2018 m. buvome tvirtai įsitvirtinę – IT paslaugų valdymas (ITSM) ir IT paslaugos vis dar veikia, nepaisant nuolatinių kalbų apie tai, kiek ilgai jie išgyvens skaitmeninę revoliuciją. Išties techninės pagalbos paslaugų paklausa auga – Techninės pagalbos ataskaitoje ir Atlyginimo ataskaitoje (Help Desk Institute) 2017 m. ataskaitoje nurodoma, kad 55 % pagalbos tarnybų pranešė, kad per pastaruosius metus padidėjo bilietų kiekis.
Kita vertus, daugelis įmonių pastebėjo, kad praėjusiais metais sumažėjo skambučių į techninę pagalbą apimtys (15 proc.), palyginti su 2016 m. (10 proc.). Pagrindinis veiksnys, prisidėjęs prie užklausų skaičiaus sumažėjimo, buvo nepriklausoma techninė pagalba. Tačiau HDI taip pat praneša, kad paraiškos mokestis praėjusiais metais išaugo iki 25 USD, palyginti su 18 USD 2016 m. Dauguma IT skyrių to nesiekia. Laimei, automatizavimas, pagrįstas analitika ir mašininiu mokymusi, gali pagerinti pagalbos tarnybos procesus ir produktyvumą, nes sumažina klaidų skaičių ir pagerina kokybę bei greitį. Kartais tai viršija žmogaus galimybes, o mašininis mokymasis ir analizė yra pagrindinis protingo, iniciatyvaus ir reaguojančio IT paslaugų centro pagrindas.
Šiame straipsnyje atidžiau apžvelgiama, kaip mašininis mokymasis gali išspręsti daugelį pagalbos tarnybos ir ITSM problemų, susijusių su bilietų kiekiu ir kaina, ir kaip sukurti greitesnę, labiau automatizuotą pagalbos tarnybą, kuria mielai naudojasi įmonės darbuotojai.
Efektyvus ITSM naudojant mašininį mokymąsi ir analizę
Mano mėgstamiausias mašininio mokymosi apibrėžimas kilęs iš įmonės :
„Mašininis mokymasis moko kompiuterius daryti tai, kas žmonėms ir gyvūnams yra savaime suprantama – mokytis iš patirties. Mašininio mokymosi algoritmai naudoja skaičiavimo metodus, kad išmoktų informaciją tiesiogiai iš duomenų, nesiremdami iš anksto nustatyta lygtimi kaip modeliu. Algoritmai adaptyviai pagerina savo našumą, nes didėja tyrimams prieinamų mėginių skaičius.
Kai kuriems ITSM įrankiams, pagrįstiems mašininiu mokymusi ir didelių duomenų analize, galimos šios galimybės:
- Palaikymas per robotą. Virtualūs agentai ir pokalbių robotai gali automatiškai siūlyti naujienas, straipsnius, paslaugas ir palaikymo pasiūlymus iš duomenų katalogų ir viešųjų užklausų. Ši 24 valandas per parą, 7 dienas per savaitę teikiama pagalba galutinio vartotojo mokymo programų forma padeda daug greičiau išspręsti problemas. Pagrindiniai roboto pranašumai yra patobulinta vartotojo sąsaja ir mažesnis įeinančių skambučių skaičius.
- Išmaniosios naujienos ir pranešimai. Šie įrankiai leidžia vartotojams būti aktyviai įspėti apie galimas problemas. Be to, IT specialistai gali rekomenduoti problemų sprendimo būdus naudodamiesi suasmenintais pranešimais, kuriuose galutiniams vartotojams pateikiama svarbi ir veiksminga informacija apie problemas, su kuriomis jie gali susidurti, ir patarimai, kaip jų išvengti. Informuoti vartotojai įvertins aktyvų IT palaikymą ir sumažės gaunamų užklausų skaičius.
- Išmanioji paieška. Kai galutiniai vartotojai ieško informacijos ar paslaugų, kontekstą suvokianti žinių valdymo sistema gali pateikti rekomendacijų, straipsnių ir nuorodų. Galutiniai vartotojai linkę praleisti kai kuriuos rezultatus ir gauti kitus. Šie paspaudimai ir peržiūros įtraukiami į „svorio“ kriterijus laikui bėgant iš naujo indeksuojant turinį, todėl paieškos patirtis yra dinamiškai koreguojama. Kadangi galutiniai vartotojai pateikia atsiliepimus balsuodami kaip patinka/nepatinka, tai taip pat turi įtakos turinio, kurį jie ir kiti vartotojai gali rasti, reitingavimui. Kalbant apie naudą, galutiniai vartotojai gali greitai rasti atsakymus ir jaustis labiau pasitikintys savimi, o pagalbos tarnybos agentai gali apdoroti daugiau bilietų ir pasiekti daugiau paslaugų lygio susitarimų (SLA).
