This report provides a detailed breakdown of configuratie-item uren analyse for managed service providers.
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: Operations managers, service delivery leads, and MSP owners managing capacity
Hoe vaak: Wekelijks for scheduling, monthly for utilization reviews, quarterly for staffing decisions
EVALUATE
ROW(
"Totaal Tickets", COUNTROWS('Tickets'),
"CI Gekoppelde Tickets", CALCULATE(
COUNTROWS('Tickets'),
NOT ISBLANK('Tickets'[ConfigurationItemID])
),
"CI Koppeling Pct", DIVIDE(
CALCULATE(COUNTROWS('Tickets'), NOT ISBLANK('Tickets'[ConfigurationItemID])),
COUNTROWS('Tickets')
),
"Totaal Uren CI", CALCULATE(
SUM('TimeEntries'[HoursWorked]),
NOT ISBLANK('Tickets'[ConfigurationItemID])
),
"Actief CI Aantal", CALCULATE(
COUNTROWS('ConfigurationItems'),
'ConfigurationItems'[IsActive] = TRUE()
)
)Geschatte urenverdeling per apparaatcategorie, afgeleid van CI-gekoppelde ticketproporties. Uren per unit toont de gemiddelde onderhoudslast per individueel apparaat.
| CI Type | Apparaten | Gesch. Uren | % van Totaal | Uur / Unit | Belasting |
|---|---|---|---|---|---|
| Server | 47 | 4.820 | 14,5% | 102,6 | Hoog |
| Laptop - Windows | 312 | 5.110 | 15,4% | 16,4 | Gemiddeld |
| Firewall | 38 | 3.240 | 9,7% | 85,3 | Hoog |
| Desktop - Windows | 198 | 3.890 | 11,7% | 19,6 | Gemiddeld |
| Switch | 52 | 2.180 | 6,6% | 41,9 | Gemiddeld |
| Router/Modem | 44 | 1.950 | 5,9% | 44,3 | Gemiddeld |
| Access Point | 61 | 1.640 | 4,9% | 26,9 | Normaal |
| Printer | 87 | 1.180 | 3,5% | 13,6 | Normaal |
| Mobiel Apparaat | 124 | 980 | 2,9% | 7,9 | Laag |
| Overig (14 typen) | divers | 7.281 | 21,9% | — | Gemengd |
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
FILTER(
CROSSJOIN('ConfigurationItems', 'Tickets'),
'Tickets'[ConfigurationItemID] = 'ConfigurationItems'[ID]
),
'ConfigurationItems'[Type],
"Apparaat Aantal",
DISTINCTCOUNT('ConfigurationItems'[ID]),
"Totaal Uren",
CALCULATE(SUM('TimeEntries'[HoursWorked])),
"Ticket Aantal",
COUNTROWS('Tickets')
),
"Uren Per Unit",
DIVIDE([Totaal Uren], [Apparaat Aantal])
)
ORDER BY [Totaal Uren] DESCGeschatte uren per CI type. Servers dragen de hoogste last per unit met 102,6 uur elk, bijna dubbel ten opzichte van de volgende categorie.
Breedte van balk proportioneel aan geschatte uren. Rood duidt op hoge last per unit; oranje op gemiddelde last relatief aan het aantal apparaten.
EVALUATE
TOPN(
8,
SUMMARIZE(
FILTER('Tickets', NOT ISBLANK('Tickets'[ConfigurationItemID])),
RELATED('ConfigurationItems'[Type]),
"Totaal Uren", CALCULATE(SUM('TimeEntries'[HoursWorked])),
"Apparaat Aantal", CALCULATE(DISTINCTCOUNT('Tickets'[ConfigurationItemID]))
),
[Totaal Uren], DESC
)Servers verbruiken gemiddeld 102,6 uur per unit, de hoogste last van alle categorieën. Met slechts 47 servers in de omgeving duidt dit niveau op een combinatie van verouderde hardware, complexe configuraties en reactief in plaats van proactief onderhoud. De zakelijke rechtvaardiging voor serververvanging of migratie naar Azure AVD wordt duidelijker wanneer de urenkosten zo inzichtelijk zijn.
