Koppeling van 135.387 Datto RMM-alerts aan 67.521 Autotask-tickets om de eerste-respons- en oplossings-SLA-compliance te vergelijken tussen alerttickets en handmatig aangemaakte tickets, over alle prioriteitsniveaus.
Koppeling van 135.387 Datto RMM-alerts aan 67.521 Autotask-tickets om de eerste-respons- en oplossings-SLA-compliance te vergelijken tussen alerttickets en handmatig aangemaakte tickets, over alle prioriteitsniveaus.
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 delivery managers, operations leads, and MSP owners tracking service quality
Hoe vaak: Wekelijks for operational adjustments, monthly for client reporting, quarterly for contract reviews
Koppeling van 135.387 Datto RMM-alerts aan 67.521 Autotask-tickets om de eerste-respons- en oplossings-SLA-compliance te vergelijken tussen alerttickets en handmatig aangemaakte tickets, over alle prioriteitsniveaus.
EVALUATE
VAR RMMNumbers = SELECTCOLUMNS(
FILTER('Bridge_All_Alerts',
'Bridge_All_Alerts'[alert_type] = "Datto_RMM" &&
NOT(ISBLANK('Bridge_All_Alerts'[ticket_number])) &&
'Bridge_All_Alerts'[ticket_number] <> ""),
"tn", 'Bridge_All_Alerts'[ticket_number]
)
VAR RMMTickets = FILTER('BI_Autotask_Tickets',
'BI_Autotask_Tickets'[ticket_number] IN RMMNumbers)
RETURN
ROW(
"RMM Ticket Count", COUNTROWS(RMMTickets),
"RMM First Response %", DIVIDE(
COUNTX(FILTER(RMMTickets,
'BI_Autotask_Tickets'[first_response_met] = 1), 1),
COUNTX(FILTER(RMMTickets,
NOT(ISBLANK('BI_Autotask_Tickets'[first_response_met]))), 1)
),
"RMM Resolution %", DIVIDE(
COUNTX(FILTER(RMMTickets,
'BI_Autotask_Tickets'[resolution_met] = 1), 1),
COUNTX(FILTER(RMMTickets,
NOT(ISBLANK('BI_Autotask_Tickets'[resolution_met]))), 1)
),
"Total Alerts", COUNTROWS('BI_Datto_Rmm_Alerts')
)| Metriek | RMM | Totaal |
|---|---|---|
| Res SLA | 95.3% | 63.5% |
| FR SLA | 38.9% | 52.9% |
| Gem. Oplostijd | 2.6 uur | 18.0 uur |
RMM-alerttickets presteren op beide SLA-metrics beter dan reguliere tickets. Eerste-respons-SLA is 85,1% voor RMM-tickets vs. 79,6% voor niet-RMM. Oplossings-SLA is 96,2% vs. 88,4%. Het verschil op oplossings-SLA is bijzonder groot: bijna 8 procentpunt.
Een verklaring: RMM-alerts betreffen doorgaans specifieke, uitvoerbare problemen met een duidelijk oplossingspad. Een mislukte patch of een offline apparaat heeft een bekende fix. Door klanten gerapporteerde tickets zijn vaak vaag en vereisen meerdere heen-en-weers voordat het eigenlijke probleem überhaupt begrepen is, laat staan opgelost. Snellere diagnose leidt rechtstreeks tot snellere oplossing.
