2018 så os solidt etableret - IT Service Management (ITSM) og IT Services er stadig i gang, på trods af løbende snak om, hvor længe de vil overleve den digitale revolution. Faktisk vokser efterspørgslen efter tekniske supporttjenester - i den tekniske supportrapport og lønrapporten (Help Desk Institute) 2017-rapporten viser, at 55 % af helpdesks har rapporteret en stigning i billetvolumen i løbet af det seneste år.
På den anden side noterede mange virksomheder et fald i mængden af opkald til teknisk support sidste år (15 %) sammenlignet med 2016 (10 %). Den nøglefaktor, der bidrog til reduktionen i antallet af anmodninger, var uafhængig teknisk support. HDI rapporterer dog også, at ansøgningsgebyret steg til $25 sidste år, op fra $18 i 2016. Det er ikke det, de fleste it-afdelinger stræber efter. Heldigvis kan automatisering drevet af analyser og maskinlæring forbedre helpdesk-processer og produktivitet ved at reducere fejl og forbedre kvalitet og hastighed. Nogle gange er dette ud over menneskelige muligheder, og maskinlæring og analyse er nøglefundamentet for en intelligent, proaktiv og lydhør it-servicedesk.
Denne artikel ser nærmere på, hvordan maskinlæring kan løse mange af de helpdesk- og ITSM-udfordringer, der er forbundet med billetvolumen og -omkostninger, og hvordan man kan skabe en hurtigere, mere automatiseret helpdesk, som virksomhedens medarbejdere nyder at bruge.
Effektiv ITSM gennem maskinlæring og analyse
Min yndlingsdefinition af maskinlæring kommer fra virksomheden :
"Maskinlæring lærer computere at gøre det, der falder naturligt for mennesker og dyr - lær af erfaring. Maskinlæringsalgoritmer bruger beregningsmetoder til at lære information direkte fra data uden at stole på en foruddefineret ligning som model. Algoritmer forbedrer adaptivt deres egen ydeevne, efterhånden som antallet af tilgængelige prøver til undersøgelse stiger."
Følgende funktioner er tilgængelige for nogle ITSM-værktøjer baseret på maskinlæring og big data-analyse:
- Support via bot. Virtuelle agenter og chatbots kan automatisk foreslå nyheder, artikler, tjenester og supporttilbud fra datakataloger og offentlige anmodninger. Denne 24/7 support i form af slutbrugertræningsprogrammer hjælper med at løse problemer meget hurtigere. De vigtigste fordele ved botten er en forbedret brugergrænseflade og færre indgående opkald.
- Smarte nyheder og notifikationer. Disse værktøjer giver brugerne mulighed for proaktivt at blive underrettet om potentielle problemer. Derudover kan it-professionelle anbefale løsninger til at løse problemer gennem personlige meddelelser, der giver slutbrugere relevante og handlingsrettede oplysninger om problemer, de kan støde på, samt tips til, hvordan man undgår dem. Informerede brugere vil sætte pris på proaktiv it-support, og antallet af indgående opkald vil blive reduceret.
- Smart søgning. Når slutbrugere søger efter information eller tjenester, kan et kontekstbevidst videnstyringssystem give anbefalinger, artikler og links. Slutbrugere har en tendens til at springe nogle resultater over til fordel for andre. Disse klik og visninger er inkluderet i "vægtnings"-kriterierne ved genindeksering af indhold over tid, så søgeoplevelsen justeres dynamisk. Da slutbrugere giver feedback i form af like/dislike afstemning, påvirker det også rangeringen af det indhold, de og andre brugere kan finde. Med hensyn til fordele kan slutbrugere finde svar hurtigt og føle sig mere selvsikre, og helpdesk-agenter er i stand til at håndtere flere billetter og opnå flere serviceniveauaftaler (SLA'er).
