2018 vidis nin firme establitaj - IT Service Management (ITSM) kaj IT Services daŭre estas en komerco, malgraŭ daŭra parolado pri kiom longe ili postvivos la ciferecan revolucion. Ja la postulo pri teknikaj helpservoj kreskas – en la Raporto pri Teknika Subteno kaj la Salajra Raporto (Help Desk Institute) 2017 raporto indikas ke 55% de helpservoj raportis pliiĝon en biletvolumeno dum la pasinta jaro.
Aliflanke, multaj kompanioj rimarkis malpliiĝon de la volumo de vokoj al teknika subteno pasintjare (15%) kompare kun 2016 (10%). La ŝlosila faktoro kontribuanta al la redukto de la nombro da petoj estis sendependa teknika subteno. Tamen, HDI ankaŭ raportas, ke la aplikaĵa kotizo altiĝis al $25 pasintjare, pli ol $18 en 2016. Ne ĉi tio strebas plej multaj IT-fakoj. Feliĉe, aŭtomatigo funkciigita de analizoj kaj maŝinlernado povas plibonigi helpajn procezojn kaj produktivecon reduktante erarojn kaj plibonigante kvaliton kaj rapidecon. Kelkfoje ĉi tio superas homajn kapablojn, kaj maŝinlernado kaj analizo estas la ŝlosila fundamento por inteligenta, iniciatema kaj respondema IT-helpoficejo.
Ĉi tiu artikolo pli detale rigardas kiel maŝinlernado povas solvi multajn el la helpservo kaj ITSM-defioj asociitaj kun biletvolumo kaj kosto, kaj kiel krei pli rapidan, pli aŭtomatigitan helpservon, kiun dungitoj de entreprenoj ĝuas uzi.
Efika ITSM per maŝinlernado kaj analizo
Mia plej ŝatata difino de maŝinlernado venas de la kompanio :
“Maŝina lernado instruas komputilojn fari tion, kio venas nature al homoj kaj bestoj—lerni de sperto. Maŝinlernado-algoritmoj uzas komputilajn metodojn por lerni informojn rekte de datenoj, sen fidi je antaŭdifinita ekvacio kiel modelo. Algoritmoj adapte plibonigas sian propran efikecon kiam la nombro da specimenoj disponeblaj por studado pliiĝas."
La sekvaj kapabloj disponeblas por iuj ITSM-iloj bazitaj sur maŝinlernado kaj analizo de grandaj datumoj:
- Subteno per bot. Virtualaj agentoj kaj babilrotoj povas aŭtomate sugesti novaĵojn, artikolojn, servojn kaj subtenofertojn de datumkatalogoj kaj publikaj petoj. Ĉi tiu 24/7 subteno en la formo de finuzantaj trejnadprogramoj helpas solvi problemojn multe pli rapide. La ĉefaj avantaĝoj de la roboto estas plibonigita uzantinterfaco kaj malpli da envenantaj vokoj.
- Inteligentaj novaĵoj kaj sciigoj. Ĉi tiuj iloj permesas al uzantoj esti iniciateme sciigitaj pri eblaj problemoj. Krome, IT-profesiuloj povas rekomendi solvojn por solvi problemojn per personigitaj sciigoj, kiuj provizas finajn uzantojn per rilataj kaj ageblaj informoj pri problemoj, kiujn ili povas renkonti, kaj ankaŭ konsilojn pri kiel eviti ilin. Informitaj uzantoj aprezos iniciateman IT-subtenon kaj la nombro da envenantaj petoj estos reduktita.
- Saĝa serĉo. Kiam finuzantoj serĉas informojn aŭ servojn, kunteksta konscia administradsistemo povas disponigi rekomendojn, artikolojn kaj ligilojn. Finaj uzantoj emas preterlasi iujn rezultojn favore al aliaj. Ĉi tiuj klakoj kaj vidoj estas inkluzivitaj en la "pezaj" kriterioj kiam reindeksado de enhavo laŭlonge de la tempo, do la serĉa sperto estas dinamike ĝustigita. Ĉar finaj uzantoj donas sugestojn en la formo de ŝata/malŝati voĉdonadon, ĝi ankaŭ influas la rangon de la enhavo kiun ili kaj aliaj uzantoj povas trovi. Koncerne avantaĝojn, finaj uzantoj povas trovi respondojn rapide kaj senti sin pli memcerta, kaj helpaj agentoj kapablas pritrakti pli da biletoj kaj atingi pli da servonivelaj interkonsentoj (SLA).
