This report provides a detailed breakdown of msp operations intelligence: cross-source performance 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: Account managers, MSP owners, and vCTOs preparing executive reviews
Hoe vaak: Per kwartaal for scheduled QBRs, op aanvraag for executive briefings
Topniveau-metrics uit Autotask PSA, Datto RMM en SmileBack in één query.
EVALUATE ROW("Tickets", [Tickets - Count - Created], "CSAT", [CSAT - Average Rating], "ResolutionMet", [Tickets - Resolution Met %], "Devices", COUNTROWS('BI_Datto_Rmm_Devices'), "Employees", [Total Employees], "Revenue", SUM('BI_Autotask_Charges'[billable_amount]), "Contracts", COUNTROWS(FILTER('BI_Autotask_Contracts', 'BI_Autotask_Contracts'[contract_status_name] = "Active")))Hoe klanten hun service-interacties beoordeelden over 10.178 SmileBack-enquêtes.
Met 92,2% positieve ratings ziet het tevredenheidsplaatje er gezond uit. De 4,5% negatief is wel het in de gaten houden waard: 454 ontevreden interacties, en elk daarvan is een potentieel churnrisico. De vraag voor sectie 3.0 is of specifieke queues de negatieve responses veroorzaken.
EVALUATE
ADDCOLUMNS(
SUMMARIZE(
'BI_SmileBack_Reviews',
'BI_SmileBack_Reviews'[rating]
),
"Count", CALCULATE(COUNTROWS('BI_SmileBack_Reviews'))
)
ORDER BY 'BI_SmileBack_Reviews'[rating] DESCTicketvolume, SLA-compliance en klanttevredenheid uitgesplitst per Autotask-queue.
| Queue | Tickets | First Response | Resolution | CSAT |
|---|---|---|---|---|
| L1 Support | 31.378 | 88,5% | 95,6% | 83,5% |
| Centralized Services | 17.082 | 64,7% | 91,6% | 46,0% |
| L2 Support | 7.889 | 82,3% | 88,0% | 65,3% |
| Merged Tickets | 4.999 | 78,1% | 92,4% | N.v.t. |
| Technical Alignment | 2.316 | 74,6% | 62,8% | 66,7% |
| Customer Success | 804 | 72,3% | 59,5% | 81,3% |
| Interne IT | 793 | 33,4% | 55,7% | 91,1% |
| Onsite Support | 705 | 76,6% | 56,0% | 91,8% |
| Professional Services | 546 | 71,6% | 52,0% | 79,3% |
| Administration | 327 | 59,2% | 61,9% | 100% |
Centralized Services verwerkt 17.082 tickets met een CSAT van 46,0%. Dat is de grootste rode vlag in dit rapport. L1 Support draait soepel met 88,5% first response en 83,5% CSAT. De Interne IT-queue mist first response SLA op twee derde van de tickets, maar het team scoort 91,1% CSAT. Interne gebruikers zijn blijkbaar geduldig.
EVALUATE
TOPN(
10,
ADDCOLUMNS(
SUMMARIZE(
'BI_Autotask_Tickets',
'BI_Autotask_Tickets'[queue_name]
),
"Tickets", CALCULATE([Tickets - Count - Created]),
"SLA_FR", CALCULATE([Tickets - First Response Met %]),
"SLA_Res", CALCULATE([Tickets - Resolution Met %]),
"CSAT", CALCULATE([CSAT - Average Rating])
),
CALCULATE([Tickets - Count - Created]), DESC
)Hoe 135.387 RMM-alerts verdeeld zijn over prioriteit en hoeveel er Autotask-tickets werden.
| Prioriteit | Totaal Alerts | Opgelost | Werd Ticket | Ticket Rate |
|---|---|---|---|---|
| Critical | 3.786 | 3.737 | 3.567 | 94,2% |
| Moderate | 6.524 | 6.481 | 4.353 | 66,7% |
| Low | 5.393 | 5.219 | 3.744 | 69,4% |
| High | 1.467 | 1.397 | 541 | 36,9% |
| Information | 118.217 | 115.184 | 3 | <0,1% |
94,2% van de Critical alerts maakt een ticket aan, en dat is goed: het systeem vangt de urgente zaken. Maar High priority alerts hebben slechts een ticketrate van 36,9%. Bijna twee derde gaat ongeregistreerd voorbij. Of het label "High" is verkeerd gekalibreerd, of iemand wuift alerts weg die onderzocht moeten worden.
EVALUATE
SUMMARIZE(
'BI_Datto_Rmm_Alerts',
'BI_Datto_Rmm_Alerts'[priority],
"Count", COUNTROWS('BI_Datto_Rmm_Alerts'),
"Resolved", CALCULATE(
COUNTROWS('BI_Datto_Rmm_Alerts'),
'BI_Datto_Rmm_Alerts'[resolved] = TRUE()
),
"With_Ticket", CALCULATE(
COUNTROWS('BI_Datto_Rmm_Alerts'),
NOT(ISBLANK('BI_Datto_Rmm_Alerts'[ticket_number])),
'BI_Datto_Rmm_Alerts'[ticket_number] <> ""
)
)
ORDER BY COUNTROWS('BI_Datto_Rmm_Alerts') DESCTop 15 engineers gerangschikt op gelogde uren, met billable ratio en SmileBack-klanttevredenheid.
