Kruisverwijzing tussen N-able RMM apparaatdata en Autotask ticketvolume om te achterhalen welke klanten het meeste werk genereren en of het aantal apparaten een betrouwbare voorspeller is. RMM PSA
Kruisverwijzing tussen N-able RMM apparaatdata en Autotask ticketvolume om te achterhalen welke klanten het meeste werk genereren en of het aantal apparaten een betrouwbare voorspeller is. RMM PSA
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: Service desk managers, dispatch leads, and operations teams
Hoe vaak: Dagelijks for queue management, weekly for trend analysis, monthly for capacity planning
Kruisverwijzing tussen N-able RMM apparaatdata en Autotask ticketvolume om te achterhalen welke klanten het meeste werk genereren en of het aantal apparaten een betrouwbare voorspeller is. RMM PSA
N-able RMM apparaataantal per klant, gerangschikt van hoog naar laag. 224 apparaten over 109 klanten, top 12 hieronder.
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Datto_Rmm_Sites'[Name], "DeviceCount", CALCULATE(COUNTROWS('BI_Datto_Rmm_Devices')), "OnlineDevices", CALCULATE(COUNTROWS(FILTER('BI_Datto_Rmm_Devices', 'BI_Datto_Rmm_Devices'[Online] = TRUE()))), "AlertCount", CALCULATE(COUNTROWS('BI_Datto_Rmm_Alerts'))), [DeviceCount], DESC)Autotask ticketcreatie en -afhandeling voor de top 12 klanten op volume. Aangemaakt vs afgehandeld toont de verwerkingscapaciteit.
EVALUATE
TOPN(
12,
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Tickets,
BI_Autotask_Tickets[company_name]
),
"TicketsCreated", CALCULATE(
COUNT(BI_Autotask_Tickets[ticket_id])
),
"TicketsCompleted", CALCULATE(
COUNT(BI_Autotask_Tickets[ticket_id]),
BI_Autotask_Tickets[status_name] = "Complete"
)
),
[TicketsCreated], DESC
)
ORDER BY [TicketsCreated] DESCKruisverwijzing welke klanten in zowel de RMM-apparaatlijst als de top ticketgeneratoren voorkomen. De overlap laat zien of apparaataantallen ticketvolume voorspellen.
| Klant | Apparaten | Tickets Aangemaakt | Tickets/Apparaat | Overlap |
|---|---|---|---|---|
| Klant A | 28 | 5.290 | 188,9 | Beide lijsten |
| Klant M | N.v.t. | 6.381 | N.v.t. | Alleen tickets |
| Klant N | N.v.t. | 5.458 | N.v.t. | Alleen tickets |
| Klant B | 21 | N.v.t. | N.v.t. | Alleen apparaten |
| Klant C | 18 | N.v.t. | N.v.t. | Alleen apparaten |
| Klant O | N.v.t. | 2.775 | N.v.t. | Alleen tickets |
| Klant D | 15 | N.v.t. | N.v.t. | Alleen apparaten |
Klant A is de enige klant in beide lijsten. Met 28 apparaten en 5.290 tickets komt dat neer op ongeveer 189 tickets per apparaat. Dat is een sterk signaal dat hun apparaatstatus direct invloed heeft op de werkdruk van de servicedesk. De overige grote ticketgeneratoren (Klant M, Klant N, Klant O) komen helemaal niet voor in de RMM top 12. Dat betekent dat hun ticketvolume uit andere bronnen komt: gebruikersverzoeken, softwareproblemen of onboardingtaken in plaats van apparaatstoringen.
Hoe effectief worden tickets opgelost bij de topklanten? Afhandelingsgraad = afgehandeld / aangemaakt.
| Klant | Aangemaakt | Afgehandeld | Open | Percentage |
|---|---|---|---|---|
| Klant P | 2.364 | 2.364 | 0 | 100,0% |
| Klant V | 1.684 | 1.684 | 0 | 100,0% |
| Klant A | 5.290 | 5.250 | 40 | 99,2% |
| Klant N | 5.458 | 5.393 | 65 | 98,8% |
| Klant M | 6.381 | 6.268 | 113 | 98,2% |
| Klant O | 2.775 | 2.742 | 33 | 98,8% |
| Klant Q | 2.376 | 2.356 | 20 | 99,2% |
| Klant R | 2.180 | 2.155 | 25 | 98,9% |
| Klant S | 1.803 | 1.783 | 20 | 98,9% |
| Klant T | 1.758 | 1.745 | 13 | 99,3% |
| Klant U | 1.728 | 1.692 | 36 | 97,9% |
| Klant W | 1.629 | 1.611 | 18 | 98,9% |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
BI_Autotask_Tickets,
BI_Autotask_Tickets[company_name]
),
"TicketsCreated", CALCULATE(
COUNT(BI_Autotask_Tickets[ticket_id])
),
"TicketsCompleted", CALCULATE(
COUNT(BI_Autotask_Tickets[ticket_id]),
BI_Autotask_Tickets[status_name] = "Complete"
),
"CompletionRate", DIVIDE(
CALCULATE(
COUNT(BI_Autotask_Tickets[ticket_id]),
BI_Autotask_Tickets[status_name] = "Complete"
),
CALCULATE(COUNT(BI_Autotask_Tickets[ticket_id]))
)
)
ORDER BY [CompletionRate] DESCKlanten die het verwachte patroon tussen apparaataantal en ticketvolume doorbreken
Klant M leidt alle ticketvolume met 6.381 tickets, maar komt niet voor in de N-able apparaat top 12. Dat betekent dat hun tickets niet worden veroorzaakt door apparaatproblemen. Mogelijke verklaringen: Klant M gebruikt mogelijk een andere RMM-tool, hun apparaten zijn niet aangemeld bij N-able, of hun ticketvolume komt voort uit gebruikersverzoeken (wachtwoordresets, software-installaties, onboarding) in plaats van hardware- of monitoringmeldingen.
