Dit rapport combineert Microsoft 365 licentiedata, Datto RMM alert volume en Autotask ticket metrics in één overhead-score per klant. Het doel: in kaart brengen welke klanten de meeste operationele middelen verbruiken over alle drie de systemen, en of die overhead in lijn is met SLA-prestaties. Drie databronnen, één vraag voor de CFO: waar zit de werkelijke kost geconcentreerd?
Dit rapport combineert Microsoft 365 licentiedata, Datto RMM alert volume en Autotask ticket metrics in één overhead-score per klant. Het doel: in kaart brengen welke klanten de meeste operationele middelen verbruiken over alle drie de systemen, en of die overhead in lijn is met SLA-prestaties. Drie databronnen, één vraag voor de CFO: waar zit de werkelijke kost geconcentreerd?
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 service delivery leads
Hoe vaak: Maandelijks for client reviews, quarterly for QBRs, op aanvraag when client signals change
Dit rapport combineert Microsoft 365 licentiedata, Datto RMM alert volume en Autotask ticket metrics in één overhead-score per klant. Het doel: in kaart brengen welke klanten de meeste operationele middelen verbruiken over alle drie de systemen, en of die overhead in lijn is met SLA-prestaties. Drie databronnen, één vraag voor de CFO: waar zit de werkelijke kost geconcentreerd?
Licenties domineren de ruwe aantallen omdat ze gratis en trial-SKU's bevatten uit de M365-tenantpool. De echte operationele kosten zitten in de 135.387 RMM alerts en 67.521 tickets. Elke alert die niet automatisch wordt opgelost en elk ticket dat handmatige afhandeling vereist, vertaalt zich in technicustijd. Bij een gemiddelde van 0,49 uur per ticket vertegenwoordigt de totale ticketbelasting alleen al zo'n 33.085 uur aan arbeid.
EVALUATE ROW(
"TotalLicenses", [Total Licenses],
"LicenseUtil", [License Utilization %],
"ActiveUsers", [Active Users],
"TotalAlerts", COUNTROWS(BI_Datto_Rmm_Alerts),
"TotalTickets", [Tickets - Count - Created],
"OpenTickets", [Open Tickets (Current)],
"AvgHours", [Tickets - Avg Hours Per Ticket]
)| Klant | Licenties | Alerts | Tickets | Overhead-Score |
|---|---|---|---|---|
| Client A | 20.403 | 3.838 | 5.290 | 29.531 |
| Client B | 0 | 26.873 | 2.775 | 29.648 |
| Client C | 0 | 9.307 | 5.458 | 14.765 |
| Client D | 0 | 7.430 | 1.803 | 9.233 |
| Client E | 0 | 2.033 | 6.381 | 8.414 |
| Client F | 1.513 | 4.086 | 2.180 | 7.779 |
| Client G | 0 | 5.032 | 2.376 | 7.408 |
| Client H | 0 | 3.437 | 1.758 | 5.195 |
| Client I | 0 | 2.646 | 1.002 | 3.648 |
Client B leidt op alerts (26.873) terwijl Client A leidt op licentieaantal (20.403) en tickets (5.290). Deze twee klanten samen zijn goed voor zo'n 59.179 overhead-eenheden, een forse concentratie van operationele middelen in slechts twee accounts.
Client E is een opvallende uitschieter: laag alert-aantal (2.033) maar het hoogste ticketvolume met 6.381. Dit patroon wijst erop dat hun problemen als tickets binnenkomen in plaats van als geautomatiseerde alerts. Dat duidt op eindgebruiker-gemelde problemen of een andere monitoringconfiguratie voor dat account.