- Populiarių temų analizė. Čia analizės galimybės nustato modelius struktūrizuotuose ir nestruktūrizuotuose duomenų šaltiniuose. Informacija apie populiarias temas grafiškai atvaizduojama šilumos žemėlapio pavidalu, kur segmentų dydis atitinka tam tikrų vartotojų paklausių temų ar raktinių žodžių grupių dažnumą. Pasikartojantys incidentai bus aptikti akimirksniu, sugrupuoti ir išspręsti kartu. „Trending Topic Analytics“ taip pat aptinka incidentų grupes, turinčias bendrą pagrindinę priežastį, ir žymiai sumažina laiką, per kurį reikia nustatyti ir išspręsti pagrindinę problemą. Ši technologija taip pat gali automatiškai sukurti žinių bazės straipsnius, pagrįstus panašiomis sąveikomis ar panašiomis problemomis. Bet kokių duomenų tendencijų radimas padidina IT skyriaus aktyvumą, užkerta kelią incidentų pasikartojimui ir todėl padidina galutinio vartotojo pasitenkinimą ir sumažina IT išlaidas.
- Išmaniosios programos. Galutiniai vartotojai tikisi, kad pateikti bilietą taip pat paprasta, kaip parašyti tviterį – trumpą pranešimą natūralia kalba, kuriame aprašoma problema arba užklausa, kurią galima išsiųsti el. paštu. Arba tiesiog pridėkite problemos nuotrauką ir išsiųskite ją iš savo mobiliojo įrenginio. Išmanioji bilietų registracija pagreitina bilieto kūrimo procesą, nes automatiškai užpildo visus laukus pagal tai, ką parašė galutinis vartotojas, arba vaizdo nuskaitymą, apdorotą naudojant optinio simbolių atpažinimo (OCR) programinę įrangą. Naudodama stebėjimo duomenų rinkinį, technologija automatiškai suskirsto į kategorijas ir nukreipia bilietus į atitinkamus pagalbos tarnybos agentus. Agentai gali persiųsti bilietus skirtingoms palaikymo komandoms ir gali perrašyti automatiškai užpildytus laukus, jei mašininio mokymosi modelis nėra optimalus tam tikru atveju. Sistema mokosi iš naujų modelių, o tai leidžia geriau susidoroti su ateityje iškylančiomis problemomis. Visa tai reiškia, kad galutiniai vartotojai gali greitai ir lengvai atsidaryti bilietus, todėl padidėja pasitenkinimas naudojant darbo įrankius. Ši galimybė taip pat sumažina rankų darbą ir klaidas bei padeda sumažinti leidimo laiką ir išlaidas.
- Išmanusis el. Šis įrankis panašus į išmaniuosius užsakymus. Galutinis vartotojas gali nusiųsti el. laišką palaikymo komandai ir aprašyti problemą natūralia kalba. Pagalbos tarnybos įrankis generuoja bilietą pagal el. pašto turinį ir automatiškai atsako galutiniam vartotojui su nuorodomis į siūlomus sprendimus. Galutiniai vartotojai yra patenkinti, nes bilietų ir užklausų atidarymas yra paprastas ir patogus, o IT agentams tenka mažiau rankinio darbo.
- Protingas pokyčių valdymas. Mašininis mokymasis taip pat palaiko pažangią analizę ir pokyčių valdymą. Atsižvelgiant į dažną pakeitimų, kurių šiandien reikalauja verslas, skaičių, išmaniosios sistemos gali pateikti pokyčių agentams ar vadovams pasiūlymų, kaip optimizuoti aplinką ir padidinti pokyčių sėkmės rodiklį ateityje. Agentai gali aprašyti reikiamus pakeitimus natūralia kalba, o analizės galimybės patikrins turinį, ar nėra paveiktų konfigūracijos elementų. Visi pakeitimai yra reguliuojami, o automatiniai indikatoriai praneša pakeitimų valdytojui, jei yra kokių nors su pakeitimu susijusių problemų, tokių kaip rizika, planavimas neplanuotame lange arba būsena „nepatvirtinta“. Pagrindinis išmaniojo pakeitimų valdymo pranašumas yra greitesnis įvertinimas, kai reikia mažiau konfigūracijų, tinkinimų ir galiausiai išleidžiant mažiau pinigų.
Galiausiai mašininis mokymasis ir analizė keičia ITSM sistemas su išmaniomis prielaidomis ir rekomendacijomis apie bilietų problemas ir pakeitimo procesą, padedantį agentams ir IT pagalbos komandoms aprašyti, diagnozuoti, numatyti ir nurodyti, kas atsitiko, kas vyksta ir kas bus. Galutiniai vartotojai gauna iniciatyvių, suasmenintų ir dinamiškų įžvalgų ir greitų sprendimų. Šiuo atveju daug kas daroma automatiškai, t.y. be žmogaus įsikišimo. Laikui bėgant technologijos mokosi, procesai tik gerėja. Svarbu pažymėti, kad visos šiame straipsnyje aprašytos išmaniosios funkcijos yra prieinamos šiandien.
Šaltinis: www.habr.com