Firewalls zijn de op een na duurste asset per unit met 85,3 uur per stuk. Op dat niveau draagt elke firewall in het park jaarlijks ongeveer twee volledige werkweken aan ingenieurstijd. Dat is een getal dat de moeite waard is om te benoemen in klantreviewgesprekken, zeker wanneer leveranciers beheerde firewallservices aanbieden die deze last van je team weghalen.
Laptops en desktops samen zijn goed voor 9.000 uren, ofwel 27% van het totaal, maar hun last per unit is veel redelijker op 16-20 uur per apparaat. Het grote volume aan eindpunten drijft het aggregaat omhoog, maar de per-unit cijfers zijn eigenlijk vrij efficiënt. Standaard patchcycli en RMM-automatisering houden deze getallen waarschijnlijk in toom.
De 18,7% CI-koppelingsgraad over alle tickets is het belangrijkste operationele signaal in deze dataset. Meer dan 80% van de tickets heeft geen configuratie-item gekoppeld. Dat betekent dat de meerderheid van de uren niet traceerbaar is naar een specifiek asset, wat het vrijwel onmogelijk maakt om echte asset-lifecycle-kosten te berekenen. Verbetering van CI-koppeling via ticketsjablonen en techniciantraining kan deze dataset binnen een paar maanden transformeren.
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
'Tickets',
'Tickets'[AssignedTechnicianID],
"Tickets Met CI",
CALCULATE(COUNTROWS('Tickets'), NOT ISBLANK('Tickets'[ConfigurationItemID])),
"Tickets Zonder CI",
CALCULATE(COUNTROWS('Tickets'), ISBLANK('Tickets'[ConfigurationItemID])),
"Totaal Tickets",
COUNTROWS('Tickets')
),
"CI Koppelingsgraad",
DIVIDE([Tickets Met CI], [Totaal Tickets])
)
ORDER BY [CI Koppelingsgraad] DESCCI-koppeling hangt af van technici die het gerelateerde apparaat selecteren bij het aanmaken of oplossen van een ticket. In de meeste PSA-omgevingen is dit veld optioneel, en technici die onder tijdsdruk werken slaan het over. Het percentage van 18,7% ligt feitelijk boven het gemiddelde voor MSP's die CI-koppeling niet als formele vereiste hebben ingesteld. De praktische oplossing zijn ticketsjablonen die standaard om CI-selectie vragen, gecombineerd met een korte periode van managerscontrole om de gewoonte te verstevigen.
Ja, dat detailniveau is mogelijk in Power BI wanneer de ticket-CI relatie in het datamodel bestaat. Dit rapport toont geaggregeerde waarden op typeniveau omdat de demodataset proportionele schattingen gebruikt, maar met je live Autotask-verbinding kun je filteren op een specifieke klant, apparaattype, en vervolgens naar individuele CI-namen of serienummers. Je kunt zelfs de totale supportkosten voor een enkel asset over de hele levensduur berekenen.
Neem het uren-per-unit cijfer voor het betreffende apparaattype en vermenigvuldig dat met je gemiddeld uurtarief voor engineers. Een server op 102,6 uur per jaar bij €90/uur kost jaarlijks ongeveer €9.234 aan support-arbeid. Vergelijk dat met de kosten van een nieuwe server of een migratie naar een cloudoplossing. De cijfers maken de business case vaak op zichzelf, zonder dat er verdere overtuiging nodig is. Deze analyse is bijzonder effectief bij klanten die hardware-beslissingen al meerdere jaren hebben uitgesteld.
Dit rapport richt zich specifiek op uren per CI type. Als je Autotask CMDB of RMM-tool apparaatleeftijd, aankoopdatum of garantievervaldatum vastlegt, kunnen die velden worden gekoppeld aan dezelfde dataset om een levenscyclusdimensie toe te voegen. De meest bruikbare weergave combineert uren-per-unit met apparaatleeftijd, wat doorgaans een duidelijk verband laat zien tussen oudere apparaten en hogere supportconsumptie. Die gecombineerde weergave is een apart rapport in de Proxuma-bibliotheek.
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