| Engineer | Uren | Billable % | Tickets Afgerond | CSAT |
|---|---|---|---|---|
| Medewerker A | 2.400 | 72,9% | 562 | 89,5% |
| Medewerker B | 2.136 | 61,0% | 638 | 65,1% |
| Medewerker C | 2.060 | 55,6% | 33 | N.v.t. |
| Medewerker D | 2.050 | 89,6% | 1.899 | 81,6% |
| Medewerker E | 1.888 | 80,9% | 1.871 | 84,1% |
| Medewerker F | 1.862 | 76,0% | 65 | 100% |
| Medewerker G | 1.780 | 65,0% | 102 | 71,4% |
| Medewerker H | 1.585 | 77,5% | 776 | 83,3% |
| Medewerker I | 1.554 | 52,7% | 519 | 65,0% |
| Medewerker J | 1.505 | 63,6% | 3.234 | 65,5% |
| Medewerker K | 1.493 | 73,3% | 539 | 71,2% |
| Medewerker L | 1.433 | 91,3% | 81 | N.v.t. |
| Medewerker M | 1.418 | 94,7% | 2.427 | 84,3% |
| Medewerker N | 1.362 | 97,1% | 2.632 | 78,3% |
| Medewerker O | 1.344 | 80,9% | 510 | 89,5% |
Medewerker N springt eruit: 97,1% billable met 2.632 afgeronde tickets. Dat is efficiënt. Aan de andere kant logt Medewerker C 2.060 uur tegen slechts 55,6% billable met maar 33 tickets. Die persoon zit waarschijnlijk in een project- of infrastructuurrol, niet op de helpdesk. De billable metric betekent iets anders per rol, dus context is nodig voor je conclusies trekt.
EVALUATE
TOPN(
15,
ADDCOLUMNS(
SUMMARIZE(
'BI_Autotask_User_Details',
'BI_Autotask_User_Details'[resource_user_name]
),
"Billable_Pct", CALCULATE([Billable % (vs Logged)]),
"Total_Hrs", CALCULATE(SUM('BI_Autotask_Time_Entries'[hours_worked])),
"Tix_Done", CALCULATE([Tickets - Count - Completed]),
"CSAT", CALCULATE([CSAT - Average Rating]),
"Logging", CALCULATE([Analytics - Time Logging Rate])
),
CALCULATE(SUM('BI_Autotask_Time_Entries'[hours_worked])), DESC
)Waar de drie databronnen het eens zijn, waar ze elkaar tegenspreken, en wat je eraan kunt doen.
Deze queue verwerkt 17.082 tickets (25% van al het volume) met een CSAT van 46,0%. Resolution SLA ziet er prima uit met 91,6%, wat betekent dat tickets op tijd gesloten worden maar klanten ontevreden zijn over de afhandeling. Het probleem is waarschijnlijk proceskwaliteit, niet snelheid. Bekijk welke tickettypes hier terechtkomen en of automatisering menselijke interactie vervangt waar klanten dat niet willen.
63,1% van de High-priority Datto-alerts (926 van 1.467) wordt nooit een ticket. Critical alerts hebben een ticketrate van 94,2%, dus de automatisering werkt daar. Maar High-priority alerts zitten in een blinde vlek: belangrijk genoeg om te flaggen, niet urgent genoeg voor auto-ticketcreatie. Stel een alert-to-ticket regel in voor High priority of herclassificeer ze.
Het verschil tussen de laagste en hoogste billable rate is 44 procentpunt. Een deel is rolgebonden (project-engineers vs. helpdesk), maar engineers met een lage billable rate én weinig tickets verdienen extra aandacht. Medewerker I logt 1.554 uur tegen 52,7% billable met een CSAT van 65,0%. Dat is een coachingkans op zowel efficiëntie als servicekwaliteit.
31.378 tickets met 88,5% first response SLA, 95,6% resolution SLA en 83,5% CSAT. Dit is de sterkste queue op elk meetpunt. Het L1-draaiboek moet gedocumenteerd en waar mogelijk gerepliceerd worden. De L2-queue verwerkt 7.889 tickets met een CSAT van 65,3%, wat aangeeft dat het escalatiepad aandacht nodig heeft.
118.217 Information-level alerts van 135.387 totaal. Slechts 3 daarvan werden een ticket. Dit is normaal voor RMM-systemen, maar het betekent dat je alert-dashboard voor 87% ruis is. Overweeg Information-alerts te onderdrukken of automatisch op te lossen om alert fatigue te verminderen en engineers te laten focussen op de 12,7% die ertoe doet.
De Totaal Tickets metric wordt afgeleid uit het onderliggende Power BI dataset met DAX queries. Het aggregeert data over de rapportageperiode voor een geconsolideerd overzicht van totaal tickets performance.
Dit rapport haalt operationele data op uit Autotask PSA, Datto RMM, Datto Backup via de Proxuma Power BI integratie. De analyse dekt de standaard rapportageperiode en bevat alle actieve records die aan de rapportcriteria voldoen.
Bekijk de specifieke datapunten in deze sectie en vergelijk ze met je operationele context. Gebruik het rapport als startpunt voor teamdiscussies en prioritering van vervolgacties.
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