EVALUATE TOPN(10,
ADDCOLUMNS(
SUMMARIZECOLUMNS(
BI_Autotask_Companies[company_name],
"Licenses", [Total Licenses],
"Alerts", COUNTROWS(BI_Datto_Rmm_Alerts),
"Tickets", [Tickets - Count - Created]
),
"OverheadScore", [Licenses] + [Alerts] + [Tickets]
),
[OverheadScore], DESC
)| Klant | Licenties | Alerts | Tickets | Gem. Uren/Ticket | Open |
|---|---|---|---|---|---|
| Client A | 20.403 | 3.838 | 5.290 | 0,58 | 40 |
| Client B | 0 | 26.873 | 2.775 | 0,74 | 33 |
| Client C | 0 | 9.307 | 5.458 | 0,66 | 65 |
| Client E | 0 | 2.033 | 6.381 | 0,17 | 113 |
| Client G | 0 | 5.032 | 2.376 | 0,62 | 20 |
| Client F | 1.513 | 4.086 | 2.180 | 0,38 | 25 |
| Client D | 0 | 7.430 | 1.803 | 0,53 | 20 |
| Client H | 0 | 3.437 | 1.758 | 0,69 | 13 |
| Client J | 0 | 1.486 | 1.629 | 0,58 | 18 |
| Client K | 0 | 1.531 | 1.481 | 0,13 | 4 |
Client E valt op met 113 open tickets, de grootste achterstand in de dataset. Ondanks slechts 2.033 alerts wijzen hun 6.381 totale tickets bij 0,17 uur per stuk op een hoog volume aan snelle taken die zich snel opstapelen. De lage uren-per-ticket waarde duidt erop dat het grotendeels routinewerkzaamheden zijn, maar het open-aantal betekent dat het team ze niet snel genoeg afsluit.
Client B heeft het hoogste gemiddelde aantal uren per ticket met 0,74, wat betekent dat elk ticket van dat account zo'n 44 minuten kost. Gecombineerd met 26.873 RMM alerts vertegenwoordigt deze klant een consistent zware workload op zowel monitoring als dienstverlening.
| Company | Tickets | Time Entries | Hours |
|---|---|---|---|
| Rivers, Rogers and Mitchell | 6,381 | 2,970 | 1,662 |
| Craig-Huynh | 5,458 | 7,466 | 4,370 |
| Little Group | 5,290 | 6,176 | 3,791 |
| Martin Group | 2,775 | 3,065 | 2,217 |
| Wall PLC | 2,376 | 4,300 | 1,697 |
| Blanchard-Glenn | 2,364 | 47 | 9 |
| Price-Gomez | 2,180 | 2,340 | 865 |
| Thompson et al | 1,803 | 2,028 | 1,006 |
| Lewis LLC | 1,758 | 3,522 | 2,801 |
| Ramos Group | 1,728 | 1,892 | 1,171 |
Client E bevestigt het patroon uit sectie 5.0. Met de grootste open achterstand (113 tickets) en de slechtste SLA-cijfers (43,2% eerste reactie, 79,3% oplossing) is deze klant zowel hoog in volume als onderbedeeld. Hun overhead is niet alleen een kostenprobleem. Het is een risico voor de dienstverlening.
Client D en Client B laten allebei eerste reactie-percentages zien onder de 76%. Dit zijn klanten met hoge overhead-scores en dalende SLA-prestaties, wat betekent dat de operationele belasting al invloed heeft op de servicekwaliteit.
EVALUATE TOPN(10, SUMMARIZECOLUMNS('BI_Autotask_Companies'[company_name], "Tickets", COUNTROWS('BI_Autotask_Tickets'), "TimeEntries", COUNTROWS('BI_Autotask_Time_Entries'), "HoursWorked", SUM('BI_Autotask_Time_Entries'[hours_worked])), [Tickets], DESC)De samenstelling laat heel verschillende overhead-profielen zien. Client B is bijna volledig alert-gedreven (90,6% van hun overhead komt uit RMM), terwijl Client E ticket-gedreven is (75,8% tickets). Client A is de enige met een noemenswaardig licentiecomponent, met 20.403 M365 licenties die 69% van hun overhead uitmaken.
Dit is relevant voor capaciteitsplanning. Alert-zware klanten hebben monitoring-tuning en automatisering nodig. Ticket-zware klanten hebben procesverbeteringen en capaciteitstoewijzing nodig. Licentie-zware klanten hebben provisioning-reviews nodig.
