In 2018 hebben we onze positie stevig verankerd ā de diensten voor IT-servicebeheer (ITSM) en IT-diensten blijven actief ondanks voortdurende gesprekken over hoelang ze zich nog staande kunnen houden in het tijdperk van de digitale revolutie. De vraag naar ondersteuningsdiensten groeit daadwerkelijk ā in het Rapport over technische ondersteuning en het Rapport over salarissen (Help Desk Institute) voor 2017 wordt aangegeven dat 55% van de technische ondersteuningsdiensten een toename van het aantal aanvragen in het afgelopen jaar heeft opgemerkt.
Aan de andere kant hebben veel bedrijven een afname van het aantal verzoeken aan de technische ondersteuning gemeld in het afgelopen jaar (15%) in vergelijking met 2016 (10%). De belangrijkste factor die bijdroeg aan de afname van het aantal aanvragen was zelfbediening in de technische ondersteuning. Toch meldt HDI ook dat de kosten per aanvraag vorig jaar stegen tot 25 dollar in vergelijking met 18 dollar in 2016. Dit is niet waar de meeste IT-diensten op gericht zijn. Gelukkig kan automatisering op basis van analytics en machine learning de processen en prestaties van de ondersteuningsdienst verbeteren door het aantal fouten te verminderen en de kwaliteit en snelheid te verhogen. Soms gaat dit verder dan menselijke mogelijkheden, en machine learning en analytics vormen de sleutel tot een intelligente, klantgerichte en efficiƫnte IT-ondersteuningsdienst.
In dit artikel wordt nader bekeken hoe machine learning veel problemen van de ondersteuningsdienst en ITSM kan oplossen die verband houden met het volume en de kosten van aanvragen, en hoe een snellere en meer geautomatiseerde ondersteuningsdienst kan worden gecreƫerd die medewerkers van het bedrijf met plezier zullen gebruiken.
Effectieve ITSM door middel van machine learning en analytics
Mijn favoriete definitie van machine learning komt van het bedrijf :
"Machine learning leert computers om te doen wat natuurlijk is voor mensen en dieren ā leren van hun eigen ervaringen. Machine learning-algoritmen gebruiken rekenmethoden om informatie direct uit gegevens te leren, zonder te vertrouwen op een vooraf gedefinieerde vergelijking als model. Algoritmen verbeteren hun eigen efficiĆ«ntie adaptief naarmate het aantal beschikbare steekproeven om te leren toeneemt."
De onderstaande mogelijkheden zijn beschikbaar voor sommige ITSM-tools die zijn gebaseerd op machine learning-technologieƫn en big data-analyse:
- Ondersteuning via een bot. Virtuele agenten en chatbots kunnen automatisch nieuws, artikelen, diensten en ondersteuningsaanbiedingen uit gegevenscatalogi en openbare verzoeken aanbieden. Deze 24/7 ondersteuning in de vorm van aangeboden trainingsprogramma's voor eindgebruikers helpt om problemen aanzienlijk sneller op te lossen. De belangrijkste voordelen van de bot zijn een verbeterde gebruikersinterface en een lager aantal inkomende verzoeken.
- Slimme nieuws en meldingen. Deze tools stellen IT-professionals in staat om gebruikers proactief te waarschuwen voor potentiƫle problemen. Daarnaast kunnen zij tijdelijke oplossingen aanbevelen met gepersonaliseerde meldingen die eindgebruikers actuele en nuttige informatie geven over problemen waarmee ze te maken kunnen krijgen, evenals tips om deze te vermijden. Informatie gebruikers zullen de actieve IT-ondersteuning zeer waarderen en het aantal inkomende verzoeken zal afnemen.
- Slimme zoekopdrachten. Wanneer eindgebruikers informatie of diensten zoeken, kan een contextafhankelijke kennismanagementsysteem aanbevelingen, artikelen en links bieden. Eindgebruikers missen vaak een deel van de resultaten, omdat ze de voorkeur geven aan andere opties. Deze klikken en aantal weergaven worden opgenomen in de 'weging'-criteria bij de herindexering van inhoud in de loop van de tijd, waardoor de zoekmogelijkheden dynamisch worden aangepast. Aangezien eindgebruikers feedback geven in de vorm van 'like/dislike'-stemmen, beĆÆnvloedt dit ook de ranking van de inhoud die zij en andere gebruikers kunnen vinden. Wat betreft de voordelen kunnen eindgebruikers snel antwoorden vinden en zich behoorlijk zeker voelen, terwijl ondersteuningsagenten in staat zijn om meer aanvragen te verwerken en een groter aantal service level agreements (SLA's) te bereiken.