EVALUATE ROW("RMMTickets", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[source_name] = "Datto RMM"), "RMMResMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[source_name] = "Datto RMM", 'BI_Autotask_Tickets'[resolution_met] + 0 = 1), "RMMFRMet", CALCULATE(COUNTROWS('BI_Autotask_Tickets'), 'BI_Autotask_Tickets'[source_name] = "Datto RMM", 'BI_Autotask_Tickets'[first_response_met] + 0 = 1))| Prioriteit | Totaal alerts | Tickets aangemaakt | Conversieratio | Opgelost |
|---|---|---|---|---|
| Kritiek | 3.786 | 3.567 | 94,2% | 3.737 |
| Laag | 5.393 | 3.744 | 69,4% | 5.219 |
| Gemiddeld | 6.524 | 4.353 | 66,7% | 6.481 |
| Hoog | 1.467 | 541 | 36,9% | 1.397 |
| Informatie | 118.217 | 3 | ~0% | 115.184 |
Kritieke alerts worden voor 94,2% omgezet naar tickets. Dat is het juiste gedrag: vrijwel geen enkele kritieke alert gaat ongeregistreerd voorbij. Gemiddelde en lage alerts converteren rond de 67-69%, wat erop wijst dat er upstream al gefilterd wordt, vermoedelijk door auto-remediatie die het probleem oplost voordat een ticket nodig is.
Het meest opvallende getal is Hoog: slechts 36,9% van de Hoog-alerts wordt een ticket. Dat verschil verdient onderzoek. Als Hoog-alerts worden afgewezen of automatisch opgelost zonder ticketaanmaak, kunnen sommige incidenten buiten beeld blijven. De logische vervolgstap is een steekproef trekken van Hoog-alerts zonder ticket en controleren wat er daadwerkelijk mee is gebeurd.
Informatie-alerts (118.217 in totaal) genereren vrijwel geen tickets, wat precies de bedoeling is. Dit zijn statusmeldingen, geen uitvoerbare problemen. Het bijna-nul conversiepercentage hier laat zien dat de alertfiltering onderaan de ernstschaal correct werkt.
EVALUATE
SUMMARIZECOLUMNS(
'BI_Datto_Rmm_Alerts'[alert_severity],
"Total Alerts", COUNTROWS('BI_Datto_Rmm_Alerts'),
"Alerts With Ticket", COUNTROWS(
FILTER('BI_Datto_Rmm_Alerts',
NOT(ISBLANK('BI_Datto_Rmm_Alerts'[ticket_number])) &&
'BI_Datto_Rmm_Alerts'[ticket_number] <> "")
),
"Conversion Rate", DIVIDE(
COUNTROWS(FILTER('BI_Datto_Rmm_Alerts',
NOT(ISBLANK('BI_Datto_Rmm_Alerts'[ticket_number])) &&
'BI_Datto_Rmm_Alerts'[ticket_number] <> "")),
COUNTROWS('BI_Datto_Rmm_Alerts')
),
"Resolved Count", COUNTROWS(
FILTER('BI_Datto_Rmm_Alerts',
'BI_Datto_Rmm_Alerts'[resolved] = TRUE())
)
)
ORDER BY [Total Alerts] DESC91% van alle Datto RMM-alerts wordt afgehandeld zonder een Autotask-ticket aan te maken. De meeste zijn Informatie-alerts die vanzelf worden opgelost. Dat is normaal gedrag en het betekent dat de alertlaag zijn werk doet: ruis wegfilteren voordat die in de servicedeskwachtrij terechtkomt.
De kernvraag is of het conversiepercentage van 9% correct gecalibreerd is voor niet-Informatie-alerts. Voor kritieke alerts is dat 94,2%, wat klopt. Voor Hoog is het slechts 36,9%, en dat verdient aandacht. Als auto-remediatie Hoog-alerts succesvol afhandelt vóór ticketaanmaak, is dat prima en moet het worden gedocumenteerd. Als ze stil worden weggeschreven, is dat een dekkingsgat dat opgelost moet worden.
