meldingen en vertraagde reactietijden.
| Technicus | Team | Apparaten | Ratio | Status |
|---|---|---|---|---|
| Technicus A | Team Noord | 187 | 187,0 | Kritiek |
| Technicus B | Team Noord | 154 | 154,0 | Kritiek |
| Technicus C | Team Zuid | 138 | 138,0 | Waarschuwing |
| Technicus D | Team Zuid | 126 | 126,0 | Waarschuwing |
| Technicus E | Team West | 97 | 97,0 | OK |
| Technicus F | Team West | 84 | 84,0 | OK |
Devices Per Tech =
VAR _TechID = SELECTEDVALUE( BI_HiBob_Employees[employee_id] )
VAR _Company =
SELECTCOLUMNS(
FILTER(
BI_Autotask_Companies,
BI_Autotask_Companies[assigned_tech_id] = _TechID
),
"CompanyID", BI_Autotask_Companies[company_id]
)
VAR _DeviceCount =
CALCULATE(
COUNTROWS( BI_NAble_Device_Statistic ),
FILTER(
BI_NAble_Device_Statistic,
BI_NAble_Device_Statistic[company_id] IN _Company
&& BI_NAble_Device_Statistic[device_status] = "Active"
)
)
RETURN
_DeviceCountDe horizontale balken tonen de gemiddelde apparaat-per-technicus ratio per team. De rode lijn bij 120 geeft de drempelwaarde aan waarboven het team als overbelast geldt.
Avg Ratio Per Team =
VAR _Team = SELECTEDVALUE( BI_HiBob_Employees[team] )
VAR _TeamTechs =
COUNTROWS(
FILTER(
BI_HiBob_Employees,
BI_HiBob_Employees[team] = _Team
&& BI_HiBob_Employees[status] = "Active"
&& BI_HiBob_Employees[department] = "Service Delivery"
)
)
VAR _TeamDevices =
CALCULATE(
COUNTROWS( BI_NAble_Device_Statistic ),
FILTER(
BI_NAble_Device_Statistic,
BI_NAble_Device_Statistic[device_status] = "Active"
),
FILTER(
BI_Autotask_Companies,
BI_Autotask_Companies[assigned_team] = _Team
)
)
RETURN
DIVIDE( _TeamDevices, _TeamTechs, 0 )Niet alle klanten wegen even zwaar. Een klant met 200 apparaten legt meer druk op een technicus dan vijf klanten met elk 10 apparaten. Onderstaande tabel laat zien hoe de apparaatlast per klant is verdeeld over het team.
| Klant | Toegewezen Team | Apparaten | % van Totaal | Categorie |
|---|---|---|---|---|
| Klant A | Team Noord | 312 | 16,9% | Enterprise |
| Klant B | Team Noord | 198 | 10,7% | Mid-market |
| Klant C | Team Zuid | 247 | 13,4% | Enterprise |
| Klant D | Team Zuid | 165 | 8,9% | Mid-market |
| Klant E | Team West | 143 | 7,7% | Mid-market |
| Klant F | Team Oost | 89 | 4,8% | MKB |
| Klant G | Team Oost | 52 | 2,8% | MKB |
De complexiteit van het apparaatpark speelt een rol. Servers vragen meer aandacht dan werkstations. Hieronder staat de verdeling per apparaattype per team, zodat duidelijk wordt welke teams niet alleen meer apparaten beheren maar ook meer complexe omgevingen bedienen.
De ratio is de afgelopen zes maanden gestaag gestegen. Het aantal apparaten groeit sneller dan de teamomvang, wat aangeeft dat er actie nodig is om de balans te herstellen.
Met een gemiddelde ratio van 170,5 apparaten per technicus zit Team Noord ruim 42% boven de drempelwaarde. Dit verhoogt het risico op gemiste meldingen en langzamere reactietijden bij kritieke incidenten.
De ratio is in zes maanden gestegen van 82 naar 102,6 - een toename van 25%. Als het huidige groeitempo doorzet zonder extra capaciteit, zal het organisatiebrede gemiddelde binnen twee maanden de drempel van 120 overschrijden.
Team Oost houdt met 78 apparaten per technicus ruim marge onder de drempel. Hun aanpak - kleinere klantportefeuilles en gerichte automatisering - kan als model dienen voor de overbelaste teams.
1. Herbalanceer de klantportefeuilles van Team Noord. Verplaats ten minste twee mid-market klanten van Team Noord naar Team Oost of Team West. Dit verlaagt de ratio van Team Noord direct met circa 30 punten, zonder dat er nieuwe medewerkers nodig zijn.
2. Stel een capaciteitsplafond in van 120 apparaten per technicus. Bouw een automatische waarschuwing in Power BI die triggert zodra een technicus boven de 110 apparaten komt. Zo is er tijd om bij te sturen voordat de drempel wordt bereikt.
3. Investeer in automatisering voor routinetaken. Team Oost bewijst dat gerichte automatisering de werkdruk verlaagt. Rol hun patching- en monitoring-scripts uit naar de andere teams. Dit bespaart naar schatting 15-20% van de handmatige tijd per technicus.
De branchebenchmark voor managed service providers ligt tussen 75 en 100 apparaten per technicus. Boven de 120 neemt het risico op fouten en gemiste meldingen sterk toe. De ideale ratio hangt af van de complexiteit van het apparaatpark - omgevingen met veel servers vragen een lagere ratio dan omgevingen met alleen werkstations.
De koppeling loopt via BI_Autotask_Companies. Elke klant heeft een toegewezen team en technicus. De apparaten uit BI_NAble_Device_Statistic worden via het company_id aan de klant gekoppeld, en via de klant aan de verantwoordelijke technicus uit BI_HiBob_Employees.
Het rapport haalt data op uit de Power BI dataset die dagelijks wordt ververst. De apparaattellingen uit N-able RMM en de teamstructuur uit HiBob worden elke nacht gesynchroniseerd, waardoor het rapport altijd de stand van de vorige dag weerspiegelt.
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