V roce 2018 jsme si pevně upevnili své pozice – služby pro správu IT služeb (ITSM) a služby IT služeb nadále fungují, i přes neustálé debaty o tom, jak dlouho ještě vydrží v době digitální revoluce. Opravdu, poptávka po službách technické podpory roste – ve Zprávě o technické podpoře a Zprávě o mzdách (Help Desk Institute) za rok 2017 uvádí, že 55 % služeb technické podpory zaznamenalo zvýšení objemu žádostí za poslední rok.
Na druhou stranu mnoho firem zaznamenalo pokles objemu žádostí o technickou podporu v minulém roce (15 %) ve srovnání se rokem 2016 (10 %). Klíčovým faktorem, který přispěl k poklesu počtu žádostí, byla samoobslužná technická podpora. Přesto HDI také hlásí, že v minulém roce cena žádosti vzrostla na 25 USD ve srovnání s 18 USD v roce 2016. To není to, po čem touží většina služeb IT. Naštěstí automatizace na základě analýzy a strojového učení může zlepšit procesy a výkon podpory tím, že sníží počet chyb a zvýší kvalitu a rychlost. Někdy to přesahuje lidské možnosti, přičemž strojové učení a analýza jsou klíčovým základem pro inteligentní, vstřícnou a operativní IT podporu.
V tomto článku je podrobněji prozkoumáno, jak může strojové učení vyřešit mnoho problémů služeb podpory a ITSM, týkajících se objemů a nákladů žádostí, a jak vytvořit rychlejší a automatizovanou podporu, kterou budou zaměstnanci rádi používat.
Efektivní ITSM prostřednictvím strojového učení a analýzy
Mou oblíbenou definici strojového učení poskytuje společnost :
"Strojové učení učí počítače dělat to, co je přirozené pro lidi a zvířata – učit se z vlastní zkušenosti. Algoritmy strojového učení používají výpočetní metody k učení z informací přímo z dat, aniž by se spoléhaly na předem stanovenou rovnici jako model. Algoritmy adaptivně zlepšují svou efektivitu s rostoucím počtem dostupných vzorků k prozkoumání."
Následující možnosti jsou k dispozici pro některé ITSM nástroje založené na technologiích strojového učení a analýze velkých dat:
- Podpora prostřednictvím bota. Virtuální agenti a chatboti mohou automaticky nabízet zprávy, články, služby a nabídky podpory z databází a veřejných žádostí. Tento 24/7 support ve formě navrhovaných školení pro koncové uživatele pomáhá rychleji řešit problémy. Klíčovými výhodami bota jsou vylepšené uživatelské rozhraní a menší počet příchozích žádostí.
- Chytré zprávy a oznámení. Tyto nástroje umožňují předem informovat uživatele o potenciálních problémech. IT specialisté mohou také doporučit alternativní řešení problémů prostřednictvím personalizovaných oznámení, která poskytují koncovým uživatelům aktuální a užitečné informace o problémech, s nimiž se mohou setkat, a rady, jak se jim vyhnout. Informovaní uživatelé ocení aktivní IT podporu a počet příchozích žádostí se sníží.
- Chytré vyhledávání. Když koncoví uživatelé hledají informace nebo služby, kontextově závislý systém správy znalostí může poskytovat doporučení, články a odkazy. Koncoví uživatelé obvykle přehlížejí část výsledků, preferující jiné. Tyto kliknutí a počet zobrazení jsou zahrnuty do kritérií „vážení“ při opětovné indexaci obsahu v průběhu času, takže vyhledávací možnosti se dynamicky nastavují. Jelikož koncoví uživatelé poskytují zpětnou vazbu ve formě pozitivního/negativního hodnocení, ovlivňuje to také hodnocení obsahu, který mohou nalézt oni i ostatní uživatelé. Z hlediska výhod může být koncovým uživatelům rychleji nalézt odpovědi a cítit se sebevědomě, zatímco podpora může zpracovávat více žádostí a dosáhnout více dohod o kvalitě poskytovaných služeb (SLA).
