I 2018 konsoliderede vi vores position – IT-servicestyrings (ITSM) tjenester og IT-servicetjenester fortsætter stadig deres aktiviteter, på trods af de vedvarende snakke om, hvor længe de vil holde i den digitale revolution. Faktisk stiger efterspørgslen efter supporttjenester – i Supportrapporten og Lønrapporten. (Help Desk Institute) for 2017 angiver, at 55% af supporttjenesterne har oplevet en stigning i antallet af henvendelser det seneste år.
På den anden side har mange virksomheder rapporteret om et fald i henvendelser til supporten sidste år (15%) sammenlignet med 2016 (10%). Den vigtigste faktor, der bidrog til faldet i henvendelser, var selvhjulpet teknisk support. Alligevel rapporterer HDI også, at omkostningerne pr. henvendelse sidste år steg til 25 USD sammenlignet med 18 USD i 2016. Dette er ikke, hvad de fleste IT-tjenester stræber efter. Heldigvis kan automatisering, baseret på analyse og maskinlæring, forbedre processerne og effektiviteten i supporttjenesten ved at reducere fejl og øge kvaliteten og hastigheden. Nogle gange overstiger det menneskelige kapaciteter, og maskinlæring og analyse er en central grundlag for en intelligent, venlig og operationel IT-supporttjeneste.
Denne artikel undersøger nærmere, hvordan maskinlæring kan løse mange af de udfordringer, som supporttjenester og ITSM står overfor i forhold til henvendelsesvolumen og omkostninger, samt hvordan man kan skabe en hurtigere og mere automatiseret supporttjeneste, som medarbejdere vil glæde sig over.
Effektiv ITSM gennem maskinlæring og analyse.
Min yndlingsdefinition af maskinlæring gives af firmaet :
Maskinlæring lærer computere at gøre det, der kommer naturligt for mennesker og dyr – at lære af deres egen erfaring. Maskinlæringsalgoritmer bruger beregningsmetoder til at lære information direkte fra data, uden at stole på en forudbestemt ligning som model. Algoritmerne forbedrer deres egen effektivitet adaptivt, efterhånden som antallet af tilgængelige prøver til læring stiger.
Nedenstående muligheder er tilgængelige for nogle ITSM-værktøjer baseret på maskinlæringsteknologier og big data-analyse:
- Support via chatbot. Virtuelle agenter og chatbots kan automatisk tilbyde nyheder, artikler, tjenester og supporttilbud fra datakataloger og offentlige anmodninger. Denne døgnet-rundt support i form af foreslåede træningsprogrammer for slutbrugere hjælper med at løse problemer betydeligt hurtigere. De vigtigste fordele ved en chatbot er et forbedret brugergrænseflade og et lavere antal indgående forespørgsler.
- Smartere nyheder og notifikationer. Disse værktøjer giver mulighed for at advare brugerne om potentielle problemer på forhånd. Derudover kan it-specialister anbefale alternative løsninger ved hjælp af personaliserede notifikationer, der giver slutbrugere relevant og nyttig information om problemer, de måtte støde på, samt tips til, hvordan de kan undgå dem. Informerede brugere vil sætte pris på aktiv IT-support, hvilket vil resultere i færre indgående forespørgsler.
- Smart søgning. Når slutbrugere søger information eller tjenester, kan et kontekstafhængigt vidensstyringssystem give anbefalinger, artikler og links. Slutbrugere springer normalt en del af resultaterne over og foretrækker at klikke på andre. Disse klik og visninger indgår i kriterierne for "vægtning" ved genindeksering af indhold over tid, så søgemulighederne tilpasses dynamisk. Da slutbrugerne giver feedback i form af "like/dislike" stemmer, påvirker det også placeringen af det indhold, som de og andre brugere kan finde. Hvis vi ser på fordelene, kan slutbrugerne hurtigt finde svar og føle sig helt sikre, mens supportagenter har mulighed for at håndtere flere anmodninger og opnå flere servicelevelaftaler (SLA).