- Analizo de popularaj temoj. Ĉi tie, analizaj kapabloj identigas ŝablonojn tra strukturitaj kaj nestrukturitaj datumfontoj. Informoj pri popularaj temoj estas grafike montrataj en formo de varmmapo, kie la grandeco de la segmentoj respondas al la ofteco de certaj temoj aŭ grupoj de ŝlosilvortoj postulataj de uzantoj. Ripetaj okazaĵoj estos tuj detektitaj, grupigitaj kaj solvitaj kune. Trending Topic Analytics ankaŭ detektas okazaĵajn aretojn kun komuna radika kaŭzo kaj signife reduktas la tempon por identigi kaj solvi la radikan problemon. La teknologio ankaŭ povas aŭtomate krei scibazajn artikolojn bazitajn sur similaj interagoj aŭ similaj temoj. Trovi tendencojn en iuj datumoj pliigas la agadon de IT-sekcio, malhelpas ripetiĝon de okazaĵoj kaj tial pliigas kontentigon de la finuzanto dum redukto de IT-kostoj.
- Inteligentaj aplikoj. Finaj uzantoj atendas, ke sendi bileton estas tiel facila kiel skribi Tweet—mallonga, naturlingva mesaĝo priskribanta problemon aŭ peton, kiu povas esti sendita per retpoŝto. Aŭ eĉ simple aldonu foton de la problemo kaj sendu ĝin de via poŝtelefono. Inteligenta biletregistrado plirapidigas la biletkreadprocezon aŭtomate popolante ĉiujn kampojn surbaze de tio, kion skribis la finuzanto aŭ skanado de bildo prilaborita per optika karaktero rekono (OCR) programaro. Uzante aron da observaj datumoj, la teknologio aŭtomate klasifikas kaj sendas biletojn al la taŭgaj helpservo agentoj. Agentoj povas plusendi biletojn al malsamaj subtenaj teamoj kaj povas anstataŭigi aŭtomate plenigitajn kampojn se la maŝinlernada modelo ne estas optimuma por donita kazo. La sistemo lernas de novaj ŝablonoj, kio ebligas al ĝi pli bone trakti problemojn, kiuj aperos en la estonteco. Ĉio ĉi signifas, ke finaj uzantoj povas malfermi biletojn rapide kaj facile, rezultigante pli grandan kontenton kiam ili uzas laborilojn. Ĉi tiu kapablo ankaŭ reduktas manan laboron kaj eraron kaj helpas redukti permesi tempon kaj kostojn.
- Inteligenta retpoŝto. Ĉi tiu ilo similas al inteligentaj mendoj. La finuzanto povas sendi retmesaĝon al la subtena teamo kaj priskribi la problemon en natura lingvo. La helpa ilo generas bileton bazitan sur la retpoŝta enhavo kaj aŭtomate respondas al la finuzanto per ligiloj al proponitaj solvoj. Finaj uzantoj estas kontentaj ĉar malfermi biletojn kaj petojn estas facila kaj oportuna, kaj IT-agentoj havas malpli manan laboron por fari.
- Inteligenta ŝanĝadministrado. Maŝina lernado ankaŭ subtenas altnivelan analizon kaj ŝanĝadministradon. Konsiderante la oftan nombron da ŝanĝoj, kiujn entreprenoj postulas hodiaŭ, inteligentaj sistemoj povas provizi ŝanĝagentojn aŭ administrantojn per sugestoj celantaj optimumigi la medion kaj pliigi la sukcesprocenton de ŝanĝoj en la estonteco. Agentoj povas priskribi postulatajn ŝanĝojn en natura lingvo, kaj analizaj kapabloj kontrolos la enhavon por tuŝitaj agordaj eroj. Ĉiuj ŝanĝoj estas reguligitaj, kaj aŭtomataj indikiloj diras al la ŝanĝadministranto se ekzistas iuj problemoj kun la ŝanĝo, kiel risko, planado en neplanita fenestro aŭ "ne aprobita" statuso. La ĉefa avantaĝo de inteligenta ŝanĝadministrado estas pli rapida tempo por taksi kun malpli da agordoj, personigoj kaj finfine malpli da mono elspezita.
Finfine, maŝinlernado kaj analizo transformas ITSM-sistemojn kun inteligentaj supozoj kaj rekomendoj pri biletaj problemoj kaj la ŝanĝprocezo, kiuj helpas agentojn kaj IT-subtenteamojn priskribi, diagnozi, antaŭdiri kaj preskribi kio okazis, kio okazas kaj kio okazos. Finaj uzantoj ricevas iniciatemajn, personigitajn kaj dinamikajn komprenojn kaj rapidajn solvojn. En ĉi tiu kazo, multo estas farita aŭtomate, t.e. sen homa interveno. Kaj ĉar teknologio lernas kun la tempo, procezoj nur pliboniĝas. Gravas noti, ke ĉiuj inteligentaj funkcioj priskribitaj en ĉi tiu artikolo disponeblas hodiaŭ.
fonto: www.habr.com