Klant N volgt hetzelfde patroon met 5.458 tickets en geen aanwezigheid in de apparaatlijst. Twee van je drie grootste ticketgeneratoren zijn onzichtbaar in je RMM-data. Dat is een blinde vlek die aandacht verdient.
Aan de andere kant heeft Klant B 21 apparaten, maar komt niet voor bij de top ticketgeneratoren. Dit kan een positief signaal zijn: hun apparaten worden goed beheerd en zijn gezond, wat weinig reactieve tickets oplevert. Of het kan betekenen dat hun tickets onder een andere bedrijfsnaam in Autotask worden gelogd.
De conclusie: apparaataantal alleen voorspelt geen ticketvolume. De correlatie bestaat voor Klant A, maar de twee grootste ticketgeneratoren hebben geen noemenswaardige RMM-voetafdruk in deze dataset. Cross-source datamatching tussen N-able en Autotask verdient aandacht.
De enige klant die in zowel de apparaat top 12 als de ticket top 12 voorkomt. Met 189 tickets per apparaat is hun apparaatstatus waarschijnlijk een belangrijke factor achter de werkdruk op de servicedesk. Geef prioriteit aan proactief onderhoud en vervanging van apparaten voor dit account.
Klant M (6.381 tickets) en Klant N (5.458 tickets) zijn je twee drukste accounts, maar komen niet voor in de N-able apparaatdata. Of hun apparaten zijn niet aangemeld bij N-able, ze gebruiken een ander monitoringplatform, of de bedrijfsnaamkoppeling tussen de systemen klopt niet. Zonder deze koppeling kun je apparaatstatus niet correleren aan tickets.
Elke klant in de top 12 heeft een ticketafhandelingsgraad van 97,9% of hoger. De servicedesk lost tickets effectief op. Klant P en Klant V zitten op een perfecte 100%. Het knelpunt is niet de oplossingscapaciteit; het is het volume tickets dat wordt aangemaakt.
4 prioriteiten op basis van bovenstaande bevindingen
Met 28 apparaten die 5.290 tickets genereren, gaat er structureel iets mis. Haal de N-able alerthistorie op voor Klant A en vergelijk die met hun meest voorkomende ticketcategorieen. Zoek naar verouderde hardware, herhaalde patch-fouten of apparaten die wekelijks dezelfde melding triggeren. Een gerichte hardware-vernieuwing of beleidswijziging kan hun ticketvolume met 20-30% verlagen.
Je twee drukste klanten zijn onzichtbaar in RMM. Controleer of hun apparaten via een andere tool worden gemonitord, of dat ze nooit bij N-able zijn aangemeld. Als ze wel aangemeld zijn maar de bedrijfsnaam niet overeenkomt met Autotask, herstel dan de koppeling. Zonder deze link kun je geen proactief apparaatbeheer doen voor 11.839 tickets aan werkdruk.
De beperkte overlap tussen de twee lijsten kan deels een datakwaliteitsprobleem zijn. Als "Klant B" in N-able geregistreerd staat als "Klant B BV" in Autotask, breekt de correlatie. Voer een naam-matching audit uit tussen beide systemen en stel een enkele naamgevingsconventie vast. Dit is een voorwaarde voor elke zinvolle cross-source analyse.
Klant B heeft 21 apparaten maar komt niet voor bij de top ticketgeneratoren. Als hun apparaten echt gezond en goed onderhouden zijn, documenteer dan wat er anders is aan hun setup: patchschema, leeftijd van hardware, monitoringbeleid. Pas die werkwijzen toe op het apparaatpark van Klant A als benchmark.
Apparaatdata wordt opgehaald uit N-able RMM via de Proxuma Power BI connector. De connector synchroniseert apparaatrecords inclusief klantnaam, apparaattype en gezondheidsstatus. De AI voert vervolgens DAX-query's uit om apparaten per klant te tellen en te kruisverwijzen met Autotask ticketdata.
Meerdere oorzaken zijn mogelijk: de klant heeft geen apparaten aangemeld in N-able, ze gebruiken een andere RMM-tool, of de bedrijfsnaam in N-able komt niet overeen met het Autotask-record. Een naam-matching audit tussen beide systemen maakt duidelijk welk scenario van toepassing is.
Tickets per apparaat is een grove maatstaf voor hoeveel servicedesk-werk elk apparaat genereert. Een hoge ratio (zoals de 189 tickets per apparaat van Klant A) wijst erop dat de apparaten ongezond, verouderd of verkeerd geconfigureerd zijn. Een lage ratio betekent dat de apparaten stabiel en goed beheerd zijn. Het is geen perfecte metric omdat niet alle tickets apparaatgerelateerd zijn, maar het geeft een startpunt voor onderzoek.
Begin met het standaardiseren van bedrijfsnamen in N-able en Autotask. Meld vervolgens alle klantapparaten aan bij N-able. Zodra beide systemen dezelfde naamgeving gebruiken en alle apparaten worden gevolgd, wordt de cross-source analyse veel betrouwbaarder. Je kunt ook Autotask-tickets taggen die voortkomen uit N-able alerts om apparaatgerelateerde tickets te scheiden van gebruikersverzoeken.
Ja. Verbind Proxuma Power BI met je N-able RMM en Autotask accounts, voeg een AI-tool toe (Claude, ChatGPT of Copilot) via MCP, en stel dezelfde vraag. De AI schrijft de DAX-query's, voert ze uit tegen je echte data, en produceert een rapport als 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