- Analyser af populære emner. Her afslører de analytiske muligheder mønstre for strukturerede og ustrukturerede datakilder. Information om populære emner vises grafisk som en varmekort, hvor størrelsen på segmenterne svarer til frekvensen af bestemte emner eller grupper af nøgleord, der efterspørges af brugerne. Gentagne hændelser opdages øjeblikkeligt, grupperes og løses sammen. Analyser af populære emner identificerer også hændelsesklustre med en fælles grundårsag og reducerer betydeligt tiden til at identificere og løse det underliggende problem. Desuden kan teknologien automatisk oprette artikler i vidensbasen baseret på lignende interaktioner eller lignende problemer. At finde trends i enhver data øger aktiviteten i IT-afdelingen, forhindrer gentagelse af hændelser og øger dermed slutbrugernes tilfredshed, samtidig med at IT-omkostningerne sænkes.
- Smart anmodninger. Slutbrugere forventer, at indsende en anmodning ikke er sværere end at skrive en tweet, nemlig – en kort besked på naturligt sprog, der beskriver problemet eller forespørgslen, som kan sendes via e-mail. Eller endda bare vedhæfte et billede af problemet og sende det fra en mobil enhed. Registrering af en smart anmodning fremskynder processen med at oprette en henvendelse ved automatisk at udfylde alle felter baseret på det, slutbrugeren har skrevet, eller et billede scannet med et optisk tegngenkendelsesprogram (OCR). Ved hjælp af et datasæt med observationer klassificerer teknologien automatisk anmodninger og adresserer dem til de relevante supportagenter. Agenterne kan videresende anmodninger til forskellige supportgrupper og kan omskrive automatisk udfyldte felter, hvis model for maskinlæring ikke har været optimal i dette tilfælde. Systemet lærer af nye mønstre, hvilket gør det bedre til at håndtere fremtidige problemer. Alt dette betyder, at slutbrugere nemt og hurtigt kan åbne anmodninger, hvilket fører til en højere tilfredshed ved brug af arbejdsredskaber. Denne funktion reducerer også manuel arbejdsmængde og fejl og hjælper med at forkorte tid og omkostninger ved løsning.
- Smart e-mail. Dette værktøj ligner smart anmodninger. Slutbrugeren kan sende en e-mail til supporten og beskrive problemet på naturligt sprog. Supportværktøjet opretter en anmodning baseret på indholdet af e-mailen og svarer automatisk slutbrugeren med links til foreslåede løsninger. Slutbrugere er tilfredse, da det er nemt og bekvemt at åbne anmodninger og forespørgsler, mens IT-agenterne har mindre manuelt arbejde.
- Smart ændringsstyring. Maskinlæring understøtter også moderne analyse og ændringsstyring. I betragtning af det hyppige antal ændringer, som virksomheder i dag kræver, kan intelligente systemer give agenter eller ændringsledere forslag til at optimere miljøet og øge procentdelen af succesfulde ændringer i fremtiden. Agenter kan beskrive nødvendige ændringer på et naturligt sprog, mens analytiske funktioner vil kontrollere indholdet for berørte konfigurationselementer. Alle ændringer er regulerede, og automatiske indikatorer informerer ændringslederen, hvis der er problemer med ændringen, såsom risiko, planlægning i et ikke-planlagt vindue eller status 'ikke godkendt'. Den centrale fordel ved smart ændringsstyring er en hurtigere tilbagebetalingstid med færre konfigurationer, indstillinger og i sidste ende lavere omkostninger.
I sidste ende omdanner maskinlæring og analyse ITSM-systemer ved hjælp af intelligente antagelser og anbefalinger om problemer med anmodninger og ændringsprocesser, der hjælper agenter og IT-supportgrupper med at beskrive, diagnosticere, forudsige og foreskrive, hvad der er sket, hvad der sker, og hvad der vil ske. Slutbrugere modtager proaktive, personlige og dynamiske analytiske vurderinger og hurtige løsninger. Meget af dette gøres automatisk, dvs. uden menneskelig indblanding. Og da teknologien lærer med tiden, bliver processerne kun bedre. Det er vigtigt at bemærke, at alle de intelligente funktioner, der er beskrevet i denne artikel, er tilgængelige allerede i dag.
Kilde: habr.com