- Analyse af populære emner. Her identificerer analysemuligheder mønstre på tværs af strukturerede og ustrukturerede datakilder. Information om populære emner vises grafisk i form af et varmekort, hvor størrelsen af segmenterne svarer til hyppigheden af bestemte emner eller grupper af søgeord, som brugerne efterspørger. Gentagne hændelser vil blive opdaget øjeblikkeligt, grupperet og løst sammen. Trending Topic Analytics registrerer også hændelsesklynger med en fælles rodårsag og reducerer tiden betydeligt til at identificere og løse rodproblemet. Teknologien kan også automatisk skabe videnbaseartikler baseret på lignende interaktioner eller lignende problemer. At finde tendenser i enhver data øger IT-afdelingens aktivitet, forhindrer gentagelse af hændelser og øger derfor slutbrugertilfredsheden, samtidig med at IT-omkostningerne reduceres.
- Smarte applikationer. Slutbrugere forventer, at det er lige så nemt at indsende en billet som at skrive et tweet – en kort besked på naturligt sprog, der beskriver et problem eller en anmodning, der kan sendes via e-mail. Eller endda bare vedhæft et billede af problemet og send det fra din mobilenhed. Smart billetregistrering fremskynder billetoprettelsesprocessen ved automatisk at udfylde alle felter baseret på, hvad slutbrugeren skrev, eller en scanning af et billede, der er behandlet ved hjælp af software til optisk tegngenkendelse (OCR). Ved hjælp af et sæt observationsdata kategoriserer og dirigerer teknologien automatisk billetter til de relevante helpdesk-agenter. Agenter kan videresende billetter til forskellige supportteams og kan overskrive automatisk udfyldte felter, hvis maskinlæringsmodellen ikke er optimal for en given sag. Systemet lærer af nye mønstre, som gør, at det bedre kan håndtere problemer, der opstår i fremtiden. Alt dette betyder, at slutbrugere kan åbne billetter hurtigt og nemt, hvilket resulterer i øget tilfredshed ved brug af arbejdsredskaber. Denne egenskab reducerer også manuelt arbejde og fejl og hjælper med at reducere tid og omkostninger.
- Smart e-mail. Dette værktøj ligner smarte ordrer. Slutbrugeren kan sende en e-mail til supportteamet og beskrive problemet i naturligt sprog. Helpdesk-værktøjet genererer en billet baseret på e-mail-indholdet og svarer automatisk til slutbrugeren med links til foreslåede løsninger. Slutbrugerne er tilfredse, fordi det er nemt og bekvemt at åbne billetter og forespørgsler, og it-agenter har mindre manuelt arbejde at udføre.
- Smart forandringsledelse. Maskinlæring understøtter også avanceret analyse og forandringsledelse. I betragtning af det hyppige antal ændringer, som virksomheder kræver i dag, kan intelligente systemer give forandringsagenter eller ledere forslag, der sigter mod at optimere miljøet og øge succesraten for ændringer i fremtiden. Agenter kan beskrive nødvendige ændringer i naturligt sprog, og analysefunktioner vil kontrollere indholdet for berørte konfigurationselementer. Alle ændringer er reguleret, og automatiske indikatorer fortæller forandringslederen, hvis der er problemer med ændringen, såsom risiko, planlægning i et uplanlagt vindue eller "ikke godkendt" status. Den vigtigste fordel ved smart ændringsstyring er hurtigere tid til værdi med færre konfigurationer, tilpasninger og i sidste ende færre penge brugt.
I sidste ende transformerer maskinlæring og analyse ITSM-systemer med intelligente antagelser og anbefalinger om billetproblemer og forandringsprocessen, der hjælper agenter og it-supportteams med at beskrive, diagnosticere, forudsige og foreskrive, hvad der er sket, hvad der sker, og hvad der vil ske. Slutbrugere får proaktiv, personlig og dynamisk indsigt og hurtige løsninger. I dette tilfælde sker meget automatisk, dvs. uden menneskelig indblanding. Og som teknologien lærer over tid, bliver processer kun bedre. Det er vigtigt at bemærke, at alle de smarte funktioner, der er beskrevet i denne artikel, er tilgængelige i dag.
Kilde: www.habr.com