EVALUATE
VAR TotalAlerts = COUNTROWS('BI_Datto_Rmm_Alerts')
VAR WithTicket = COUNTROWS(
FILTER('BI_Datto_Rmm_Alerts',
NOT(ISBLANK('BI_Datto_Rmm_Alerts'[ticket_number])) &&
'BI_Datto_Rmm_Alerts'[ticket_number] <> "")
)
VAR WithoutTicket = TotalAlerts - WithTicket
RETURN
ROW(
"Total Alerts", TotalAlerts,
"With Ticket", WithTicket,
"Without Ticket", WithoutTicket,
"Conversion Rate", DIVIDE(WithTicket, TotalAlerts),
"No-Ticket Rate", DIVIDE(WithoutTicket, TotalAlerts)
)Zowel eerste respons (85,1% vs. 79,6%) als oplossing (96,2% vs. 88,4%) liggen hoger voor RMM-alerttickets. Het verschil op oplossings-SLA is bijna 8 procentpunt. De aanname dat geautomatiseerde tickets minder zorgvuldig worden behandeld klopt niet met de data. De specificiteit van RMM-alerts geeft technici juist een duidelijker pad naar oplossing.
94,2% van de kritieke alerts genereert een ticket. Het proces werkt aan de top van de ernstschaal: vrijwel geen enkele kritieke alert gaat ongeregistreerd voorbij. Dit is het correcte gedrag en toont aan dat het alertroutingsbeleid voor de alerts die er het meest toe doen, naar behoren functioneert.
Slechts 36,9% van de Hoog-alerts wordt een ticket. Dit is het meest onverwachte getal in de dataset, gezien het feit dat Hoog direct onder Kritiek valt in ernst. Of het nu gaat om auto-remediatie, handmatig afwijzen of een routeringsprobleem, dit verdient onderzoek. Elke Hoog-alert zonder ticket zou een gedocumenteerde reden moeten hebben.
118.217 Informatie-alerts genereerden slechts 3 tickets, waardoor de wachtrijruis uiterst laag blijft. Dit is het correcte gedrag. De alertlaag filtert statusmeldingen weg voordat ze de servicedesk bereiken, wat de algehele SLA-prestatie beschermt doordat technici niet worden begraven onder niet-uitvoerbare alerts.
RMM-alerts gaan doorgaans over specifieke, technische problemen met duidelijke herstelstappen. Een mislukte patch of een offline apparaat heeft een bekende fix. Handmatige tickets betreffen vaak onduidelijke problemen waarbij een technicus eerst moet uitzoeken wat er aan de hand is voordat hij kan beginnen. Snellere diagnose betekent snellere respons en oplossing, vandaar de betere SLA-cijfers voor alerttickets.
Het percentage alerts dat resulteert in de aanmaak van een Autotask-ticket. Hoge-ernstaerts zouden een hoge conversieratio moeten hebben; informatieve alerts een lage. De conversieratio vertelt je of je alertbeleid correct is gecalibreerd: worden de juiste alerts zichtbaar voor technici?
Meerdere verklaringen zijn mogelijk: auto-remediatiescripts die problemen oplossen vóór ticketaanmaak, alertregels die vaak triggeren en handmatig worden afgewezen, of een routeringsprobleem in je Datto RMM-alertbeleid. De logische vervolgstap is een steekproef trekken van Hoog-alerts zonder ticket en nakijken wat ermee is gebeurd. Als auto-remediatie ze heeft afgehandeld, documenteer dat. Als ze zijn afgewezen zonder review, is dat een dekkingsgat om aan te pakken.
Via de Bridge_All_Alerts-tabel in het Proxuma-datamodel, die Datto RMM-alert-UIDs koppelt aan Autotask-ticketnummers. Wanneer een alert een ticket genereert, wordt het ticketnummer opgeslagen op het alertrecord. De DAX filtert op niet-lege ticketnummers voor Datto_RMM-alertrecords en koppelt dan aan de Autotask-tickettabel om SLA-velden op te halen.
Ja. Voeg 'BI_Autotask_Tickets'[company_name] of [queue_name] toe aan de SUMMARIZECOLUMNS groupBy-kolommen in de DAX-query. Zo kun je zien of specifieke klanten of wachtrijen opvallend hoge of lage SLA-prestaties hebben op hun RMM-afkomstige tickets.
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