- Analyse van populaire onderwerpen. Hier onthullen analytische mogelijkheden patronen uit zowel gestructureerde als ongestructureerde databronnen. Informatie over populaire onderwerpen wordt grafisch weergegeven in de vorm van een heatmap, waarbij de grootte van de segmenten overeenkomt met de frequentie van bepaalde onderwerpen of groepen sleutelwoorden die door gebruikers worden gevraagd. Herhaalde incidenten worden onmiddellijk gedetecteerd, gegroepeerd en gezamenlijk opgelost. De analytics van populaire onderwerpen ontdekken ook incidentclusters met een gemeenschappelijke oorzak en verminderen aanzienlijk de tijd die nodig is voor het identificeren en oplossen van de onderliggende problemen. Ook kan de technologie automatisch artikelen in de kennisdatabase creƫren op basis van vergelijkbare interacties of soortgelijke problemen. Het zoeken naar trends in alle gegevens verhoogt de activiteit van de IT-afdeling, voorkomt herhaling van incidenten en verhoogt zo de tevredenheid van eindgebruikers, terwijl het tegelijkertijd de IT-kosten vermindert.
- Slimme aanvragen. Eindgebruikers verwachten dat het indienen van een aanvraag niet moeilijker is dan het schrijven van een tweet, namelijk een korte boodschap in natuurlijke taal die het probleem of verzoek beschrijft en per e-mail verzonden kan worden. Of zelfs gewoon een foto van het probleem bijvoegen en deze vanaf een mobiel apparaat verzenden. Het registreren van slimme aanvragen versnelt het proces van het creƫren van verzoeken door automatisch alle velden in te vullen op basis van wat de eindgebruiker heeft geschreven of een afbeelding die is gescand met behulp van optische tekenherkenning (OCR). Met behulp van een dataset met observaties, classificeert de technologie automatisch aanvragen en adresseert deze naar de juiste ondersteuningsagenten. Agenten kunnen aanvragen doorsturen naar verschillende ondersteuningsgroepen en kunnen automatisch ingevulde velden opnieuw schrijven als het machine learning-model niet optimaal bleek voor de betreffende situatie. Het systeem leert van nieuwe patronen, waardoor het beter omgaat met opkomende problemen in de toekomst. Dit betekent dat eindgebruikers eenvoudig en snel aanvragen kunnen indienen, wat leidt tot een hogere klanttevredenheid bij het gebruik van werktools. Deze mogelijkheid vermindert ook de hoeveelheid handmatig werk en fouten en helpt de tijd en kosten voor het oplossen van problemen te verlagen.
- Slimme e-mail. Deze tool lijkt op slimme aanvragen. De eindgebruiker kan een e-mail naar de klantenservice sturen en het probleem in natuurlijke taal beschrijven. De klantenservice-tool creƫert een aanvraag op basis van de inhoud van de e-mail en reageert automatisch naar de eindgebruiker met links naar voorgestelde oplossingen. Eindgebruikers zijn tevreden, omdat het openen van aanvragen en verzoeken eenvoudig en handig is, terwijl IT-agenten minder handmatig werk hebben.
- Slimme wijzigingsbeheer. Machine learning ondersteunt ook moderne analytics en change management. Gezien het frequente aantal veranderingen dat bedrijven tegenwoordig nodig hebben, kunnen slimme systemen agents of change managers voorstellen doen om de omgeving te optimaliseren en het percentage succesvolle veranderingen in de toekomst te verhogen. Agents kunnen de vereiste veranderingen in natuurlijke taal beschrijven, terwijl analytische mogelijkheden de inhoud controleren op relevante configuratie-elementen. Alle veranderingen worden gereguleerd en automatische indicatoren informeren de change manager over eventuele problemen met de wijziging, zoals risico, planning binnen een ongepland venster of status 'niet goedgekeurd'. Het belangrijkste voordeel van slim change management is een snellere return on investment met minder configuraties, instellingen en uiteindelijk lagere kosten.
Uiteindelijk transformeren machine learning en analytics ITSM-systemen door middel van slimme aannames en aanbevelingen over problemen met aanvragen en het changeproces, die agents en IT-ondersteuningsgroepen helpen bij het beschrijven, diagnosticeren, voorspellen en voorschrijven van wat er is gebeurd, wat er gebeurt en wat er zal gebeuren. Eindgebruikers krijgen proactieve, persoonlijke en dynamische analytische beoordelingen en snelle oplossingen. Veel van dit gebeurt automatisch, d.w.z. zonder menselijke tussenkomst. En naarmate de technologie in de loop van de tijd leert, worden de processen alleen maar beter. Belangrijk om op te merken is dat alle slimme functies die in dit artikel zijn beschreven, al vandaag de dag beschikbaar zijn.
Bron: habr.com