Dit is de slechtste combinatie in de dataset: de grootste open ticket-achterstand en de laagste SLA-prestaties. De 0,17 uur per ticket wijst erop dat het grotendeels snelle taken zijn, dus het probleem is doorvoercapaciteit, niet complexiteit. Het toewijzen van een dedicated resource of het draaien van een achterstand-sprint zou het directe risico aanpakken.
Deze ene klant is verantwoordelijk voor zo'n 20% van alle RMM alerts in de dataset. Bij 0,74 uur per ticket en een eerste reactie-percentage van 73,7% draagt het alert volume vrijwel zeker bij aan SLA-druk. Het herzien van alert-drempels en onderdrukkingsregels voor dit account kan de ruis flink terugdringen.
Client A (29.531) en Client B (29.648) vertegenwoordigen samen een buitenproportioneel deel van de operationele belasting. De volgende vraag is of dit ook je klanten met de hoogste omzet zijn. Als dat zo is, kan de overhead gerechtvaardigd zijn. Zo niet, dan is er een margeprobleem om op te lossen.
Terwijl eerste reactie-percentages sterk varieren (43% tot 98%), blijven oplossingspercentages boven de 86% voor 9 van de 10 topklanten. Het team krijgt tickets uiteindelijk opgelost, maar de initiele reactietijd is waar de servicekwaliteit daalt. Het verbeteren van triage-snelheid en auto-toewijzing zou dit gat dichten.
De overhead-score is de simpele som van het Microsoft 365 licentieaantal, het Datto RMM alert-aantal en het Autotask ticketaantal van een klant. Het is geen financiele berekening. Het dient als indicator voor operationele aandacht: hoe hoger het getal, hoe meer middelen die klant verbruikt op het gebied van provisioning, monitoring en dienstverlening. De score is het meest bruikbaar voor relatieve vergelijkingen tussen klanten, niet als absoluut kostenbedrag.
Een nul in de licentiekolom betekent dat het Autotask bedrijfsrecord van die klant nog niet is gekoppeld aan een Microsoft 365 tenant via de Bridge_All_Companies tabel. De klant heeft waarschijnlijk wel M365 licenties, maar de datakoppeling is nog niet ingericht. Dit is een data-integratiegat, geen indicatie dat de klant zonder licenties werkt.
De measure [Tickets - Avg Hours Per Ticket] deelt het totaal aan declarabele en niet-declarabele uren op tickets door het aantal aangemaakte tickets. Een waarde van 0,49 betekent dat een gemiddeld ticket zo'n 29 minuten aan gelogde tijd kost. Dit omvat alle tickettypes: incidenten, serviceverzoeken en wijzigingsverzoeken. Zeer lage waarden (onder 0,20) duiden meestal op geautomatiseerde of bulk-aangemaakte tickets met minimale handmatige inspanning.
De eerste reactie SLA is behaald wanneer een technicus de eerste communicatie naar de klant stuurt of de ticketstatus bijwerkt binnen het afgesproken reactievenster. Het percentage geeft het aandeel tickets weer waarbij deze drempel is gehaald. Een percentage onder 70% betekent dat meer dan een op de drie tickets geen tijdige eerste reactie kreeg, wat direct de klantperceptie van supportkwaliteit beinvloedt.
Begin met het categoriseren van alerts voor de topklant op type (schijf, CPU, geheugen, offline, patch). Bepaal vervolgens welke alert-categorieen het meeste volume genereren met de minste ticketconversies. Dat zijn je ruiskandidaten. Veelvoorkomende oplossingen zijn het ophogen van drempels voor schijfruimtewaarschuwingen, het onderdrukken van bekende tijdelijke CPU-pieken en het groeperen van gerelateerde alerts tot een enkel incident. Datto RMM ondersteunt alert-onderdrukkingsregels per locatie of apparaat, zodat je kunt afstemmen zonder andere klanten te beinvloeden.
Ja. Alle DAX queries in dit rapport draaien tegen het live Power BI semantisch model via de MCP-server. Een geplande maandelijkse run zou de overhead-scores herberekenen met actuele data, zodat je kunt volgen of de operationele belasting verschuift tussen klanten in de loop van de tijd. Het generatieproces duurt minder dan 15 minuten, dus een maandelijkse cadans voegt minimale overhead toe aan je eigen operatie.
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