- Analytika populárních témat. Zde analytické možnosti odhalují vzorce ve strukturovaných a nestrukturovaných zdrojích dat. Informace o populárních tématech je graficky zobrazena ve formě tepelné mapy, kde velikost segmentů odpovídá četnosti určitých témat nebo skupin klíčových slov, o které mají uživatelé zájem. Opakující se incidenty budou okamžitě odhaleny, seskupeny a vyřešeny společně. Analytika populárních témat také odhaluje incidentní klastry s obvyklou příčinou a výrazně zkracuje čas potřebný k identifikaci a řešení hlavního problému. Technologie také může automaticky vytvářet články v databázi znalostí založené na podobných interakcích nebo podobných problémech. Hledání trendů v jakýchkoliv datech zvyšuje aktivitu IT oddělení, zabraňuje opakování incidentů a tím zvyšuje spokojenost koncových uživatelů a současně snižuje náklady na IT.
- Chytré žádosti. Koncoví uživatelé očekávají, že podání žádosti bude stejně snadné jako napsání tweetu, konkrétně - krátké zprávy v přirozeném jazyce popisující problém nebo žádost, kterou lze odeslat e-mailem. Nebo dokonce jen připojit fotografii závady a odeslat ji z mobilního zařízení. Registrace chytré žádosti urychluje proces vytváření podání tím, že automaticky vyplňuje všechna pole na základě toho, co napsal koncový uživatel nebo skenu obrázku zpracovaného pomocí programu pro optické rozpoznávání znaků (OCR). Pomocí souboru datových pozorování technologie automaticky klasifikuje a adresuje žádosti příslušným agentům podpory. Agenti mohou přeposílat žádosti různým podporným skupinám a mohou přepsat automaticky vyplněná pole, pokud se model strojového učení neukáže jako optimální pro daný případ. Systém se učí z nových vzorků, což umožňuje lépe se vypořádat s vznikajícími problémy v budoucnu. To vše znamená, že koncoví uživatelé mohou snadno a rychle otevírat žádosti, což vede k vyšší spokojenosti při používání pracovních nástrojů. Tato možnost také snižuje objem ruční práce a chyby a pomáhá zkrátit čas a náklady na řešení.
- Chytrý e-mail. Tento nástroj připomíná chytré žádosti. Koncový uživatel může poslat e-mail na podporu a popsat problém v přirozeném jazyce. Nástroj podpory vytváří žádost na základě obsahu e-mailu a také automaticky odpovídá koncovému uživateli s odkazy na navrhovaná řešení. Koncoví uživatelé jsou spokojeni, protože otevírání žádostí a požadavků je snadné a pohodlné, zatímco IT agenti mají méně ruční práce.
- Chytré řízení změn. Strojové učení také podporuje moderní analytiku a řízení změn. Vzhledem k častým změnám, které dnes podniky vyžadují, mohou inteligentní systémy poskytovat agentům nebo manažerům změn návrhy zaměřené na optimalizaci prostředí a zvýšení procenta úspěšných změn v budoucnu. Agenti mohou popisovat potřebné změny přirozeným jazykem, zatímco analytické možnosti zkontrolují obsah na přítomnost dotčených konfigurací. Všechny změny jsou regulovány a automatické indikátory informují manažera změn o případných problémech se změnou, jako je riziko, plánování v neplánovaném okně nebo status „neschváleno“. Klíčovou výhodou chytrého řízení změn je rychlejší návratnost investic s menším množstvím konfigurací, nastavení a nakonec nižšími náklady.
V konečném důsledku strojové učení a analytika proměňují systémy ITSM prostřednictvím inteligentních předpokladů a doporučení ohledně problémů se žádostmi a procesem změn, které pomáhají agentům a IT podporným týmům popisovat, diagnostikovat, předpovídat a nařizovat, co se stalo, co se děje a co se stane. Koneční uživatelé dostávají proaktivní, osobní a dynamické analytické hodnocení a rychlá řešení. Mnoho z toho se děje automaticky, tedy bez účasti člověka. A protože technologie se učí s postupem času, procesy se jen zlepšují. Je důležité si uvědomit, že všechny inteligentní funkce popsané v tomto článku jsou dostupné již dnes.
Zdroj: habr.com
